基于街景房屋图像评估荒野-城市交界域(Wildland-Urban Interface, WUI)结构燃料荷载(Structural Fuel Load, SFL)与火灾风险的人工智能(Artificial Intelligence, AI)评估方法

《Applications in Energy and Combustion Science》：AI Assessment of Structural Fuel Load and Fire Risk via Street House Images in Wildland-Urban Interface

　　

荒野-城市交界域（WUI）中的野火直接威胁人类生命和财产，住宅结构的外露可燃建筑材料在持续热辐射或飞火（fire spotting）作用下易被引燃，因此结构燃料荷载（SFL）的估算对WUI火灾蔓延建模与风险评估至关重要。本研究提出一种概念验证框架，通过整合深度学习、遥感和地理数据集（Google Street View房屋图像及OpenStreetMap），对WUI住宅结构燃料荷载进行评估。研究人员开发了一个卷积神经网络（CNN）模型，用于从图像中自动识别住宅外墙和屋顶的建材类型（木材、乙烯基、金属、混凝土、砖等）。结合建材密度、可燃性和燃烧热（heat of combustion），利用遥感数据估算结构尺寸并计算结构燃料荷载。该CNN模型使用来自加州2025年帕利塞德（Palisades）火灾CAL FIRE损伤检查（DINS）数据库中超过6000组结构-材料配对真实数据进行训练和验证，结构属性识别准确率（Accuracy）超过0.7。此外，研究人员对2025年加州伊顿（Eaton）火灾进行了案例研究，在相同简化假设下，AI估算的燃料荷载与基于DINS数据库得出的结果相比，显示出方法学上的可行性与一致性。总体而言，本方法通过在简化假设下高效提供近似燃料荷载信息，推进了灾前危险性评估的概念验证，这对WUI社区的火灾蔓延建模、灾害预防和消防应急响应具有重要意义。

《Applications in Energy and Combustion Science》刊载论文解读：基于街景图像的WUI结构燃料荷载与火灾风险AI评估方法

一、研究背景与意义

荒野-城市交界域（Wildland-Urban Interface, WUI）是指自然植被与居住建筑共存的区域，此类区域受野火威胁日益严重。现有WUI火灾研究多集中于室内火灾或植被燃烧，对建筑物自身结构可燃组分（即结构燃料荷载Structural Fuel Load, SFL——指房屋外墙、屋顶及其内部木构架等固定可燃材料潜在释放的总能量）如何影响引燃和火势蔓延的研究相对滞后。传统社区级火灾评估常忽略不同屋顶和外墙覆面材料带来的SFL差异，且实地称量或全尺寸燃烧试验难以在社区尺度推广。CAL FIRE的损伤检查（Damage Inspection, DINS）数据库虽记录灾后建筑属性，但未受灾或未被收录的社区无法获取。为此，研究人员开展本研究，旨在利用人工智能（Artificial Intelligence, AI）结合街景图像与开放地理数据，实现大范围社区结构燃料荷载的快速、近似评估，为下游WUI火灾蔓延与风险评估模型提供关键输入参数。

二、主要关键技术方法

研究人员以美国加州2025年帕利塞德（Palisades）火灾和伊顿（Eaton）火灾影响区内10,463栋住宅为研究对象，整合三类数据源：(1) CAL FIRE DINS数据库提供的结构类型、屋顶及外墙材料真值标签；(2) OpenStreetMap及Bing建筑轮廓通过QGIS提取建筑足印（footprint）周长与最小外接矩形长宽，单/多层建筑高度分别假定为3.81 m与6.55 m；(3) Google Street View API多角度采集街景图像，并用预训练CLIP（Contrastive Language-Image Pre-training）视觉-语言模型过滤出含有效建筑立面的照片。以ResNet-50卷积神经网络（Convolutional Neural Network, CNN）为骨干，采用迁移学习，以DINS标签监督训练三头分类器分别识别屋顶材料（5类）、外墙材料（4类）及层数（2类）。基于美式典型住宅构造原型（Simple Hip屋顶倾角45°，2×6英寸木搁栅@610 mm间距，石膏板内墙等），赋予各材料层密度与有效燃烧热（heat of combustion），计算单位面积墙体与屋面燃料荷载密度，结合足印几何尺寸求得总SFL。方法通过Himoto等1/3缩尺木屋燃烧试验校准，并在伊顿火灾区做盲测对比验证。

三、研究结果

Data collection（数据收集）

研究人员从DINS获取帕利塞德火灾6,392组数据对用于AI开发与伊顿火灾4,071组用于案例研究，涵盖地址、结构类型、屋顶及外墙材料。通过QGIS的QuickOSM插件下载OpenStreetMap住宅足印，计算质心经纬度、周长及最小有向包围盒长宽。街景图像经CLIP筛选后形成带DINS标签的图像-属性配对数据集供CNN训练。

Methodology（方法论）

建立典型单层/多层住宅几何原型，屋顶投影面积A_roof=1.414×L×W，外墙面积A_wall=P×H（P为足印周长，H依层数取定值）。木质挂板外墙含木挂板、油毡纸及胶合板衬板，总燃料荷载密度153.4 MJ/m²；乙烯基、金属及砖/抹灰外墙仅计木龙骨与保温层，为27.9 MJ/m²。木屋面含木瓦、尼龙通风垫、油毡、PVC膜、胶合板及膨胀聚苯板(EPS)，总340.7 MJ/m²；非燃屋面（沥青瓦/混凝土/陶瓦/金属）扣除木瓦层后为288.3 MJ/m²。木桁架燃料荷载按足印尺寸函数计算。总SFL=墙体总燃料荷载+屋顶总燃料荷载。对比Himoto等缩尺试验（均值结构燃料荷载3,192 MJ），原型模型计算值为3,056 MJ，误差仅4.3%，验证了物理计算方法可靠性。

AI Method for image recognition by CNN model（基于CNN模型的图像识别AI方法）

ResNet-50网络接收1,200×800像素街景房屋图像，输出三路softmax分别预测屋顶材料、外墙材料及结构类型。使用带预训练权重的迁移学习，AdamW优化器（学习率0.001，权重衰减1e-4），批次64，训练200轮（实际50轮收敛）。测试集（帕利塞德数据30%，n=932）结果显示：屋顶材料识别总体准确率（Overall Accuracy）0.76，外墙材料0.75，结构类型0.70，表明模型对建材识别性能良好，受遮挡及材质纹理相似度影响存在少量误判。

Batch assessment of structures in a WUI community（WUI社区结构批量评估）

流程为：QGIS批量导出足印几何→Google Street View脚本批量采集并筛选图像→ResNet模型批量识别属性（处理速度136.8 FPS，万张图约2分钟）→匹配材料燃料荷载密度并代入几何公式计算每栋SFL→利用folium库生成含交互弹出信息（总燃料荷载、密度、尺寸、材料）的社区SFL专题地图，按<100、100–200、200–300、300–400、400–500、>500 GJ分六档红色色阶可视化。

Results and demonstrations（结果与演示）

CNN训练损失（Loss）收敛至约0.1，总准确率趋近0.94。伊顿火灾区AI识别属性算得SFL与DINS属性算得SFL对比，决定系数R²=0.95，均方根误差RMSE=23.7 GJ，散点沿1:1线紧密分布。AI估算与DINS推算的社区SFL空间分布图余弦相似度达0.98。伊顿区SFL统计呈右偏分布，均值μ=174 GJ，标准差σ=101 GJ，峰值约150 GJ；非燃屋顶配可燃木挂板墙（尤其多层）均值可达244 GJ且长尾明显。对于非燃墙体建筑，因单层足印往往更大导致屋面贡献增加，其总SFL有时高于多层非燃墙体建筑；而含可燃墙体时墙体燃料占比上升，总SFL随层数增长趋势更显著。

Discussion（讨论）

SFL可关联至单体建筑全燃释放总热Q=∫HRR·dt，在WUI蔓延模型中可用于估算燃烧持续时间从而影响飞火（firebrand）生成量与作用时长。DINS中损毁等级与多因子（含SFL）的关系未来可用机器学习挖掘。敏感性分析显示：改用开放式人字（gable）屋顶使SFL增0.75%，加木露台（deck）增5.08%，用实测层高减3.69%；简化假设引入偏差较小（数个百分点），在AI识别精度范围内可接受。局限包括：几何与材料分类简化未涵盖露台/围栏等次生引燃物， vinyl siding未计入可燃贡献，CNN对部分材质混淆（如浅色木挂板与漆砖）及树木遮挡会影响精度，但误分多发生于燃烧特性相近类别（如沥青与陶瓦屋面）对社区总量影响有限。未来可纳入更多构件、室内燃料荷载及LiDAR精细几何进行改进。

四、结论（Conclusions译文）

本研究提出了一种新颖的AI驱动框架，用于评估WUI社区的结构燃料荷载，填补了火灾危险性评估中的关键数据空白。通过利用深度卷积神经网络、遥感和开放数据集（如DINS数据库），所提方法能基于现有的公开街景图像数据和地理空间源自动识别外部可燃材料（即外墙和屋顶）并估算结构尺寸，进而基于物理燃烧特性计算燃料荷载。物理模型计算的相同配置房屋燃料荷载与缩尺燃烧试验总放热量对比误差仅4.3%，初步验证了方法的一致性。CNN模型使用2025年帕利塞德火灾真实数据训练验证，结构属性整体识别准确率超0.70。该方法应用于未经训练的2025年伊顿火灾影响区，在相同建模假设下AI估算燃料荷载与DINS数据库推导结果的方法学一致性超95%。案例区多数建筑呈中等燃料荷载（均值约174 GJ），屋面贡献通常大于墙体，致使单层非燃结构有时比多层释放潜能更高。总之，本方法支持社区燃料荷载数据的精细化评估，可增强现有WUI火灾蔓延模型的输入质量，为提升社区韧性提供支持。未来工作将扩展至露台、围栏等构件及含室内燃料荷载评估，并结合火灾暴露模拟预测蔓延结果，通过损毁统计数据验证SFL空间分布之效用。