基于SW-DBSCAN算法的森林灭火任务区域划分方法

为什么更智能的火线很重要

当发生重大森林火灾时，消防人员不仅与火焰赛跑，还要与混乱作斗争。一条火线可能延伸数十公里，有的路段火势迅猛推进，有的渐趋减弱，有的威胁民宅或电力线路。决定每队人员去向是生死攸关的难题。本研究提出了一种自动将那条漫长、不断变化的火线划分为可操作作业区的新方法，从而使人员、直升机和无人机能在正确的时间被派往正确地点。

把移动的火势分解成可控的部分

作者关注的是野火应对中的一个关键步骤：将火线划分为一组连续的任务区域，每个区域内条件相似。在任一火线段上，部分地带比其他地带更危险。火头以猛烈火焰最先冲出，火尾则缓慢蔓延，侧翼介于两者之间。此外，可能存在需要优先保护的房屋、文化遗址或有价值的林地。目标是将火线上相邻且在行为、地形、天气和保护需求上相似的点分组，使每个组成为对一支灭火队伍的一致任务分配。

从原始模拟数据到智能地图

为检验其方法，研究人员使用了加利福尼亚纳帕县橡树山谷地区的详细火情模拟。他们从FlamMap火灾模拟器中提取了十条独立火线，总计约282公里。对这些火线上每一点，他们构建了包含十个要素的描述：风向与风速、火势强度、坡向与坡度、林冠密度、燃料类型、火势是否在上坡传播、该点是否为火头/火尾/侧翼，以及是否存在关键保护目标。所有这些数值都被缩放到共同范围内，以免某一因素仅因数值范围较大而主导结果。

为火前线量身定制的聚类工具

工作的核心是改进的聚类技术SW-DBSCAN。标准DBSCAN是寻找数据点密集簇并忽略散点噪声的常用方法，但在本场景下有两个缺点：它可能将火线上物理上相距较远但数值相似的部分合并，以及不将关键位置（如火头或需保护建筑）视为特别重要。新版本引入了两项改进。首先，采用“滑动窗口”，限制每个点仅考虑火线短区段内的邻居，这有助于保持任务区在空间上的连续性。其次，对标示关键对象和火段类型的特征赋予额外权重，从而增加例如火头与火尾之间的有效距离，即使它们在其他特征上相似。这样更容易将应采用不同战术的关键段分开。

测试性能并调整参数

作者考察了若干参数如何影响算法行为。通过提高关键对象和火段类型的权重，他们发现方法在正确标识火头、火尾、侧翼和保护区方面显著改进，但这也带来略多的孤立点被视为离群值。调整滑动窗口长度显示出权衡：窗口过短会使许多点孤立，过长则会导致簇在火线方向上失去连续性。他们还调整了邻域半径和形成核心簇所需的最小邻居数，这些参数分别影响火线被划分的精细程度以及被丢弃为噪声的点数。最佳设置在可识别性、连续性和低离群率之间取得了平衡。

新方法与其他方法的比较

为评估SW-DBSCAN在实际中的帮助程度，研究人员将其与三种其他空间聚类方法进行了比较：标准DBSCAN、OPTICS和HDBSCAN。他们衡量了每个簇沿火线的连续性、关键区域的识别准确度、被当作离群点的数量、簇的紧凑度与分离度，以及算法运行时间。SW-DBSCAN生成的簇在连续性方面明显优于其他方法，同时几乎正确识别了所有关键对象和火段。它的运行速度快于备选方法，并在十条不同火线上表现稳定。尽管其离群率比标准DBSCAN略高，但保持在约十％以下，作者认为这一水平对该应用是可接受的。

对火线人员的意义

简单来说，这项工作提供了一种更智能的方式在火图上划分区域。与工程人员根据经验和粗略判断手工划分火线不同，SW-DBSCAN方法可以自动建议连续且易于区分的任务区域，突显快速推进的火头和敏感位置。进而，这可以支持更精确地部署队伍、航空器和装备，可能减少损失并挽救生命。作者指出，在系统能完全投入实战前，还需要更多实地数据、更多地区的测试以及未来改进——例如识别不同类型的保护对象和处理随时间变化的火线。不过，这一步标志着朝向数据驱动野火战术、将危险复杂性降到可控水平的重要进展。

引用: Huang, Q., Huang, Y. A forest firefighting task area division method based on the SW-DBSCAN algorithm. Sci Rep 16, 14089 (2026). https://doi.org/10.1038/s41598-026-42407-0

关键词: 森林火灾管理, 野火任务规划, 聚类算法, DBSCAN, 应急响应