优化野生地与城市边缘区的划分:基于建筑层面的暴露评估框架

《Journal of Environmental Management》:Refining Wildland–urban interface delineation: A building-level exposure assessment framework

【字体: 大 中 小 】 时间:2026年08月12日 来源:Journal of Environmental Management 9.2

编辑推荐:

  摘要传统的城乡交界带划分通常依据建筑密度、植被覆盖度和距离等固定阈值,而这些标准可能无法充分反映不同景观中建筑在火灾风险方面的差异。本文提出一种基于建筑层面火灾暴露风险来划分城乡交界带的方法。我们构建了两个随机森林模型,用以量化建筑物的暴露状态和暴露强度。通过Shapley加性解

  

摘要

传统的城乡交界带划分通常依据建筑密度、植被覆盖度和距离等固定阈值,而这些标准可能无法充分反映不同景观中建筑在火灾风险方面的差异。本文提出一种基于建筑层面火灾暴露风险来划分城乡交界带的方法。我们构建了两个随机森林模型,用以量化建筑物的暴露状态和暴露强度。通过Shapley加性解释法和偏依赖图确定了关键预测因子及阈值,从而识别出具有高暴露风险的建筑物及其周边植被。建筑密度和植被火灾蔓延指数与暴露状态密切相关,而植被密度则主要影响相对暴露强度。在所划分的城乡交界带中,历史火灾区域占比为5.25%,而采用联邦登记体系划分时这一比例为2.42%。同样,历史上曾遭受火灾影响的建筑物在所划分的城乡交界带中所占比例為24.48%,相比之下,联邦登记体系下的这一比例为18.65%。通过将建筑物选择与周边野生植被联系起来,该框架为局部建筑暴露风险评估及差异化的野火防控提供了空间依据。

引言

城乡交界带通常指建筑物与未开发的野生植被相接或相互混杂的区域(Radeloff等人,2005年)。它包括城市边缘地带、分散的居民点以及城市内部或周边的植被斑块(Gonzalez和Ghermandi,2024年)。当野火发生在这些区域,或从周边森林蔓延至居民点时,会威胁到人们的生命、建筑物、基础设施以及当地经济(Kramer等人,2018年)。近年来,气候变化、土地利用变化以及人类活动使得极端野火事件的风险不断增加(Burton等人,2024年;Z. Wu等人,2022年)。根据联合国环境规划署2022年的野火报告,更炎热、更干燥且火季更长的气候条件为野火爆发创造了更有利的条件。与此同时,人口增长、人口分布变化以及城市扩张使得更多建筑物位于易发生火灾的区域内(Benassi等人,2023年;Chas-Amil等人,2013年;Guo等人,2024年)。因此,城乡交界带测绘不仅能够描述建筑物与植被之间的接近程度,还能为防火资源分配、防御空间规划以及社区层面的风险管控提供依据。
自20世纪90年代提出城乡交界带概念以来(Davis,1990年),它便成为野火政策与风险管理中的重要空间单元(Taccaliti等人,2023年)。Radeloff等人(2005年)提出的联邦登记体系是应用最为广泛的城乡交界带划分方法之一。该方法根据住宅密度、植被覆盖度以及与密集野生植被区域的距离来区分混合型与界面型的城乡交界带。其明确的阈值有助于在大范围内进行可重复的测绘,并为后续的区域性和全球性城乡交界带数据集的建立提供了参考。
现有的城乡交界带测绘研究通过基于区域、基于建筑以及针对不同区域进行适应性调整的方法对这一框架进行了拓展(见表1)。测绘单元也从汇总单元如普查区块,发展为建筑点、建筑轮廓以及规则网格。此外,滑动窗口也被用于分析建筑物与周边植被之间的空间关系(Bar-Massada等人,2023年;S. Li等人,2022年;Radeloff等人,2005年;Schug等人,2023年)。除了住宅或建筑密度以及植被覆盖度之外,划分标准还纳入了植被聚集程度、燃料类型与连续性以及建筑物与植被之间的距离等因素(Conedera等人,2015年;Johnston和Flannigan,2018年;Lampin-Maillet等人,2010年)。一些研究还利用观测到的火灾记录和机器学习模型来构建经验性的城乡交界带指标或确定区域阈值(Hanberry,2020年;Miranda等人,2020年;Tikotzki等人,2023年)。最近的研究则利用高分辨率影像获取建筑物和植被信息,并通过区域样本或历史野火模式来校准植被覆盖度阈值、缓冲距离以及其他划分参数(Dang等人,2026年;Jiang等人,2025年)。
尽管这些研究提升了城乡交界带测绘的空间细节程度和区域适应性,但阈值解读以及尺度转换问题仍未得到解决。基于规则的方法通常采用固定的住宅密度、植被覆盖度以及相邻距离阈值,然而,所划分的城乡交界带范围及其与建筑物损失之间的关系可能会因所选标准及空间尺度的不同而有所差异(Caggiano等人,2020年;Xia等人,2026年)。因此,城乡交界带的定义可能需要根据不同区域进行调整,而非直接在不同景观之间套用(Elio Medina等人,2025年)。这一问题在阿尔伯塔省北部尤为突出。该地区拥有广阔连片的森林、分散的以资源开发为生的居民点以及工业设施,近年来野火发生频率日益增加(W. Li等人,2025年)。在这种环境下,统一的植被覆盖度阈值或缓冲距离虽然能表明建筑物靠近植被,却无法判断它们是否处于历史上曾发生过野火的区域。此外,许多方法仍然以区域、网格或土地覆盖斑块作为测绘单元,这类单元虽适合描述宏观空间格局,却难以识别出决定城乡交界带边界的单个建筑物。
另一个相关局限在于,许多城乡交界带地图与建筑层面的暴露风险之间关联较弱。在野火风险分析体系中,危险性指的是火灾发生的可能性和潜在强度,而暴露风险则是指可能受影响的区域中是否存在重要资产,损失程度则还与脆弱性有关(Chuvieco等人,2023年)。建筑物既是直接的防护目标,也是实施野火防控措施的实用载体(Moritz等人,2014年)。即便有研究将机器学习技术应用于城乡交界带划分,也多用于基于点或网格模拟火灾发生情况或区域风险,或是从影像中提取建筑物和植被的特征(Miranda等人,2020年;Dang等人,2026年)。因此,单个建筑物通常只是作为空间输入数据或暴露风险较高的资产纳入分析,而非用于建模建筑物与植被之间暴露关系的响应单元。以单个建筑物作为分析单元,能够让这些暴露关系直接为城乡交界带的划分提供依据。
本研究基于建筑物的暴露风险潜力开发了一种城乡交界带划分方法,并将其应用于加拿大阿尔伯塔省北部的伍德布法罗地区市和大草原城。阿尔伯塔省北部是开展此项研究的理想区域,因为那里日益有利的气候条件与连续的北方森林植被、不断扩大的居民点以及分散的与资源开发相关的基础设施相互叠加。这些气候与发展压力共同加剧了城乡交界带地区的野火风险。本研究整合了多源遥感数据、建筑物轮廓信息以及2012年至2021年的历史火灾区域记录。通过随机森林模型分析了在历史野火影响下建筑物的暴露状态和暴露强度,进而利用Shapley加性解释法和偏依赖图确定关键预测因子并得出特定场景下的阈值。这些阈值用于筛选出具有高暴露风险的建筑物,再将这些建筑物以及能够助长火势蔓延的周边野生植被一起划定为城乡交界带。最后,将所得结果与基于联邦登记体系的划分结果进行对比,分析在识别历史上曾遭受野火影响的建筑物和区域方面的差异。该框架为北方森林地区的针对性野火管理提供了空间依据。
本文的其余部分结构如下:第2节介绍了研究区域与数据集、建筑层面暴露指标的构建方法、随机森林建模过程、阈值确定方式以及城乡交界带的划分步骤。第3节阐述了模型的验证与解读结果、所确定的阈值、所划分的城乡交界带的空间分布特征,以及其与基于联邦登记体系划分结果的对比情况。第4节分析了与建筑物和植被相关的变量作用,探讨了阈值在不同场景下的适用性以及两种划分方法的差异,并分析了它们在管理实践中的意义。第5节总结了本研究的主要发现与局限性,同时指出了未来进一步完善该方法的重点方向。

章节要点

研究区域

本研究区域位于加拿大阿尔伯塔省北部,包括伍德布法罗地区市和大草原城两个行政区。加拿大是全球受野火影响最严重的国家之一。根据国家林业数据库统计,该国每年会发生超过8000起野火,平均每年烧毁的面积超过210万公顷。2016年的麦克默里堡野火是阿尔伯塔省伍德布法罗地区发生的最严重的野火事件之一,那次灾害迫使

预测因子对建筑物野火暴露风险的影响

在主要的2公里空间区块交叉验证模式下,暴露状态分类器的ROC–AUC值为0.862±0.043,而在相应的80:20随机分割验证模式下,这一数值上升至0.939。同样,暴露强度回归模型的R2值在空间区块交叉验证模式下为0.365±0.075,而在随机验证模式下则为0.732。可见,在随机分割验证下的模型性能更为优异,这说明空间随机采样得出的模型估计值往往更为乐观

影响建筑物野火暴露风险的关键预测因子

研究表明,建筑物的暴露状态和暴露强度与不同的预测因子群体相关。暴露状态模型更多地受到描述居民点分布特征以及周边火灾蔓延潜力的因素影响,而暴露强度模型则更依赖于建筑物周边植被的相关状况。这一差异表明,建筑物的野火暴露发生情况和强度虽存在关联,但属于不同范畴

结论

本研究以阿尔伯塔省北部为案例,构建了一种以建筑层面暴露风险为依据的城乡交界带划分框架。通过构建两个随机森林模型,分别分析了建筑物的暴露状态和暴露强度。植被火灾蔓延指数综合考虑了植被类型、连通性以及与建筑物的距离等因素。模型分析结果显示,建筑密度和植被火灾蔓延指数是影响建筑物暴露状态的主要因素,而植被密度则对暴露强度的影响更为显著。这些通过模型建立的关联关系

关于 manuscript 制备过程中生成式人工智能及人工智能辅助技术的声明

在撰写本文的过程中,作者仅使用OpenAI的ChatGPT-5工具进行语言润色工作。在使用该工具后,作者对内容进行了必要的审阅和修改,并对最终发表文章的内容承担全部责任。

CRediT作者贡献说明

王子萌:概念构思、正式分析、方法设计、初稿撰写。李文瑞:概念构思、正式分析、修订编辑。王凌宇:可视化处理、修订编辑。廖远红:方法设计。娄书涵:概念构思。陈周:修订编辑。臧明润:可视化处理。白宇琪:概念构思、方法设计、监督指导、修订编辑。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢

本研究得到了中国国家重点研发计划的资助(项目编号:2022YFB3903703)。
Zimeng Wang|Wenrui Li|Lingyu Wang|Yuanhong Liao|Shuhan Lou|Zhou Chen|Mingrun Zang|Yuqi Bai
中国北京市100084,清华大学地球系统科学系、东亚候鸟生态野外站、全球变化研究院
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