《International Journal of Disaster Risk Reduction》：Empirical Calibration of Facility Wildfire Vulnerability Index Using Post-Fire Damage Records and Neural Additive Models
编辑推荐：
摘要：野火日益威胁着野地-城市交界区（wildland-urban interface, WUI）中的各类设施。现有脆弱性指数往往依赖专家判断，且缺乏利用实际损毁数据进行经验校准。本研究利用人工智能与经验损毁记录对设施野火脆弱性指数（Facility Wild
摘要：野火日益威胁着野地-城市交界区（wildland-urban interface, WUI）中的各类设施。现有脆弱性指数往往依赖专家判断，且缺乏利用实际损毁数据进行经验校准。本研究利用人工智能与经验损毁记录对设施野火脆弱性指数（Facility Wildfire Vulnerability Index, FWVI）进行优化。研究人员分析了来自韩国重大野火事件的5,127栋建筑数据集，该数据集基于无人机正射影像构建。为应对严重的类别不平衡问题，研究人员将神经加性模型（Neural Additive Models, NAMs）与有效样本数（Effective Number of Samples, ENS）方法相结合。优化结果表明，建筑物理属性与道路条件对结构存活的决定性作用大于周边森林与扑救因素。此外，研究人员开发了一套自动化评估系统，利用卫星影像与计算机视觉计算脆弱性评分。这种数据驱动方法可减少重复现场踏勘的需求，使单个村庄的评估能在约20分钟内完成。
**基于经验损毁记录的设施野火脆弱性指数优化：方法、结果与启示**
**一、研究背景与问题提出**
野火在全球范围内造成严重的生态、气候与社会经济损害。随着土地利用扩张，野地-城市交界区（wildland-urban interface, WUI）——即森林与聚落交汇地带——持续增长，居民区遭受火灾威胁的暴露度显著上升。近年来，大规模野火不仅毁坏森林资源，还波及住宅区、各类设施及基础设施，包括交通网络、电力系统和通信系统。在此背景下，野火管理策略需超越传统扑救与预防范畴，更多关注单体设施的脆弱性评估。
设施级脆弱性指标可为疏散规划、加固改造目标筛选、防灾预算编制及WUI管理提供基础决策信息。遵循政府间气候变化专门委员会（Intergovernmental Panel on Climate Change, IPCC）框架——将风险定义为灾害、暴露与脆弱性的函数——野火脆弱性被界定为系统或设施受到不利影响的内在倾向。其中，灾害涵盖风速、大气湿度、火强度等事件驱动因素，而脆弱性则反映设施固有的静态受损倾向。本研究聚焦于后者。
既有脆弱性评估研究虽已考虑建筑特征、周边环境与WUI条件，但仍存在两项关键局限：其一，多数研究通过专家判断分配指标权重，针对实际损毁结果的经验校准仍十分有限；其二，尽管计算机视觉的进展已使从遥感影像中提取脆弱性相关属性日益可行，此类方法尚未被整合至建筑级脆弱性评估中。因此，亟需一种基于观测损毁数据对指标进行校准与优化的经验方法。
**二、研究内容与主要结论**
本研究利用人工智能（artificial intelligence, AI）与野火受灾设施的实证损毁记录，对设施野火脆弱性指数（Facility Wildfire Vulnerability Index, FWVI）进行优化。AI驱动的优化能够依据实际损毁模式对指标权重进行系统校准，这是单纯依赖专家判断难以实现的。基于证据的校准反映了野火风险评估向基于性能与经验驱动框架转变的更广泛趋势——指标关系源自观测损毁结果而非仅由专家判断指定。
研究构建的数据集涵盖WUI环境内的设施级信息，包括建筑属性、周边燃料、地形特征及野火损毁等级。通过对该数据集应用AI建模，研究开发了一套自动化建筑级野火脆弱性评估系统，可基于优化后的FWVI计算脆弱性评分并生成报告。该框架利用韩国多地区野火事件进行了验证。
研究得出的核心结论包括：建筑与道路因素的权重显著提升，而森林与扑救因素权重下降；屋顶材料是九个指标中判别力最强的单项指标；在不平衡数据处理方法（有效样本数法）的辅助下，模型对部分损毁（partial damage, PD）与完全损毁（total damage, TD）类别的召回率分别从0.157和0.141提升至0.396和0.536。该研究于2025年发表在《International Journal of Disaster Risk Reduction》。
**三、主要技术方法**
研究采用的主要技术方法包括：（1）数据采集：利用大疆Zenmuse P1相机在550至600米固定高度采集无人机正射影像，地面采样距离为8.94厘米/像素；建筑与道路数据来自韩国国家地理信息院（NGII），森林与火烧迹地数据来自韩国国家森林科学研究院（NIFoS）；（2）损毁等级标注：由五名训练有素的标注人员将设施分为无损坏（ND）、部分损毁（PD）与完全损毁（TD）三个等级；（3）神经加性模型（NAMs）扩展：将原本用于二分类的标准NAMs扩展至三类损毁分级，学习设施属性与实际损毁状态间的非线性关系；（4）有效样本数法（ENS）处理类别不平衡：通过估计各类别在特征空间中的有效信息体积，对少数类赋予更高权重；（5）计算机视觉（CV）屋顶材料分类：采用ResNet-50图像分类模型对无人机影像中的建筑屋顶进行分类，分类准确率约92%；（6）自动化系统构建：整合地理信息系统（GIS）数据与CV技术，通过NGII API获取卫星影像，提取九项脆弱性指标并计算脆弱性评分。
**四、研究结果**
**4.1 模型性能**
数据集按8:2比例划分训练集与测试集，训练集内采用5折交叉验证。基线模型平均准确率为0.879，无损坏（ND）类召回率平均达0.983，但部分损毁（PD）与完全损毁（TD）类的召回率分别仅为0.157和0.141，呈现明显的多数类偏向。引入ENS方法后，PD与TD召回率分别提升至0.396与0.536，ND召回率降至0.861，整体准确率降至0.815。PD与TD的平均F1分数分别从0.229和0.218提升至0.337和0.398。混淆矩阵显示，基线模型下有97例（36例PD、61例TD）被误分类为ND，ENS模型将该数字降至47例，表明优化模型漏检损毁设施的情况显著减少。
**4.2 优化后的指标权重**
优化结果显示各领域权重发生显著变化：建筑因素从16分升至28分（增幅最大），道路因素从21分升至31分；相比之下，森林因素从35分降至26分，扑救因素从28分降至15分。在单项指标中，屋顶材料特征重要性最高（0.208），获得21分（原10分）；道路宽度从7分升至11分；距消防站距离从14分降至7分；距水源距离从14分降至8分；森林比率从21分降至13分。这一权重转移表明，在500米×500米微尺度分析范围内，建筑物理属性与道路条件对结构存活的决定性作用大于周边森林与扑救因素。
**4.3 优化评分系统的验证**
将原始与优化FWVI评分系统对全部5,127栋设施进行对比验证。高损毁等级（TD）的准确分类数从93栋提升至118栋。但整体准确率从13.0%（667栋）降至11.4%（584栋），原因是占数据集87.6%的ND类准确率有所下降。在优化系统正确分类的584例中，408例与原始系统重叠，176例为优化后新匹配案例。408例重叠案例的评分变化范围为?15至+16分。采用Jenks自然断点法计算的优化评分分类边界为T1=56与T2=71，与现有阈值50和75相差仅+6和?4分，表明优化重新分配了指标权重但未显著扭曲整体评分结构，因此保留现有分级阈值以维持与既有框架的一致性。
**五、讨论与结论**
**5.1 模型性能与评估策略讨论**
在野火脆弱性评估中，评估指标的相对重要性因损毁类别而异。对ND类，精确率最为关键——若受损设施被归类为ND将被排除在进一步检查之外，可能产生危险后果；对PD类，精确率与召回率均重要，F1分数是最适指标；对TD类，召回率最为关键——漏检完全损毁设施可能导致严重后果。ENS方法针对性地提升了各类别最关键的指标：ND精确率从0.894提升至0.938，PD F1分数从0.229提升至0.337，TD召回率从0.141提升至0.536。
**5.2 指标重要性转移的解释**
森林与扑救因素在微尺度边界内方差有限：数据集中的设施多位于林缘区域，周边森林组成与距林缘距离相近；受聚落聚集特性影响，距消防站与水源距离方差较低。相反，道路与建筑因素即使在500米×500米范围内也呈现显著的空间变异。屋顶材料是模型中最具判别力的指标——在受损设施中，可燃屋顶与完全损毁（TD）强相关，而不可燃屋顶更多与承重结构完好的部分损毁（PD）相关，这与不可燃屋顶在缺乏外部干预时限制火焰穿透结构的机制一致。
**5.3 等级一致率与阈值评估讨论**
整体等级一致率11.4%看似偏低，但FWVI等级衡量的是设施对火灾损伤的内在敏感性，而非特定事件中的受损概率。实际损毁结果受指数未涵盖的事件特定灾害因素（如风力条件、火强度、扑救次序）强烈影响。因此，等级一致率应被解读为该特定脆弱性成分与复合损毁结果之间的关联度量，而非确定性预测准确率的直接指标。
**5.4 实践应用与推广**
自动化系统整合计算机视觉与卫星影像，可在商用GPU（NVIDIA RTX 4080）上以每栋建筑约10至20秒的速度提取九项脆弱性指标并计算脆弱性评分。对60至80栋建筑的密集村庄，整体评估约20分钟即可完成。该效率支持其在灾后评估与持续性韧性规划中的广泛应用。设施级脆弱性评分可直接指导加固改造优先级排序，识别可燃屋顶或道路通行受限的结构作为灾前缓解的首要候选对象。该框架的一般方法——从实证损毁数据推导指标权重并自动化提取流程——亦可推广至洪水、滑坡等其他自然灾害的脆弱性评估。
**5.5 局限性与未来方向**
本研究存在若干局限：数据集严重类别不平衡（ND占87.6%），ENS方法仅部分缓解了该问题，PD与TD精确率仍偏低；当前框架局限于静态设施属性，植被含水量、结构年龄等变量未纳入；指标权重反映多个野火场地的综合特征而非场地特定条件。未来研究应通过额外数据采集、数据增强技术或先进采样策略更根本地解决类别不平衡问题，纳入风暴露等额外变量，在更广泛地理尺度上验证框架，并探索针对个别区域的局部权重校准。
**六、研究结论**
本研究以实际野火损毁数据推导的经验权重取代专家分配评分，从而优化了FWVI。基于NAMs的模型量化了九项脆弱性指标的非线性贡献。优化揭示建筑与道路因素的权重大于森林与扑救因素。在500米×500米范围内，建筑特征与道路条件在设施间差异显著，而森林组成及消防资源距离的方差有限。这些权重转移表明，微尺度上的结构存活主要由建筑物理属性和当地基础设施塑造，而非更广泛的环境因素。九项指标中，屋顶材料在所有折中具有最高特征重要性，其影响主要体现在损毁严重程度上——可燃屋顶在受损设施中与更高比例的TD相关。ENS方法通过增强与各类别最相关的指标进一步改善了模型。优化后的FWVI定位为脆弱性筛查与风险优先级排序工具，而非确定性损毁预测模型。所提出的自动化系统整合计算机视觉与卫星影像，减少了对现场踏勘的依赖，使单个村庄可在约20分钟内完成评估，支持其在灾后评估与持续性韧性规划中的广泛应用。
