城市區(qū)域火災(zāi)事件分布規(guī)律及概率密度預(yù)測(cè)

馬 礪，黃 霄，高建勛，苗建敏，張鵬宇

(1.西安科技大學(xué) 安全科學(xué)與工程學(xué)院，陜西 西安 710054；2.中化舟山危化品應(yīng)急救援基地有限公司，浙江 舟山 316000)

0 引 言

城市火災(zāi)防范對(duì)于公共安全至關(guān)重要，掌握城市區(qū)域內(nèi)火災(zāi)事件的分布規(guī)律對(duì)有效地防范城市火災(zāi)意義重大[1-2]。城市區(qū)域火災(zāi)發(fā)生概率受到眾多因素影響，如人口密度、自然因素、交通通達(dá)性[3]等，同樣，區(qū)域的功能性也會(huì)影響火災(zāi)發(fā)生概率，如商業(yè)服務(wù)較多的地區(qū)更易發(fā)生火災(zāi)。由于引起火災(zāi)的各個(gè)環(huán)境因素以及致災(zāi)條件都隨著時(shí)間和空間發(fā)生變化，地理環(huán)境的不確定性也影響著火災(zāi)事件的時(shí)空分布。為了提高消防安全管理的有效性，需要分析城市區(qū)域火災(zāi)事件分布規(guī)律，為消防安全策略的制定及消防資源的有效配置提供依據(jù)[4-5]。

國(guó)內(nèi)外研究人員從不同角度研究了城市區(qū)域火災(zāi)特點(diǎn)和防控方法[6]。1976年，美國(guó)的BERTRAND等學(xué)者研究了人口因素對(duì)城市火災(zāi)風(fēng)險(xiǎn)的影響[7]；2007年，澳大利亞的CORCORAN等學(xué)者采用空間分析技術(shù)探索火災(zāi)事件的空間和時(shí)間動(dòng)態(tài)，通過火災(zāi)的動(dòng)態(tài)分析揭示了火災(zāi)時(shí)空集中的趨勢(shì)[8]；2010年，土耳其的NISANCI等學(xué)者對(duì)2005—2008年城市中心的火災(zāi)記錄進(jìn)行分析，發(fā)現(xiàn)GIS技術(shù)有助于確定消火栓的最佳分布位置，為城市消防安全管理提供支持[9]。國(guó)內(nèi)對(duì)城市火災(zāi)的研究起步較晚，張曉祥等基于GIS研究了2002—2013年南京城市火災(zāi)的時(shí)空動(dòng)態(tài)，從空間、時(shí)間和時(shí)空3個(gè)方面研究了占火災(zāi)總數(shù)50%左右的住宅火災(zāi)和設(shè)施火災(zāi)的變化，據(jù)此為防火規(guī)劃的提前制定提供了依據(jù)[10]；張玉濤等從發(fā)生時(shí)間及空間分布方面研究了2007—2016年間我國(guó)重特大火災(zāi)事故分布規(guī)律[11]，發(fā)現(xiàn)了火災(zāi)發(fā)生頻率最高的前3名場(chǎng)所分別為賓館、加工廠以及商業(yè)建筑；董新明等采用火災(zāi)風(fēng)險(xiǎn)綜合評(píng)價(jià)對(duì)山東省臨沂市蘭山區(qū)的建筑火災(zāi)風(fēng)險(xiǎn)進(jìn)行了識(shí)別及評(píng)價(jià)，優(yōu)化了消防力量配置[12]。通過以上分析可知，城市火災(zāi)研究有許多的理論和方法，針對(duì)城市區(qū)域規(guī)律的發(fā)展，火災(zāi)的時(shí)空分布規(guī)律還需要得到充分研究，在市域尺度上的城市火災(zāi)發(fā)生概率的建模非常少。因此，考慮到城市區(qū)域快速發(fā)展帶來風(fēng)險(xiǎn)的不確定性及一旦發(fā)生火災(zāi)后果的嚴(yán)重性，研究城市區(qū)區(qū)域火災(zāi)分布規(guī)律及預(yù)測(cè)方法對(duì)城市火災(zāi)防控具有重要意義。

以西安市某城區(qū)為研究對(duì)象，分析2017—2019年間發(fā)生火災(zāi)空間分布規(guī)律，采用小波分析法研究火災(zāi)時(shí)間序列，利用核密度法對(duì)影響因素重要度較大的場(chǎng)所進(jìn)行概率密度分析；基于隨機(jī)森林機(jī)器學(xué)習(xí)算法對(duì)火災(zāi)易發(fā)程度進(jìn)行預(yù)測(cè)。

1 區(qū)域火災(zāi)事件與研究方法

1.1 區(qū)域概況及火災(zāi)事件

選取西安市某城區(qū)為研究對(duì)象，該城區(qū)總面積為159.3 km2，包含5個(gè)街道辦，35個(gè)社區(qū)，此外還有107個(gè)行政村。從陜西省消防力量云平臺(tái)獲取2017—2019年期間該城區(qū)內(nèi)發(fā)生的879起火災(zāi)案件，數(shù)據(jù)屬性包括火災(zāi)事件發(fā)生地址、火災(zāi)種類、接警時(shí)間及處理過程等信息。

區(qū)域火災(zāi)事件的發(fā)生受人口密度、道路通達(dá)性、等多種因素影響。本研究將研究區(qū)域的類別、人口、道路等因素相結(jié)合，同時(shí)為了預(yù)測(cè)該城區(qū)火災(zāi)發(fā)生概率，通過與文獻(xiàn)的比較分析，選取500 m作為柵格網(wǎng)格的尺寸[13]，并據(jù)此建立起所需的因素特征集。

人口密度分析：泰森多邊形是利用調(diào)查期間所統(tǒng)計(jì)的居民點(diǎn)位置在ArcGIS 10.4中生成的，將該多邊形與研究區(qū)作疊置分析[14]。運(yùn)用VBA代碼計(jì)算各個(gè)泰森多邊形的面積后進(jìn)行屬性存貯，輸入居民點(diǎn)人口總數(shù)并進(jìn)行屬性存儲(chǔ)，然后除以相應(yīng)多邊形的面積即可得到以泰森多邊形為邊界的人口密度。通過疊置分析得到每個(gè)網(wǎng)格的人口密度信息，將人口密度矢量圖轉(zhuǎn)為柵格，并利用漁網(wǎng)點(diǎn)提取樣本的人口密度值[13-14]。如圖1所示，人口密度在空間上的分布呈漸變趨勢(shì)，密度高的區(qū)域周邊主要分布為較高密度區(qū)，中度密集區(qū)則分布在較高密度區(qū)周邊。

圖1 某區(qū)域人口密度Fig.1 Population density in an area

交通通達(dá)性分析：路網(wǎng)數(shù)據(jù)包含道路長(zhǎng)度及類型等屬性，是西安市該城區(qū)道路的線要素。如圖2所示，通過奧維地圖(Omap)提取道路數(shù)據(jù)，以道路線密度作為交通的通達(dá)性。

圖2 城市區(qū)域道路密度Fig.2 Road density in a city

其他解釋變量：依據(jù)前期現(xiàn)場(chǎng)調(diào)研，采用核密度法提取該城區(qū)火災(zāi)危險(xiǎn)性較大的場(chǎng)所如老舊小區(qū)、工業(yè)產(chǎn)業(yè)園、城中村、高層小產(chǎn)權(quán)房以及工業(yè)產(chǎn)業(yè)園的柵格值，以此表征其空間分布；采用ArcMap中“近鄰分析”工具獲得火點(diǎn)分別與小型消防站及與一級(jí)普通消防站的最短路徑距離。

1.2 研究方法

1.2.1 Morlet小波分析法

小波分析是利用一簇小波函數(shù)系表征或者逼近某一函數(shù)或是信號(hào)，在頻域和時(shí)域上都有著良好的局部化功能[15]，能夠揭示出時(shí)間序列中各種隱藏的變化周期[16-17]。按火災(zāi)發(fā)生月份分別提取火災(zāi)頻次，對(duì)于給定的小波函數(shù)Ψa,b(t)，其連續(xù)小波變換為

(1)

將小波變換系數(shù)的平方值積分到b域中即可得到小波方差，即

(2)

小波方差與時(shí)間尺度a的對(duì)應(yīng)關(guān)系稱為小波方差圖，表示信號(hào)振蕩強(qiáng)弱隨時(shí)間尺度a的分布規(guī)律。因此，火災(zāi)事件的主要時(shí)間尺度，即主周期，可以通過利用小波方差圖中的數(shù)據(jù)峰值進(jìn)行分析。

1.2.2 核密度分析法

核密度估計(jì)方法是分析任一地理事件發(fā)生在空間不同位置上的概率，將一維或多維的樣本數(shù)據(jù)平滑處理成連續(xù)的核密度函數(shù)，其中一個(gè)關(guān)鍵參數(shù)是帶寬，可控制生成的密度曲面的平滑度[18]。點(diǎn)稀疏表示區(qū)域事件發(fā)生概率低，點(diǎn)密集則表示區(qū)域事件發(fā)生概率高，區(qū)域內(nèi)單位面積上的事件密度或強(qiáng)度可通過事件數(shù)目估計(jì)。本研究中采用的空間研究單元為500 m，搜索半徑為1 000 m，帶寬為1 000。核密度函數(shù)見式(3)

(3)

式中K為核函數(shù)；d為維度；h為平滑參數(shù)或帶寬；n為數(shù)據(jù)樣本點(diǎn)個(gè)數(shù)；Xi為第i個(gè)樣本點(diǎn)，所以當(dāng)d=2時(shí)，核密度函數(shù)的公式[19]即為

(4)

通過核密度分析法可以識(shí)別出內(nèi)部不同位置的聚集強(qiáng)度差異性，研究火災(zāi)分布空間變化特性。

1.2.3 隨機(jī)森林模型

隨機(jī)森林(random forest，RF)模型用于分類及回歸，可處理高維數(shù)據(jù)，并通過集成多棵決策樹的方式來提高預(yù)測(cè)精度。模型具有預(yù)測(cè)準(zhǔn)確率高、計(jì)算開銷小、性能強(qiáng)大的優(yōu)勢(shì)[21]。樣品和特征是隨機(jī)森林模型構(gòu)造過程中最重要的2個(gè)參數(shù)，可以采用Bootstrap重抽樣的方法從命名為L(zhǎng)的觀測(cè)數(shù)據(jù)集中可以隨機(jī)選取訓(xùn)練樣本，具體計(jì)算見式(5)

(5)

式中T為決策樹的數(shù)量，Yi，t，mean表示在第t棵樹中第i個(gè)樣本的預(yù)測(cè)值。同時(shí)，隨機(jī)森林算法可根據(jù)得分情況對(duì)不同的特征變量進(jìn)行重要性排序[22]。

(6)

為了驗(yàn)證模型的預(yù)測(cè)性能，采用平均絕對(duì)誤差EMAE、均方根誤差ERMSE和確定系數(shù)R23個(gè)參數(shù)作為預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)。

(7)

(8)

(9)

2 結(jié)果分析

2.1 區(qū)域火災(zāi)時(shí)空特性分析

2.1.1 區(qū)域火災(zāi)的空間分布

運(yùn)用核密度法對(duì)2017—2019年西安市該城區(qū)火災(zāi)空間進(jìn)行分析。圖3為全部火災(zāi)點(diǎn)生成全局核密度圖。從圖3可以看出，繞城高速以東及西三環(huán)以西的地段是該城區(qū)的火災(zāi)多發(fā)地，火點(diǎn)在位于繞城高速以東的地段呈高度聚集狀態(tài)，向郊區(qū)延伸過程中“熱度”不斷降低，且分散著零星的高發(fā)熱點(diǎn)[23]。此區(qū)域居民區(qū)及工業(yè)場(chǎng)所居多，商鋪及物流倉儲(chǔ)均較密集，火災(zāi)風(fēng)險(xiǎn)更大。

圖3 2017—2019年西安市某城區(qū)火災(zāi)密度空間分布Fig.3 Spatial distribution of fire density in an urban area of Xi’an from 2017 to 2019

2.1.2 區(qū)域火災(zāi)的時(shí)間分布格局

采用Matlab2019a中的Morlet小波分析研究該城區(qū)發(fā)生的火災(zāi)在多時(shí)間尺度上的周期性，圖4顯示了小波分析周期結(jié)果。

圖4 小波分析周期結(jié)果Fig.4 Period results of wavelet analysis

從圖4(a)可以看出，1～2 a，3～4 a，11～16 a是該城區(qū)月均火災(zāi)起數(shù)的3個(gè)周期變化規(guī)律。在時(shí)間尺度(11～16 a)上，小波系數(shù)實(shí)部等值線最密集，具有全域性且高低值變化規(guī)律明顯。從圖4(b)可以得到4個(gè)峰值，分別為14 a、9 a、6 a和3 a，分別對(duì)應(yīng)著火災(zāi)頻次變化的4個(gè)主周期。從圖4(c)可得到，9 a時(shí)間尺度的小波變化實(shí)部曲線在分析區(qū)段內(nèi)連續(xù)性更好，平均變化周期6個(gè)月。火災(zāi)頻次在冬季和夏季較高，這主要由于夏季溫度高，用電量大，電力設(shè)備易因超負(fù)荷運(yùn)作而發(fā)生短路著火[24]。冬季天干物燥使得可燃物更易著火，用電及氣用量受天氣寒冷的影響增加，導(dǎo)致居民房屋內(nèi)火災(zāi)隱患大。14 a時(shí)間尺度的小波變換實(shí)部曲線比較穩(wěn)定，火災(zāi)頻次變化的平均周期為10個(gè)月。由上述分析可知，該城區(qū)火災(zāi)發(fā)生量以第1主周期為主，第2、3、4主周期為輔，在不同時(shí)間尺度下的交替變化不同。

2.2 隨機(jī)森林預(yù)測(cè)模型分析

隨機(jī)森林預(yù)測(cè)模型以火災(zāi)密度做為因變量來表示火災(zāi)發(fā)生概率。結(jié)合調(diào)研的結(jié)果，從社會(huì)經(jīng)濟(jì)、人文地理等方面綜合考慮選擇了13個(gè)因素做為自變量進(jìn)行評(píng)估[25]，火災(zāi)風(fēng)險(xiǎn)評(píng)估指標(biāo)見表1。因素包括火災(zāi)風(fēng)險(xiǎn)較大場(chǎng)所的核密度分布、人口密度、道路密度以及火點(diǎn)距消防站的距離等，其中火災(zāi)密度作為因變量。通過現(xiàn)場(chǎng)調(diào)研，該城區(qū)火災(zāi)危險(xiǎn)性較大的場(chǎng)所及數(shù)量分別為：老舊小區(qū)53個(gè)、高層小產(chǎn)權(quán)房50個(gè)、城中村43個(gè)、餐飲娛樂場(chǎng)所649個(gè)、建筑工地56個(gè)、工業(yè)產(chǎn)業(yè)園61個(gè)、加油/加氣/甲醇站41個(gè)、充電站33個(gè)等。文中將自變量與火災(zāi)發(fā)生概率進(jìn)行建模，對(duì)城市區(qū)域火災(zāi)進(jìn)行預(yù)測(cè)分析。所有的自變量和因變量均進(jìn)行了標(biāo)準(zhǔn)化處理，模型選取整個(gè)樣本的80%作為訓(xùn)練樣本，20%作為驗(yàn)證樣本。

表1 14個(gè)火災(zāi)風(fēng)險(xiǎn)評(píng)估指標(biāo)Table 1 Fourteen assessment indicators of fire risk

2.2.1 隨機(jī)森林算法參數(shù)的確定

節(jié)點(diǎn)值mtry和決策樹的數(shù)量ntree作為隨機(jī)森林預(yù)測(cè)模型中2個(gè)最重要的模型參數(shù)，共同決定模型計(jì)算效率以及預(yù)測(cè)精度。在實(shí)驗(yàn)過程中發(fā)現(xiàn)模型的均方根誤差RMSE隨著節(jié)點(diǎn)值mtry的增大先大幅降低而后基本保持平穩(wěn)，在mtry取值為8時(shí)，RMSE最小，此后數(shù)值基本穩(wěn)定，故在本模型中設(shè)置mtry參數(shù)值為8，按照上述方法優(yōu)選出ntree為500。

2.2.2 影響因素重要度分析

區(qū)域火災(zāi)的發(fā)生受到多種因素影響，不同因素之間可能存在非線性關(guān)系，通過運(yùn)用隨機(jī)森林算法，可以直接顯示出輸入變量及輸出變量間的對(duì)應(yīng)關(guān)系。圖5為影響因素的重要度排序，可以看出高層小產(chǎn)權(quán)房小區(qū)和老舊小區(qū)這2類場(chǎng)所的火災(zāi)密度對(duì)該城區(qū)火災(zāi)發(fā)生概率影響最大，其重要度之和為0.55，與實(shí)際情況相符。根據(jù)影響因素重要度的排序結(jié)果，優(yōu)選前8個(gè)自變量參與到隨機(jī)森林算法的建模。

圖5 影響因素重要度排序Fig.5 Importance ranking of influencing factors

2.2.3 模型結(jié)果的檢驗(yàn)

通過將隨機(jī)森林模型在全樣本上進(jìn)行擬合，可以得到火災(zāi)密度的實(shí)際值與預(yù)測(cè)值之間的散點(diǎn)圖分布情況。如圖6(a)所示，當(dāng)樣本數(shù)量較小的時(shí)候(即散點(diǎn)的左下角部分)，樣本預(yù)測(cè)值與真實(shí)值較為分散；而隨著樣本數(shù)量的增加，其擬合效果越來越好。通過計(jì)算可得出隨機(jī)森林預(yù)測(cè)模型的決定系數(shù)較高(R2為0.88)，且平均絕對(duì)誤差EMAE和均方根誤差ERMSE分別為0.046 7和0.068，均保持在較低的水平，表明所的隨機(jī)森林算法對(duì)于該城區(qū)火災(zāi)發(fā)生概率具有較高的預(yù)測(cè)能力。

為了進(jìn)一步檢驗(yàn)隨機(jī)森林模型的預(yù)測(cè)效果，同時(shí)采用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行該城區(qū)的火災(zāi)密度進(jìn)行預(yù)測(cè)，火災(zāi)密度的實(shí)際值與預(yù)測(cè)值之間的散點(diǎn)圖情況如圖6(b)所示。通過對(duì)比可看出，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)表現(xiàn)總體上不如隨機(jī)森林預(yù)測(cè)模型，樣本的真實(shí)值與預(yù)測(cè)值的分布更為分散。表2列出了2個(gè)模型預(yù)測(cè)誤差指標(biāo)的計(jì)算結(jié)果，2個(gè)預(yù)測(cè)模型的決定系數(shù)R2超過0.75，且平均絕對(duì)誤差EMAE和均方根誤差ERMSE保持在較低的水平，BP神經(jīng)網(wǎng)絡(luò)模型相比隨機(jī)森林模型的預(yù)測(cè)結(jié)果誤差較大。

表2 火災(zāi)預(yù)測(cè)模型評(píng)價(jià)參數(shù)對(duì)比Table 2 Comparison of evaluation parameters of fire prediction models

圖6 2種模型實(shí)際值與預(yù)測(cè)值散點(diǎn)Fig.6 Scatter plots of actual and predicted values of the two models

2.3 區(qū)域火災(zāi)概率分布

區(qū)域火災(zāi)事件是多種影響因子共同作用的結(jié)果，其具有一定的空間分布特征。核密度法可以被用來探索區(qū)域內(nèi)各個(gè)火災(zāi)事件分布的熱點(diǎn)區(qū)域和聚集情況，通過選定每個(gè)火災(zāi)事件發(fā)生的空間位置并分別設(shè)定一個(gè)核密度函數(shù)，提取每個(gè)場(chǎng)所內(nèi)所有火災(zāi)事件的核函數(shù)并計(jì)算求出火災(zāi)概率密度平均值，便可用來掌握區(qū)域火災(zāi)事件發(fā)生的空間分布規(guī)律[19]。

根據(jù)前面運(yùn)用隨機(jī)森林算法得出的火災(zāi)發(fā)生因素重要度排序，針對(duì)重要度較大的場(chǎng)所分別做相應(yīng)的核密度分析。如圖7所示，為了進(jìn)一步分析城市區(qū)域火災(zāi)的空間分布特點(diǎn)，對(duì)各場(chǎng)所核密度中心值進(jìn)行提取并求出平均值，以此來反映各場(chǎng)所火災(zāi)發(fā)生概率的高低，分析結(jié)果見表3。通過分析該城區(qū)各場(chǎng)所火災(zāi)核密度值及分布圖可知，研究區(qū)域在2017—2019年內(nèi)老舊小區(qū)、高層小產(chǎn)權(quán)房小區(qū)、餐飲場(chǎng)所這3類場(chǎng)所火災(zāi)發(fā)生概率最大，同時(shí)對(duì)研究區(qū)域火災(zāi)發(fā)生率影響也最大，其概率密度平均值分別為303.15，245.89，105.3，這與對(duì)該城區(qū)現(xiàn)場(chǎng)調(diào)研結(jié)果也相互印證。

圖7 各場(chǎng)所火災(zāi)概率密度預(yù)測(cè)Fig.7 Analysis of fire probability density in various places

表3 各場(chǎng)所火災(zāi)概率密度Table 3 Fire probability density in various places

3 結(jié) 論

1)結(jié)合ArcGIS分析可知，該城區(qū)在空間尺度呈現(xiàn)中心城區(qū)火災(zāi)“熱度”高，向郊區(qū)延伸“熱度”不斷降低的空間分布規(guī)律；由Morlet小波分析周期結(jié)果可知，該城區(qū)火災(zāi)事件存在著3 a，6 a，9 a和14 a等較為明顯的時(shí)間尺度。在14 a的特征尺度上，火災(zāi)頻次變化的平均周期為10個(gè)月；在9 a的特征尺度上，火災(zāi)頻次變化的平均周期為6個(gè)月，且在冬季和夏季較高，呈現(xiàn)季節(jié)性波動(dòng)特征。

2)建立基于隨機(jī)森林的西安市某城區(qū)火災(zāi)發(fā)生概率的預(yù)測(cè)模型，以火災(zāi)密度作為因變量、重要度排序前8的影響因素作為自變量，預(yù)測(cè)模型評(píng)價(jià)參數(shù)R2為0.88，且均方根誤差ERMSE和平均絕對(duì)誤差EMAE都保持在較低的水平。

3)利用ArcGIS對(duì)該城區(qū)火災(zāi)發(fā)生影響因素重要度較大的場(chǎng)所分別做核密度分析，概率密度值分別為：303.15，245.89，105.3，老舊小區(qū)、高層小產(chǎn)權(quán)房小區(qū)、餐飲場(chǎng)所這3類場(chǎng)所對(duì)區(qū)域火災(zāi)發(fā)生概率影響最大。