使用机器学习技术进行火灾风险评估：以中国济南市为例

为什么一个城市的火灾风险关乎每个人

随着城市规模扩大和夏季愈加炎热，曾被视为罕见的火灾正变得更频繁且破坏性更大。本研究以中国东部快速发展的城市济南为例，提出一个简单而紧迫的问题：火灾最有可能在何处、何时发生？通过融合卫星数据、城市地图与现代计算学习技术，研究者展示了如何精确识别高风险区域，并利用这些信息更好地保护居民、住宅及邻近森林。

将火灾视为城市范围内的整体模式

研究团队没有将每起火灾视为孤立事件，而是把济南看作一个整体系统。他们收集了2001年至2024年间通过卫星检测到的7500余起火灾记录，并将其与15项环境因子配对。这些因子包括天气（如降雨、温度、风和湿度）、地形（高程、坡度和坡向）、植被（活性绿度与地表覆盖类型）以及人类活动迹象（人口密度和与道路、河流的距离）。所有数据被转换成具有统一分辨率的图层，从而可以用相同方式描述城市中每一点：该地通常多湿或多干、坡度如何、植被状况如何以及人类活动的密集程度。

教会计算机识别危险区

为将这堆信息转化为有用的预测，作者测试了五种不同的机器学习方法。这些方法从常见的随机森林和支持向量机，到更先进的技术，包括Light Gradient‑Boosting Machine和一种称为卷积神经网络（CNN）的深度学习系统。每个模型都经过训练以区分曾发生火灾的位置与未记录火灾的类似位置。然后使用整体准确率、错过火灾与误报之间的平衡，以及反映模型区分风险与安全能力的曲线评分（即AUC）等指标来评估模型对新、未见位置的分类表现。

地图揭示了火灾发生的时空格局

表现最好的工具是CNN和LightGBM模型，两者均能在五次预测中正确识别出超过四次的高危位置，并取得很高的AUC分数。CNN略有优势，尤其在划定安全区与高风险区的边界时更为清晰。其风险图呈现出一种被描述为“三区两带”的独特格局：最易发生火灾的地点集中在市中心及南部城市区周边，并由两条贯穿或纵向的高风险带连接。北部平原与远南的高山总体风险较低。分析还突出了最具影响力的因素：土地利用/覆盖及植被绿度是最强的驱动因素，甚至比长期平均温度或降雨更重要。换言之，人类如何塑造和破碎景观，以及可燃物的存在量，在许多情况下与背景气候一样或更为重要。

季节、街区与人类习惯

济南的火灾风险在一年中并非恒定。通过将季节性数据输入CNN，作者发现春季和夏季尤为突出。春季高风险区域分布最广，部分原因与传统户外仪式在干草地或林地附近用火有关。夏季的实际火灾数量最多，集中在建成区——高温、用电高峰和户外活动共同导致危险增加。秋季的风险散布在农业区与山地边缘，常与焚烧残余作物有关；冬季则集中在干燥植被和农村及林区的取暖行为。按行政区统计风险时，淮阴区位列防范优先，其次为天桥、钢城和章丘，提示这些地区的消防服务和公众教育可能带来最大效益。

对更安全城市的启示

对非专业读者而言，主要结论是城市及其周边的火灾既非完全随机也非不可避免。通过学习过去事件并从天气、地形、植被与人类活动中读取微妙信号，现代算法可以绘制出详细的风险地图，明确应优先巡查、升级老旧电线、管理植被与限制明火焚烧的地点。在济南，研究显示城市扩张逼近易燃绿地是导致问题的关键要素。这一模式在世界许多城市中亦可见。像本文所用的基于CNN的地图方法，为地方当局提供了一种务实的手段，以在下一轮火灾季来临前采取预防措施，而非事后被动应对。

引用: Wei, G., Han, GS. & Lang, X. Fire risk assessment using machine learning techniques: a case study of Jinan City, China. Sci Rep 16, 6410 (2026). https://doi.org/10.1038/s41598-026-37074-0

关键词: 城市火灾风险, 机器学习, 卫星数据, 卷积神经网络, 灾害防范