综述：二维元胞自动机模型用于野火模拟：方法、能力与局限性

《Fire》：A Review of Two-Dimensional Cellular Automata Models for Wildfire Simulation: Methods, Capabilities, and Limitations Ioannis Karakonstantis and George Xylomenos

　　

二维元胞自动机（CA）模型因其对环境与火灾力学的清晰表示以及计算效率而广泛用于野火模拟。在本综述中，研究人员描述了森林燃料特性、地形特征、消防抑制策略、火种跳跃行为以及气象条件在这些模型中的表示与整合机制。尽管这些模型在大规模模拟（高精度并非关键）中有效，但它们对空间与时间的离散表示以及简化的局部状态转换规则的依赖引入了额外的挑战与局限性。本综述介绍了基于CA的野火模拟模型的关键方法、混合实现与模型扩展，强调了其固有优势、局限性与实际挑战。此外，它对应用于野火蔓延与行为的计算与模拟技术进行了分类。

2. 火灾模拟模型
该部分指出野火预测模型可根据原理分为经验、半经验和物理三类。物理模型基于热力学与燃烧化学，计算代价高；经验模型依赖统计与回归；半经验模型结合两者，在合理计算时间内提供足够精度。计算模型需整合空间数字化、传播机制、拓扑结构处理、外部数据集成及输出显示。文中给出了一套分类体系（图1），涵盖概念模型、计算模型和数据三个层次。

3. 元胞自动机
元胞自动机（CA）由约翰·冯·诺伊曼在1950年代提出，是一种时间和空间离散的数学模型，通过局部交互规则预测系统宏观行为。网格由细胞组成，细胞状态根据邻域规则（如Moore邻域或von Neumann邻域）更新，通常为确定性规则，但连续状态CA也有应用。

4. 使用元胞自动机进行野火模拟
该部分区分了两种主要方法：
4.1 有限状态CA：采用二维网格，细胞可取四个离散状态（0未燃、1燃烧、2烧尽、3空），简化了燃烧过程，但无法反映中间状态，导致时间步长和细胞尺寸选择敏感。
4.2 连续状态CA：允许状态取连续值（如燃料消耗百分比），能模拟部分燃烧和强度梯度，提高真实性，但复杂度增加。例如Karafyllidis [34] 提出的模型，状态表示烧毁比例，时间步长由蔓延速率（ROS）决定。

5. 基于元胞自动机的野火模拟方法
该部分详细介绍了12种代表性方法，按以下小标题逐一阐述其核心机制与局限性：
5.1 典型元胞自动机模拟器：Alexandridis等人提出四状态CA，采用Moore邻域和燃烧概率p_burn，考虑植被类型（p_veg）、密度（p_den）、风（p_w）和坡度（p_s），并加入飞火规则。在希腊斯派察岛火灾中验证，但系数选取依赖经验，缺乏统一框架。
5.2 多变量离散状态元胞模拟器：Alexandridis等人扩展模型，加入燃料湿度、植被高度和空中灭火战术。空中灭火通过概率模型实现，但固定时间步长假设难以维持，且燃烧状态改变后无法模拟复燃。
5.3 动态邻域选择：Freire等人引入风驱动的邻域选择，允许远距离细胞点燃，模拟飞火。使用CLC2006和MODIS数据，在30×30 km区域验证，但可能高估飞火距离，且初始阶段蔓延过快。
5.4 使用公开API的遥感：Velasquez等人利用Google Maps API获取地形和植被数据（RGB通道），无需复杂遥感产品。但无法计算NDVI或SAVI，植被分类精度受限。
5.5 操作就绪的实现：PROPAGATOR模型经多年开发，采用污染过程框架和名义传播概率p_n，结合风、地形、燃料湿度因子。引入植被类型邻接矩阵和两类消防抑制（水基和结构操作）。在意大利民防部门实际应用。
5.6 连续状态元胞自动机模拟器：Karafyllidis等人提出连续状态CA，状态值为烧毁比例（0到1），时间步长由ROS和细胞边长决定。仅用合成基准测试，缺乏真实世界验证。
5.7 可变模拟时间步长：Sun等人基于日燃烧指数（DBI）和速度变化率指数，实现可变时间步长。引入五个燃烧阶段（未燃、早期燃烧、完全燃烧、逐渐熄灭、完全熄灭）。在四川冕宁火灾中验证，但DBI作为火险指标而非直接ROS估计器。
5.8 协同向量与CA方法：Zhuang等人结合CA与动态时空分辨率，火线用笛卡尔坐标，引入临界条件判断因子C_f和连续状态。允许火蔓延超出细胞边界，但依赖DBI。
5.9 通过CA和优化技术增强野火周长精度：Ghisu等人针对CA的几何扭曲（三角伪影），采用Tabu搜索优化校正系数，基于Rothermel模型和椭圆形状。仅与FARSITE对比，未用真实火灾。
5.10 轻量级易实现CA模型：Weinhouse等人提出简单模型，使用NDVI等遥感数据构建p_burn，减少输入需求。但需要调优p₀概率。
5.11 通过椭圆模型减轻几何扭曲：Trunfio等人采用宏观CA（MCA），允许火源在细胞内任意位置，用局部椭圆模拟火线。全局函数自动调整时间步长，利用Rothermel公式，验证与FARSITE对比。
5.12 用于WUI动态的CA模型：Jiang等人提出异构CA，区分森林和城市区域。森林细胞有五个状态，城市细胞有六个状态，使用不同转换规则（森林基于ROS，城市基于热辐射点燃概率）。在加州WUI火灾中验证，但未包含消防抑制策略，燃料分类简化。
5.13 模型选择方法：总结了选择上述模型的标准，包括方法代表性、引用影响、操作成熟度和验证可用性。强调[24]作为基线，[35]扩展空中灭火，[34]连续状态，[23]动态邻域，[57]WUI，[39]公开数据，[53]遥感，[44]操作成熟，[54]MCA，[48]向量-CA，[49]优化，[46]可变时间步长。

6. 讨论
本部分对比了12种模型。离散状态CA效率高但无法显式整合ROS，导致伪影；连续状态CA更精确但可能限制传播方向。时间步长选择关键，过大会使细胞值饱和，过小会导致不完全燃烧。建议采用可变时间步长、不规则网格（如四叉树）或混合方法（如向量-CA耦合）以缓解几何扭曲。讨论了将点燃概率映射到ROS的歧义性，举例说明离散CA中部分燃烧细胞被强制标记为完全烧尽，导致相邻细胞过早点燃。还指出当前CA模型对火灾-大气交互作用的简化处理（如使用外部气象输入或代理指数），以及模型验证的不足——许多模型仅基于合成数据或与其他软件对比，缺乏标准化基准。最后强调CA模型在数据受限环境下的优势：轻量、可离线运行、易于部署在移动设备上，且适合大规模模拟。

7. 结论与未来方向
本文回顾了12种基于CA的野火模拟方法，每种面向特定问题，数据需求和用户技能要求差异较大。CA方法计算效率高，适合移动设备，但依赖外部数据和用户对燃料分类的理解。识别模型的假设与局限性是正确应用的关键。未来工作应聚焦于减轻几何扭曲的混合方法（如向量-CA耦合与参数优化），以及设计能动态调整模型的模拟器，在节省电池的同时利用渐增数据。