近日，我院黄经南教授团队在城市研究领域国际权威期刊Sustainable Cities and Society上发表了题为“A Spatio-Temporal Graph Convolutional Networks Framework for Urban Fire Risk Management and Resource Optimization”的研究论文。该研究提出了一种基于时空图卷积神经网络的多时间窗口城市火灾风险预测框架，为城市火灾风险预警和消防资源配置优化提供了新的见解和方法。武汉大学博士研究生谢东为该论文第一作者，黄经南教授为通讯作者。
图1 研究框架
城市火灾是重大公共安全威胁，传统风险评估方法多基于静态因素，难以捕捉其动态传播规律和时空依赖性。为解决该问题，本研究将武汉市198个街道行政单元建模为图节点，将地理关系作为图的邻接矩阵，分别融合动态时序特征和静态环境特征构造了火灾风险时空图，并进行时间和空间维度的双重可解释性工作。结果显示ST-GCN的AUC要高于基线模型8.6%至26.8%，并且在不同季节均具有较强鲁棒性。
图2 不同季节中多窗口子模型的预测性能对比
研究构建的三个时间窗口，对应了短，中和长期火灾风险预测任务，随着预测期的增长，模型的各项指标和鲁棒性也得到提升。研究发现建筑年限、商业聚集度和人口密度是与火灾风险关联最大的几个指标，且不同类型街道的火灾风险及发生机制存在着显著异质性。有别野火研究领域的结论，气候因素不是城市火灾预测中的关键指标，说明城市内火灾发生过程更多受到人工环境和主观行为的干预。此外，研究还揭示了现有城市消防资源存在的空间错配现象，需要重点提升偏远高风险街道的安全保障能力。相较于基线情景，仅通过升级装备和消防人员数量带来的城市安全增益要远低于通过扩大消防服务覆盖范围带来的增益，研究结论为后续城市火灾风险预先研判、消防资源优化整合路径提供了重要参考。
