基于群智能优化CatBoost与分析网络过程的夏威夷州欧胡岛空间野火风险评估

《Environmental Impact Assessment Review》：Spatial wildfire risk assessment for Oahu, Hawaii, using swarm-intelligence-optimized CatBoost and the analytic network process

　　

## 摘要

由于气候变化和入侵物种的扩散，夏威夷群岛的野火问题日益令人担忧。因此，本研究评估了夏威夷欧胡岛的野火风险。研究使用分类提升（CatBoost）算法对野火敏感性进行了建模。为提高模型性能，通过对比分析两种群体智能（SI）元启发式算法——领航者算法（PFA）和麻雀搜索算法（SSA）——优化了其超参数。这些SI方法自动探索了超参数空间并最大化了验证集的预测精度，生成了两个优化模型（PFA-CatBoost和SSA-CatBoost）。随后，利用层次网络过程（ANP）对社会经济脆弱性进行了量化，基于八个社会经济和人口指标，对其进行加权、模糊化并整合为综合指数。野火敏感性分析结果表明，混合模型PFA-CatBoost和SSA-CatBoost的表现优于基线CatBoost模型，其中SSA-CatBoost表现最佳，在测试集上达到了0.984的精度。ANP分析确定，年家庭收入、人口密度和教育水平是与野火脆弱性相关的主要社会经济指标。根据生成的野火风险地图，欧胡岛11.7%的区域属于高风险或极高风险类别。高风险区域主要集中在人口密集的地区，如马卡哈、瓦伊阿内、马伊利、纳纳库利、埃瓦格恩特里、瓦伊帕胡以及檀香山—瓦伊阿莱—卡哈拉的通道。总体而言，所提出的框架为空间野火风险评估提供了一种稳健的方法，支持欧胡岛在野火缓解、土地利用规划和应急管理方面的基于风险决策。

## 引言

由土地利用变化、气候变化和人为火源驱动的野火是夏威夷州的严重灾害（Burgan et al., 1974; Trauernicht et al., 2015; Yelenik et al., 2024）。这些野火可根据主要燃料层分为地表火、树冠火和地下火。地表火是三种类型中最频繁的，主要燃烧草类、灌木和落叶层；树冠火则通过森林树冠蔓延，通常表现出更强的强度和更快的蔓延速率；地下火燃烧地表下的有机物质，如泥炭和腐殖质，可能持续较长时间。这些火类型的发生和行为受燃料特性、天气条件、地形和点火源的相互作用控制，导致火灾严重程度和生态影响存在显著差异（Keeley, 2009; Scott, 2001）。例如，在夏威夷第三大岛欧胡岛，高密度人口、碎片化的景观和陡峭的地形梯度造成了燃料条件和点火风险的显著空间变异性，特别是在背风地区和城市—荒野界面（Giambelluca et al., 2013; Trauernicht et al., 2015）。

夏威夷本土生态系统历史上火灾发生率较低（Trauernicht et al., 2015; Trauernicht, 2019）。然而，降雨模式的近期变化、干旱期的延长、易燃入侵草本植物的扩散以及城市—荒野界面人为活动的增加，改变了夏威夷群岛的历史火灾格局，增加了野火频率以及人类和自然系统对野火灾害的暴露程度（Chu, 1995; D'Antonio and Vitousek, 1992; Trauernicht, 2019）。2005年至2011年间，夏威夷平均每年报告约1007起火灾，每年燃烧约8427公顷（约占该州陆地面积的0.5%）（Trauernicht et al., 2015）。夏威夷的过火面积表现出强烈的季节性，夏季和初秋为高峰，反映了干燥气候条件与人为活动之间的相互作用（Chu et al., 2002; Trauernicht et al., 2015）。

地理信息系统（GIS）、遥感和机器学习的最新进展大大提升了野火监测、敏感性制图和空间风险评估（Sun et al., 2022; Abdollahi and Yebra, 2023; Marjani et al., 2026）。遥感提供了关于植被动态、土地覆盖、过火面积、燃料特性和影响野火发生与行为的环境条件的连续、空间明确的信息（Chuvieco et al., 2014; Abdollahi and Yebra, 2023）。GIS用于整合和分析这些遥感产品与地形、气候和人为数据集，以进行野火敏感性和风险的全面空间建模（Shmuel and Heifetz, 2022）。高质量地理空间数据集的日益可用也促进了机器学习技术的应用，这些技术能够有效捕捉影响野火的复杂非线性关系，并相较于传统统计方法提高预测性能（Jain et al., 2020; Shmuel and Heifetz, 2022）。

影响野火的广泛气候、生态和人为因素使夏威夷的野火管理变得复杂。因此，对这些因素进行空间明确的分析对于确定高火灾敏感性、脆弱性和风险区域至关重要。敏感性描述景观经历和维持火灾的内在倾向，受植被、气候、地形和燃料特性控制（Chuvieco et al., 2014; Choubin et al., 2025）。相比之下，脆弱性指野火对受影响的人口、基础设施和生态系统造成影响的概率和严重程度，受建筑材料、人口密度、紧急服务可达性和恢复能力等参数影响（Cutter et al., 2012; Cardona et al., 2012）。野火风险由敏感性与脆弱性相互作用产生，通常定义为其综合效应或乘积（Scott et al., 2013; Oliveira et al., 2021）。准确估计这三个组成部分对于有效火灾管理至关重要。敏感性制图确定火灾可能点火和快速蔓延的区域，支持燃料管理和应急准备规划（Kalantar et al., 2020）。脆弱性评估识别对火灾影响最敏感的人口、生态系统和财产，使针对性的缓解策略成为可能（Gon?alves et al., 2024）。将敏感性和脆弱性相结合的综合风险评估支持土地利用规划、资源配置和应急准备（Oliveira et al., 2021; Choubin et al., 2025）。

地理空间技术的最新进展通过将环境、气候和人为因素整合到空间模型中，大大改善了野火敏感性和风险评估（Jain et al., 2020; Pugliese Viloria et al., 2024; Choubin et al., 2025）。卫星图像、高分辨率数字高程模型（DEM）、气候再分析产品和土地覆盖数据集的广泛可用性，改善了对影响野火发生和蔓延的植被特征、燃料条件、地形属性和气象变量的表征（Chuvieco et al., 2014; Abdollahi and Yebra, 2023）。这些数据集提供了空间一致的信息，支持更可靠的野火评估。这些高质量地理空间数据集的日益可用也促进了机器学习方法在野火建模中的广泛应用。机器学习模型能够有效表征影响野火的复杂非线性关系，因此通常实现比传统统计方法更高的预测精度和更强的模型鲁棒性（Jain et al., 2020; Alkhatib et al., 2023）。常用算法包括随机森林、极端梯度提升（XGBoost）、支持向量机、朴素贝叶斯、分类回归树和LightGBM，它们已成功应用于各种环境条件下的野火敏感性制图（Janizadeh et al., 2024; Golshan et al., 2026; Yel et al., 2026）。

尽管方法学取得进展，且通过整合多个地理空间数据集提高了预测性能（Alkhatib et al., 2023; Singh et al., 2024; Choubin et al., 2025），大多数以往研究主要关注野火敏感性或野火发生预测，而很少将社会经济脆弱性纳入野火风险评估（Jain et al., 2020; Choubin et al., 2025）。这一局限性在人口稠密的岛屿环境中尤为重要，如欧胡岛，其野火风险不仅受环境条件影响，还受人口分布和社会经济特征影响。因此，需要将先进的机器学习方法与社会经济脆弱性评估相结合的综合方法，以更好地表征这些环境中的野火风险。

欧胡岛在夏威夷群岛中发挥着核心作用，是夏威夷州首府檀香山的所在地。该岛人口为全岛最多，是经济活动、商业、教育、治理和公共管理的主要中心。Tran等人（2023）的一项近期研究主要关注欧胡岛森林地区的野火敏感性，识别了受植被、地形、气候和人为活动影响的空间模式。其结果表明，距道路距离、城市—荒野界面范围和植被类型是敏感性的关键驱动因素。然而，野火脆弱性在其他地区得到了更广泛的研究，包括美国本土（Wigtil et al., 2016）、华盛顿—俄勒冈—加利福尼亚地区（Modaresi Rad et al., 2023）以及澳大利亚黑夏季火灾（2019–2020）期间（Akter and Grafton, 2025）。这些研究整合了敏感性、暴露度和适应能力来评估野火影响。相比之下，以往关于欧胡岛的研究主要关注野火敏感性，尚未为该岛制定全面的野火脆弱性评估和综合野火风险分析。这一差距限制了决策者优先安排缓解措施、有效分配资源和实施针对性土地管理和应急响应策略的能力。解决这一局限性需要将野火敏感性与社会经济脆弱性相结合，为欧胡岛的人类和生态系统提供全面的野火风险框架。

在欧胡岛以往的以森林为重点的敏感性制图基础上（Tran et al., 2023），本研究开发了一个分四个阶段进行的综合全岛野火风险评估。首先，使用基于机器学习的分类提升（CatBoost）模型和9631个点火点开发了增强的敏感性地图，相较于Tran等人（2023）使用的602个点火点有了大幅增加，并确保全岛覆盖。其次，通过使用两种群体智能（SI）算法——领航者算法（PFA）和麻雀搜索算法（SSA）——优化其超参数来提升CatBoost的性能。第三，利用层次网络过程（ANP）开发社会经济脆弱性地图。最后，将优化的野火敏感性和社会经济脆弱性地图整合，生成欧胡岛的空间野火风险地图，结合野火风险的环境和社会经济两个维度。

## 研究区域

欧胡岛面积约为1565平方公里（图1），人口超过100万，尽管开发主要集中在沿海地区。该地区的地质受两座大型盾状火山岩体影响——瓦伊阿内山脉和较年轻的考奥劳山脉，两者被一条宽阔的中央山谷分隔。因此，岛屿地形从海平面到海拔超过1200米不等，形成了强烈的地形梯度，产生湿润的迎风坡和干旱的

## CatBoost超参数的元启发式优化

为确保SSA-CatBoost与PFA-CatBoost之间的一致且可重复的比较，两种优化算法均采用相同的配置设置，包括种群大小为50、100个优化迭代、二元对数损失目标函数和固定随机种子42。在这些设置下，每个优化算法评估了约5000种不同的参数组合以识别最优模型参数，实现迭代探索与开发。

## 结论

本研究提出了一个夏威夷欧胡岛野火风险评估的综合框架，将基于机器学习的野火敏感性制图与社会经济脆弱性分析相结合。该框架将CatBoost算法与两种群体智能优化技术——麻雀搜索算法（SSA）和领航者算法（PFA）——相结合，同时使用ANP—模糊逻辑方法来表征野火脆弱性。这种组合使得野火风险能够

## 披露

在准备本工作过程中，作者使用了ChatGPT以提高论文的可读性。在使用该工具/服务后，作者审阅并编辑了所需的内容，并对已发表文章的内容承担全部责任。

## 利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。

## 致谢

本研究由夏威夷州议会资助。

## 作者信息

Helaleh Khoshkam|Saeid Janizadeh|Sayed M. Bateni|Dongkyun Kim|Changhyun Jun
夏威夷马诺阿分校土木、环境与建筑工程系及水资源研究中心，檀香山，夏威夷州96822，美国