基于人工智能的建筑物森林火灾脆弱性评估框架的开发与评估

《International Journal of Disaster Risk Reduction》：Development and evaluation of an AI-based framework for bushfire vulnerability assessment of buildings

　　

摘要

森林火灾（灌木火灾）灾害日益威胁着灌木地带-城市交界区（Bushland Urban Interface, BUI）的建筑物，但由于复杂的建筑-火相互作用、有限的实验数据以及缺乏全面且针对具体构件的评估框架，财产层面的风险评估十分困难。人工智能（Artificial Intelligence, AI）和遥感技术的最新进展已大幅增强了建筑围护结构部件（Building Envelope Components, BECs）的自动化检测与特征描述能力。这些BECs是往往增加森林火灾损坏可能性和严重程度的关键决定因素。然而，将这些检测能力与BECs的稳健定量热传递建模相结合的研究仍然有限。本研究提出一个基于AI的框架，用于支持森林火灾风险评估，该框架将BEC检测与物理引导的最大背面（非火暴露面）表面温度（??_max）估算相结合，将后者作为关键热响应变量。研究使用来自澳大利亚昆士兰州的Google街景图像，训练并微调了多个深度学习（Deep Learning, DL）目标检测模型，包括YOLO系列变体和基于提示条件的基础检测模型Grounding DINO，以检测住宅BECs。此外，研究还训练并评估了多个机器学习（Machine Learning, ML）模型，以确定在森林火灾条件下估算所检测BECs的??_max的最佳方法。??_max模型基于昆士兰理工大学（Queensland University of Technology, QUT）风与火灾实验室（Wind and Fire Laboratory, WAFL）对住宅墙体及窗户材料进行的受控火灾试验获得的实验数据，以及使用火灾动力学模拟器（Fire Dynamics Simulator, FDS）针对火焰区（Flame Zone, FZ）暴露曲线生成的模拟数据进行训练。基于DL的BEC检测模型达到了0.78的mAP50，而用于估算??_max的最优ML模型对墙体和窗户的最小均方根误差（RMSE）达到2°C。所提出的框架通过将检测能力与热传递建模相结合，实现了可扩展的、构件层面的森林火灾脆弱性评估。全面的评估需要将估算的??_max值与各BEC的既有温度阈值进行系统比较。

**基于人工智能的建筑物森林火灾脆弱性评估框架研究解读**

**一、研究背景与问题**

森林火灾（bushfire，也称野火或林火）是澳大利亚最显著的自然灾害之一，人为气候变化和城市向火灾易发景观的快速扩张正不断加剧其严重程度。2019–2020年“黑色夏季”森林火灾等历史性大规模事件充分证明了建筑物准备不足导致的灾难性后果，包括前所未有的经济损失、关键及住宅基础设施的广泛破坏以及重大人员伤亡。灌木地带-城市交界区（Bushland Urban Interface, BUI）的持续住宅增长增加了暴露风险和结构脆弱性。澳大利亚许多火灾易发地区的住宅建筑在设计时并未明确考虑森林火灾危害，因而缺乏抵御此类事件所需的结构配置和材料性能。

澳大利亚标准AS 3959通过为定量定义的森林火灾暴露条件规定建筑要求，推动了森林火灾韧性设计的发展。森林火灾攻击等级（Bushfire Attack Levels, BALs）根据预测辐射热通量分为BAL-LOW、BAL-12.5、BAL-19、BAL-29、BAL-40和BAL-FZ（火焰区）等级。然而，建筑围护结构部件（Building Envelope Components, BECs）作为能显著影响森林火灾风险的关键参数，在火灾风险评估中往往未被充分纳入。过往火灾事件的实证观察表明，BECs是财产损失升级的关键诱因。因此，识别给定建筑的具体BECs并表征其在森林火灾暴露条件下的热行为，对于有效缓解相关风险至关重要。

现有研究虽已采用基于BAL的暴露协议评估建筑脆弱性，但将自动化BEC识别与构件级热响应估算相结合的研究仍然有限。与此同时，人工智能（Artificial Intelligence, AI）和遥感技术的最新进展为开展更可扩展、更系统、更数据驱动的评估创造了机会。然而，尽管基于BAL的方法已被广泛采用，基于AI和其他数据驱动的方法在BAL特定条件下对单个BECs进行详细脆弱性评估方面仍未得到充分利用。这一研究空白促使了本研究所提出的基于AI的框架的建立。

**二、研究内容与核心发现**

本研究旨在论证一个基于AI的框架在评估森林火灾对BECs诱发风险方面的可行性。该框架将BEC检测与物理引导的最大背面表面温度（??_max）估算相结合。检测模块针对四种BEC类别（Window、Roof、Door_G（车库门）和Door_F（前门）），这些被视为导致森林火灾风险升级的关键因素。由于墙体在街景图像中通常表现为连续立面背景而非适合边界框目标检测的离散实例，因此未设专门的“Wall”类。然而，墙体作为主要受火暴露BEC，在热响应模块中仍是核心对象。由于目前仅有墙体与窗户组件的实验验证数据集，当前的??_max估算仅限于墙体和窗户。

研究得出以下主要结论：在所有评估的深度学习（Deep Learning, DL）目标检测模型中，YOLOv11l表现最佳，取得了最高的mAP50（0.7779）和mAP50-95（0.5620）；基于机器学习（Machine Learning, ML）的??_max估算模型中，AdaBoost回归器对墙体和窗户均表现最优，RMSE分别为2.24°C和3.13°C。该框架通过集成检测能力与热传递建模，实现了可扩展的、构件层面的森林火灾脆弱性评估。全面评估需将估算的??_max值与各BEC的既有实验温度阈值进行系统比较，以推导定量的脆弱性指数。

**三、主要关键技术方法**

研究人员采用双流AI工作流，将BEC检测与??_max估算相结合。关键技术方法包括：（1）基于Google街景图像构建BEC检测数据集，数据来源于澳大利亚昆士兰州五个研究地点（Sunnybank Hills、Springfield、Bulimba、Buderim和Pacific Pines），共1466幅图像代表799栋独栋住宅；（2）采用六种YOLO模型变体（YOLOv8l/x、YOLOv11l/x、YOLOv26l/x）及Grounding DINO基础模型进行目标检测训练与评估；（3）使用火灾动力学模拟器（Fire Dynamics Simulator, FDS）生成合成热响应数据集，并结合WAFL、QUT受控火灾试验的实验数据；（4）训练多种ML回归模型（集成模型、线性模型、支持向量回归和K近邻）用于??_max估算，采用七折交叉验证和保守超参数设置防止过拟合。

**四、研究结果**

**4.1 BEC检测性能**

在所有评估模型中，YOLOv11l取得最高整体性能，mAP50为0.7779，mAP50-95为0.5620。YOLOv26x表现相当（mAP50为0.7713，mAP50-95为0.5595），紧随其后的是YOLOv26l（mAP50-95为0.5556）。Grounding DINO性能相对较低（mAP50为0.5298，mAP50-95为0.3821），表明有监督YOLO模型在此封闭集检测任务中更为可靠。

**4.2 类别级性能分析**

Door_G（车库门）在所有模型中持续取得最高检测性能，YOLOv11l的AP50最高（0.9529），YOLOv26l的AP50-95最高（0.8022）。Door_F（前门）是最具挑战性的类别，各模型AP50-95均相对较低，YOLOv11l取得最高值（0.4057）。YOLOv26x在Roof类别表现最佳（AP50-95为0.5240），YOLOv11l在Window类别取得最高分（AP50-95为0.5518）。

**4.3 检测结果定性视觉评估**

定性评估与定量结果一致。YOLOv8x在某些情况下优于YOLOv8l，特别是车库门部分被植被遮挡时。YOLOv11变体在屋顶检测方面有所改进，但车库门类别仍具挑战性。YOLOv26变体误检较少，但在构件较小或部分可见时会漏检。Grounding DINO经常混淆窗户和门，且对车库门和前门存在语义模糊。

**4.4 最大温度（??_max）估算模型**

**墙体??_max估算模型：** AdaBoost回归器被确定为估算墙体??_max的最适模型，RMSE为2.24 ± 1.58°C，??2为0.991，且在±5°C公差带内的预测准确率达到95.6%，MAE仅为1.31°C，显示出高鲁棒性和可重复性。

**窗户??_max估算模型：** AdaBoost回归器再次表现出最高性能，RMSE为3.13 ± 3.64°C，MAE为1.91 ± 1.46°C，??2为0.9861，在±5°C公差带内达到96.4%准确率。然而，RMSE标准差较大（3.64°C对比墙体的1.58°C），表明窗户模型的估算精度在不同数据分区间的稳定性较差，这反映较小的样本量、百叶窗-气隙-玻璃的层叠结构以及窗户热响应对边界条件的更高敏感性。

**五、讨论与结论**

讨论部分指出，YOLOv11l的最佳整体性能和AdaBoost模型的高预测精度符合脆弱性评估常用的工程公差阈值。窗户模型更高的逐折变异性表明其精度在某些验证折中有所下降，这反映数据集的有限性和窗户组件更复杂的热传递机制。当前框架的自动化程度仍为部分自动化，??_max估算仍需要用户输入材料类型、厚度和BAL。研究人员强调，所提出的方法可整合实证数据集进行再训练或微调，并通过迁移学习策略利用物理信息特征表示来增强泛化能力。该框架在单体资产层面可快速评估改造方案和材料替代方案，支持基于证据的森林火灾风险减缓投资决策。

研究结论表明，将AI技术与FDS热传递建模相结合，能够准确估算BECs的??_max，从而实现对完整建筑围护结构的BEC特定森林火灾暴露和脆弱性评估。在所有评估的DL目标检测模型中，YOLOv11l表现最佳，取得最高mAP50（0.77）和最高mAP50-95（0.5620）。??_max估算精度为墙体模型RMSE 2.24°C和窗户模型RMSE 3.13°C。利用所提出的方法，任何建筑都可系统评估BEC特定的森林火灾暴露脆弱性。该框架支持定制化的森林火灾风险评估，以及为BUI中的居民、建筑商和消防安全专业人员制定森林火灾韧性设计或改造策略。虽然该项工作尚非完整的森林火灾风险评估系统，但提供了一种可进一步发展为此类系统的稳健方法。