解释加利福尼亚州野火导致的建筑损坏

《SCIENCE ADVANCES》:Explaining building damage from wildfires in California

【字体: 大 中 小 】 时间:2026年07月26日 来源:SCIENCE ADVANCES 13.9

编辑推荐:

  研究人员开发了一个物理可解释的、数据驱动的框架(data-driven framework),用以阐明因果相互作用、建模并预测整个加利福尼亚州由野火引发的建筑损坏。利用超过100,000份(2013年至2024年)的损坏检查记录,研究人员结合静态环境变量(地形

  
研究人员开发了一个物理可解释的、数据驱动的框架(data-driven framework),用以阐明因果相互作用、建模并预测整个加利福尼亚州由野火引发的建筑损坏。利用超过100,000份(2013年至2024年)的损坏检查记录,研究人员结合静态环境变量(地形、植被和人类足迹)、动态天气输入以及一个提出的复合建筑可燃性评级(Composite Building Flammability Rating, CBFR)来建模建筑损坏。测试了三种模型配置:(i)整合所有变量的综合模型,(ii)排除CBFR的环境-天气混合模型,以及(iii)排除天气和CBFR的环境暴露模型。应用了严格的200米空间死区约束以消除局部空间自相关,综合模型达到了88%(±0.4%)的准确率,排除CBFR后降至82.9%(±0.6%),同时排除天气和CBFR后降至74.5%(±0.5%)。基于空间网格的交叉验证显示了不同的准确率,分别为68.0%(±17%)、66.0%(±16%)和62.0%(±13%)。建筑可燃性、露点温度和近地面风速被确定为损坏的最重要预测因子。水汽压差(Vapor Pressure Deficit, VPD)对损坏概率具有最强的因果效应,尽管气候和地理变量的因果效应存在空间变异性。研究人员还开发了一个100米分辨率的野火建筑损坏风险指数(Wildfire Building Damage Risk Index),以突出高风险损坏区域。研究结果强调,野火在野火-城市交界域(Wildland-Urban Interface, WUI)的影响是结构脆弱性、大气干燥度和燃料暴露共同作用的结果,为风险预测、可防御空间规划和气候适应性基础设施建设提供了可扩展的工具。
**论文解读:基于数据驱动与因果推断框架的加州野火建筑损坏归因与预测研究**

**研究背景与问题**

近几十年来,特别是自2000年以来,加利福尼亚州野火的规模和破坏性急剧上升,导致了前所未有的财产损失和生命伤亡,尤其是在该州的野火-城市交界域(Wildland-Urban Interface, WUI)地区。在1990年至2010年间,美国WUI面积扩大了约33%,新增了超过1200万栋建筑。尽管2010年代WUI扩张速度相比2000年代略有放缓,但2011年至2020年间美国新建房屋中仍有约30%位于WUI内。在2020至2022年间,加州超过80%的新建房屋位于高火灾风险区域。快速的人口增长与更大、更严重的过火面积相结合,极大地增加了社区的脆弱性,因为许多新建房屋现在位于高风险WUI区域。大部分野火导致的建筑损坏都发生在WUI内,即人造建筑与野生植被交错分布的区域。自1990年代以来,这种增长与更频繁、更广泛的野火相结合,使得野火边界内被烧毁的房屋数量翻了一番。截至2022年,加州约有28,575平方公里土地被归类为WUI。气候变化驱动的植物功能型(Plant Functional Types, PFT)转变预计将导致美国西部当前森林面积的40%(在代表性浓度路径4.5,RCP4.5下)至58%(在RCP8.5下)在2070至2100年间转变为灌木地和草地。

现有研究在探索野火建筑损坏方面存在一些局限性,例如过度依赖静态、泛化的风险因素;缺乏区域适应性;样本量小;局限于特定火灾事件分析;以及忽略了关键的环境、天气和火行为变量。此外,传统的机器学习技术虽然能有效进行风险分析和损坏预测,但对驱动因素如何因果交互作用以产生观察到的损坏结果提供的见解有限。因此,迫切需要一种结合传统机器学习与因果学习(causal learning)的综合框架,以在建筑和景观尺度上揭示野火相关基础设施损坏的相互作用、风险和预测因素。

**研究内容与结论**

本研究通过整合超过100,000个(2013-2024年)野火后建筑损坏观测数据,结合静态环境因素、动态火天气、人类足迹和建筑特征,聚焦于加州范围内由野火引起的建筑及社区级损坏。研究人员开发了一个物理可解释的、数据驱动的框架,用于阐明因果相互作用、建模并预测建筑损坏。研究的主要目标是:(i)揭示关键静态和动态环境驱动因素及其对加州野火建筑损坏的量化贡献尺度;(ii)使用数据驱动模型评估建筑可燃性、火天气组分、细燃料(草/灌木)暴露及其比例在塑造野火损坏潜力中的相对影响和因果效应;(iii)开发一个建筑损坏风险矩阵,与WUI整合,并生成一个动态的WUI风险图,以指导有针对性的野火减缓策略。

研究得出以下结论:建筑损坏是静态地形设置、动态火天气条件、植被、建筑脆弱性和人类足迹复杂相互作用的结果。超过十年的火灾后调查显示,86%的受损建筑位于WUI内,其中53,879座建筑被摧毁。在所有被检查的变量中,大气干燥度(水汽压差,VPD;平均处理效应,ATE=0.020)、最高温度(Tmax;ATE=0.008)、建筑可燃性(复合建筑可燃性评级,CBFR)和平均露点温度(tdmean;ATE=-0.004)成为影响建筑损坏概率最主要的因果因素。空间异质性分析显示,Tmax效应在内陆山谷最强,而VPD在北部中部山区影响最强,表明温度驱动和大气干燥度驱动的损坏机制在加州不同的物理气候梯度上通过地理上不同的路径运行。tdmean的保护效应证实了更高的大气湿度通过增加燃料含水量来持续降低损坏概率。研究还开发了一个100米分辨率的野火建筑损坏风险指数(Wildfire Building Damage Risk Index, WBDR),以突出高风险损坏区域。研究结果强调了野火在WUI区域的影响是结构脆弱性、大气干燥度和燃料暴露共同作用的结果,为风险预测、可防御空间规划和气候适应性基础设施建设提供了可扩展的工具。该论文发表在《SCIENCE ADVANCES》。

**主要关键技术方法**

1. **数据整合与特征工程**:整合了来自CAL FIRE火灾损坏检查(Damage Inspection, DINS)数据库(2013-2024年,22起火灾,超10万份记录)的损坏与结构信息;来自LANDFIRE和NLCD的30米分辨率地形与生态系统数据;来自PRISM和GRIDMET的约4公里分辨率日气象数据;以及来自遥感数据的WUI(WUI-RS)和建筑足迹数据。据此计算了关键变量,如9x9核内细燃料与木质燃料的比例(PFTk9)和复合建筑可燃性评级(CBFR)。
2. **统计分析与建模框架**:采用Kruskal-Wallis秩和检验与Dunn事后检验分析不同损坏类别间变量的显著差异。使用主成分分析(PCA)、互信息(MI)和皮尔逊相关系数进行变量降维与共线性分析。基于随机森林(Random Forest, RF)分类器构建了三种模型:综合模型(含所有变量),环境-天气混合模型(排除CBFR),和环境暴露模型(排除天气和CBFR)。
3. **模型验证与解释**:采用严格的10折交叉验证(带200米空间死区)和留一网格法(Leave-One-Grid-Out, LOGO)空间交叉验证评估模型性能与空间可迁移性。使用SHAP(SHapley Additive exPlanations)和RF的平均准确率下降(Mean Decrease in Accuracy, MDA)解释变量重要性。
4. **因果推断框架**:采用双机器学习(Double Machine Learning, DML)与CausalForestDML方法,估计每个变量的平均处理效应(ATE)和条件平均处理效应(CATE),以评估变量对建筑损坏概率的因果影响及其空间异质性。

**研究结果**

**野火建筑损坏沿环境梯度分布**:通过对建筑损坏数据的分析,发现86%的受损建筑位于WUI内。概率密度分析、Kruskal-Wallis和Dunn检验表明,被毁建筑(>50%损坏)主要与中等海拔、平缓至中等坡度、较低地形粗糙度以及开阔冠层、低至中等密度的植被区域(以灌木和草地为主)相关。野火不成比例地摧毁了高WUI区域。Dunn事后检验显示,所有变量中,被毁建筑与未损坏建筑之间的差异最为显著。

**变量共线性与主成分分析**:主成分分析(PCA)表明,前五个主成分(PCs)解释了总方差的57%。PC1(25.3%方差)与天气变量(如平均露点温度tdmean、太阳辐射Srad)强相关,PC2(9.5%方差)由植被结构主导,PC3(8.6%方差)受土地覆盖类型影响。相关性矩阵显示多个变量间存在强共线性,通过PCA和相关分析,研究人员排除了冗余变量(如GrsShr_Area、BTGS)以简化模型。

**导致建筑损坏的因素**:三种模型(综合、环境-天气混合、环境暴露)的变量重要性分析揭示了不同视角。在综合模型中,建筑脆弱性(复合建筑可燃性评级,CBFR)是最关键因素,贡献11.3%,其次是平均露点温度(tdmean,8.9%)、太阳辐射(Srad,8.1%)等。SHAP进一步显示,较低的tdmean(干燥空气)会大幅增加预测的损坏概率。环境-天气混合模型识别出tdmean、海拔和Srad为最重要预测因子。环境暴露模型则突出海拔、地形粗糙度(TRI)和WUI面积等静态暴露因素。

**变量在野火建筑损坏中的因果影响**:使用CausalForestDML估计的因果效应显示,水汽压差(VPD)的ATE为0.020,即VPD每增加一个百分位,损坏概率增加2.0%,是所有变量中最强的因果效应。Tmax和近地面风速(WS10m)表现出中等正向效应,而tdmean显示出微弱的保护效应。空间条件平均处理效应(CATE)图揭示了显著的空间异质性,气象变量(Tmax、VPD)表现出最大的空间差异,表明需要基于气候区的差异化减缓策略。

**模型性能与验证**:在严格的200米空间死区约束下进行10折交叉验证,综合模型取得了最高的总体准确率(OA)0.88(±0.004),显著优于环境-天气混合模型(0.82±0.006)和环境暴露模型(0.75±0.006)。在三个完全独立的、被完全保留的火灾事件(CZU Lightning Complex Fire, Hennessey Fire, Bear Fire)上进行测试,综合模型也表现出最高的预测性能(OA=0.76至0.82)。空间留一网格法(LOGO)交叉验证显示,综合模型具有最高的空间可迁移性,平均OA为0.68(SD=±0.17)。

**开发WBDR地图**:研究人员利用环境暴露模型开发了100米分辨率的野火建筑损坏风险(Wildfire Building Damage Risk, WBDR)图层。通过与最新的遥感WUI数据整合,可识别出相对更高损坏风险的区域。WBDR提供了一个连续的损坏概率梯度(0到1),捕捉了WUI内部由地形和生态系统暴露驱动的异质性,为更精细的减缓资源分配提供了依据。

**讨论与结论**

讨论部分指出,建筑可燃性、细燃料暴露、火天气(露点温度和风速)以及建筑周围WUI的比例是野火建筑损坏的主要驱动因素。研究强调了建筑特征(如栅栏材料、外墙板、建筑年份、屋顶材料、屋檐类型)在建筑脆弱性中的重要性。地形变量(中等海拔、中等坡度)和细燃料(灌木/草)主导的植被类型加剧了损坏风险。空间异质性的因果效应表明,基于环境和人为梯度的有针对性的野火风险减缓策略是必要的。例如,在炎热的内陆山谷,应针对Tmax驱动效应进行预警和资源部署;在山区森林地带,则应监测VPD和tdmean效应以指导计划火烧和机械疏伐。WBDR图层与WUI的结合,为空间识别结构性风险区域提供了实用工具,可优先考虑高风险区域的可防御空间检查和加固措施。

研究结论部分翻译如下:总之,本研究提出了一个全面的、物理可解释的数据驱动框架,整合了结构、环境和气象变量,以支持因果推断并预测整个加利福尼亚州由野火引发的建筑损坏。本研究利用可解释的机器学习和多源地理空间数据,确定了建筑可燃性、细燃料暴露、火天气(露点温度和风速)以及建筑周围WUI的比例是野火建筑损坏的主要驱动因素。大约86%的受损结构位于WUI区域,在那里易燃植被(如加州一年生草地)、建筑材料和地形因素(中海拔坡地)的相互作用加剧了风险。野火引发的建筑损坏并非由单一因素驱动,而是极端火天气(大气干燥度、温度和风速)、易燃景观(细燃料主导、中海拔地形)、结构脆弱性(CBFR组分:栅栏、外墙、屋檐)和空间暴露模式(WUI配置和建筑密度)共同作用的结果。变量对研究区域建筑损坏的异质性因果影响暗示了基于环境和人为梯度的有针对性的野火风险减缓策略的必要性。通过将静态环境和动态火天气变量整合到一个精细的WBDR图层中,本研究提供了一个空间明确的工具,用于优先实施减缓措施(如燃料减少和防火建筑结构)。展望未来,操作化工具可以支持本地化的、主动的策略以减少未来的野火损失,强调需要综合性的方法来保护WUI的社区。未来的工作应扩展结构数据集、物理过程建模和数据驱动框架以增强预测能力。尽管如此,本研究的发现已经倡导了结合建筑规范、土地利用规划和植被管理的综合策略,以减少高风险区域的脆弱性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号