基于火灾损失加权方法和人工智能分析气象因素的城市火灾风险指数开发

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Development of Urban Fire Risk Index Based on Fire Damage Weighting Methodologies and AI Analysis of Meteorological Factors

基于气象条件的城市火灾风险预测模型研究，通过主成分分析（PCA）、层次分析法（AHP）和统计生命价值（VSL）三种方法构建风险指数，结合十年火灾与气象数据验证发现：AHP和VSL因过度依赖死亡人数导致与气象因素关联性差，预测高火灾风险能力不足（召回率<0.20）；而PCA模型通过气象变量（平均温度、最大风速、有效湿度、海平面气压）有效捕捉火灾蔓延的物理机制，分类精度达0.99。该研究提出基于气象驱动的火灾风险预测新范式，为灾害管理提供科学决策依据。

　　

金元昌|李泰圭

韩国忠北27136，世明大学消防与灾害预防系

摘要

随着城市密度的增加，开发可靠的火灾风险评估定量指标对于灾害管理变得至关重要。然而，现有的研究往往依赖于单一的权重分配方法，而没有验证这些方法在基于气象条件的预测建模中的适用性。本研究采用了三种不同的方法构建火灾风险指数：主成分分析（PCA）用于确保统计客观性，层次分析法（AHP）用于专家判断，以及统计生命价值（VSL）用于经济评估。利用釜山过去10年的火灾和气象数据，通过K-Means聚类对风险等级进行分类，并基于四个关键气象变量（平均温度、最大风速、有效湿度和海平面压力）开发了随机森林（RF）分类器进行预测。比较分析显示，过度重视死亡人数的AHP和VSL模型与气象条件的相关性较低，对高风险事件的预测性能较差（召回率<0.20）。相比之下，基于PCA的指数能够有效捕捉低温、干燥和高压条件下的火灾蔓延物理机制。PCA模型在分类高风险等级时的准确率和召回率达到了0.99。虽然AHP和VSL对于灾后影响评估很有用，但本研究表明，基于PCA的指数是基于气象条件的预测预警系统中最科学有效和可靠的衡量标准。

引言

在现代社会中，城市是高密度人口和垂直扩展建筑集中的场所，这些结构在灾害发生时容易造成连锁和爆炸性的破坏[[1], [2], [3]]。在这种环境下，火灾不仅是最常见的灾害，也是对生命和财产造成即时和破坏性影响的主要风险因素[[4], [5], [6]]。特别是，城市火灾的破坏模式表现出类似帕累托原理的不平衡现象，即少数大规模火灾造成了大部分总损失[7]。这表明，消防安全的核心必须从单纯防止火灾发生转变为以损失为中心的风险评估，防止已发生的火灾升级为大规模灾害，并尽量减少其严重程度[8]。因此，为了准确评估和管理城市火灾风险，需要一个系统模型，将不同维度的结果（死亡人数、受伤人数和财产损失）转化为单一的定量指标，并据此进行预测和响应[9,10]。图1

现有的火灾风险评估研究主要使用死亡人数、受伤人数和财产损失等火灾后果作为关键变量来量化风险。Holborn等人（2004年）分析了伦敦消防队的数据，强调人员伤亡是火灾风险评估最重要的衡量标准[11]。Stre等人（2001年）也从流行病学的角度分析了导致人员伤亡（死亡和受伤）的风险因素，指出居住者特征和环境因素共同作用导致了人员伤亡[12]。Xin等人（2013年）通过情景聚类技术选择死亡人数和财产损失作为风险指标，表明需要多方面的指标而不仅仅是单一指标[13]。同时，从财产损失和经济效率的角度来看，Hasofer等人（2002年）提出了一个通过统计分析火灾损失概率分布来预测大规模火灾风险的模型[14]。最近，Seo等人（2023年）的研究结合了机器学习技术，根据建筑物信息预测火灾期间的财产损失等级[15]。此外，Tomar等人（2021年）和Zhang等人（2013年）尝试通过叠加死亡人数、受伤人数以及城市空间脆弱性、人口密度和灾害预防能力来计算综合风险指数，以克服单一指标的局限性[16,17]。

然而，大多数现有研究的一个根本局限性在于，它们将点火因素（电气因素、疏忽、纵火等）作为预测火灾风险的主要变量。正如Prestemon等人（2013年）和Taylor等人（2013年）指出的，火灾的点火具有高度随机性，因为它是由随机的人类行为或不可预测的机械缺陷引发的。“火灾将在何时何地发生”这个问题更接近社会学或犯罪学的范畴，而不是工程建模；事实上，Pourmohamad等人（2025年）的研究表明，模型在区分人为引发的点火方面的准确性仅为55%[[17], [18], [19]]。换句话说，将点火原因本身作为预测变量可能会降低评估整个城市宏观风险的模型的可靠性[20,21]。

相比之下，火灾发生后的破坏扩展过程受热力学和流体力学原理支配，其中气象因素起着决定性作用[[22], [23], [24]]。具体来说，风不断为火焰提供氧气，加剧燃烧反应，使火焰倾斜从而提高辐射热传递效率，并导致远处的新火灾，成为火灾蔓延为大规模火灾的主要原因[25]。此外，低相对湿度通过降低可燃物的平衡含水量大幅增加燃烧速率，而高温则提高可燃物的初始温度，减少达到点火点所需的能量，从而增强火灾强度[26,27]。因此，本研究强调，科学上可以排除具有高预测不确定性的点火原因信息，仅使用与火灾破坏传播物理机制有直接和强因果关系的气象变量作为独立变量来预测风险[28,29]。

此外，在构建风险指标的方法论方面，现有研究存在依赖单一方法的偏见。使用AHP的研究（Wu等人，2011年）具有反映专家直觉和经验的优点，但受到过度依赖主观性的限制，而基于数据的研究（如PCA，Kurek等人，2022年）虽然具有较高的客观性，但在解释衍生权重的物理意义方面存在困难[30,31]。另一方面，VSL通过将人员伤亡纳入经济价值来进行直观比较，但涉及关于生命定价和计算标准多样性的伦理争议。到目前为止，几乎没有研究系统地比较和分析将这三种方法（PCA、AHP、VSL）应用于同一数据集所得到的风险指标和预测准确性的模式。因此，本研究旨在通过应用不同的权重分配方法来推导多方面的风险指标：PCA确保统计客观性；AHP系统化专家的经验知识；VSL考虑社会成本，这些方法均基于釜山大都会区的实际火灾案例数据。然后，每个构建的风险指标都在基于气象数据的随机森林分类器上进行了训练，以验证哪种指标最能准确解释和预测根据天气条件的火灾破坏模式[32]。这些发现的更广泛意义有二：从学术上讲，本研究将城市火灾风险评估的范式从高度不确定的、基于点火原因的建模转变为基于天气的、确定性的方法，预测火灾蔓延的物理严重程度。此外，它提供了一个新的比较框架，展示了不同的理论权重视角（统计方差、专家直觉和社会经济成本）如何从根本上改变预测建模性能[33]。从实际应用的角度来看，这些发现为现代灾害管理提供了可访问和可行的基础。通过证明基于PCA的指数在将天气预报与风险等级联系起来的有效性，地方政府和消防部门可以从被动灭火转向主动预防，例如提前部署资源、加强局部巡逻，并在高风险气象条件（如干燥和高压天气）出现之前发布实时预警。

部分摘录

关于权重设置的理论考虑

将城市火灾风险整合为单一定量指标的核心挑战在于合理结合不同维度和单位的变量，如死亡人数、受伤人数和财产损失金额。由于设置权重是一个方法论步骤，它从根本上决定了看待风险的视角和哲学，因此通过多样但全面的视角来审视风险至关重要。

研究场景

图2。

数据收集

为了进行实证分析，本研究收集了2015年1月1日至2024年12月31日期间釜山大都会区发生的火灾事故数据。收集的原始数据包括火灾发生的时空信息、火灾特征信息和损失结果信息。这些数据被用作定量了解火灾发生时情况的基本材料。

火灾损失的数据分析

本研究基于过去10年（2015-2024年）釜山大都会区的火灾数据，深入分析了按月、类型和点火原因划分的损失特征。通过这些分析，为选择构建基于气象变量风险预测模型的关键变量和排除不必要的噪声变量奠定了逻辑基础。

图3显示了每月火灾损失的百分比分布。火灾造成的人员伤亡和财产损失表现出明显的

结论

本研究从统计（PCA）、专家（AHP）和经济（VSL）三个角度比较分析了三种风险权重计算方法，以确保与天气预报数据相链接的城市火灾预警系统的可靠性。利用过去10年（2015-2024年）釜山大都会区的火灾和气象大数据，定量评估了每种方法得出的风险指标的物理有效性和机器学习模型的预测性能。

作者贡献声明

李泰圭：监督、验证、资金获取、项目管理、资源协调、写作审查和编辑。金元昌：概念构思、软件开发、数据整理、方法论设计、初稿撰写、可视化、正式分析

作者贡献声明

金元昌：初稿撰写、可视化、软件开发、方法论设计、数据整理、概念构思。李泰圭：审稿与编辑、验证、监督、资源协调、项目管理、资金获取。