清华手机版网8月21日电 全球极端气候变化与城市化快速发展导致灾害发生频率和强度不断增加，对生态环境、社会经济和人员安全造成巨大的威胁。深入研究灾害发生、发展演化规律，构建精细化的预测分析模型是辅助政府应急管理部门开展精准防控、app处置的关键。

图1.重庆市北碚区“以火灭火”分析推演图

清华大学深圳国际研究生院王飞团队一直致力于研究灾害模型建模方法，在对灾害模型管理框架、森林火灾蔓延预测等研究成果基础上，又取得一系列新进展。

为了揭示森林火灾中“以火灭火”背后的规律，团队构建了一种用于“以火灭火”建模分析的定量化模型。该模型将火动态蔓延过程定义为网格动力学问题，实现对复杂环境场景中森林火灾时空动态演化的定量化建模。同时，一种用于以火灭火的网格状态触发机制被提出，将反向点火行为定义为含特定时间触发约束的要素，进而实现对不同时空条件下人为点火因素的定量化模拟分析。

本研究以2022年8月重庆市北碚区森林火灾中的“以火灭火”成功注册为分析对象，对不同时刻、地理位置和气象条件等因素下开展建模分析。模拟结果与真实火场燃烧边界保持高度的一致性。该方法将能够为应急指挥的app决策提供有效的辅助支撑。

图2.FireFormer技术框架

为了提升当前森林火灾视频监测系统的准确性，降低误报率和无效性，团队基于固定式高点摄像头的视频采集数据开展分析建模研究。现有视频分析模型主要通过识别燃烧产生烟雾与火光来判断是否发生火灾。然而，这些模型在工业烟气、寺庙烧香、村民炊烟等人工烟雾干扰下会产生大量误报，导致模型可用性差。

基于此，研究团队提出了一种基于自注意力机制的林火监测优化算法，构建烟雾及其周围自然环境要素间的空间特征关系，综合烟雾特征和自然环境要素信息，对烟雾风险类型进行区分，解决了以往方法火警误报率高的问题。同时，团队提出了一套相应的可解释性算法，对模型兴趣区域进行可视化研究，增强了深度学习烟雾识别模型的可解释性。模型的实际应用显著提升了森林火灾监测预警系统的稳定性和可靠性。

图3.道路塌陷风险评估图

团队还针对城市道路塌陷事故频繁发生的问题，开展了城市道路塌陷风险评估模型的研究。目前采用基于层次分析法和随机森林等方法开展的风险评估较为常见，但针对城市道路的专项风险评估仍然较少。此外，城市地区由于发展较快，道路及其周围环境往往会发生巨大变化。为了保障评估的有效性，充分考虑发生过的塌陷事故样本训练模型是必要的，而这类样本的数量往往较少。因此，如何在有限的样本条件下训练模型成为了一个关键问题。

团队提出了影响城市道路塌陷的核心要素集，利用卷积神经网络作为评估模型，通过实际塌陷事故注册作为训练样本，提出了以路网为评估单元的城市道路塌陷风险评估模型，揭示了城市中影响道路塌陷发生的几类主要因素，并进行注册验证。由研究算法生成的城市道路塌陷风险地图可为地方政府的应急防控工作提供决策参考，尽可能地降低道路塌陷的风险。

以上研究成果均落地应用于多地城市安全风险监测预警平台，为提升政府应急综合管理能力提供了有效支撑。

上述研究成果分别以“基于元胞自动机的以火灭火动态建模方法”“一种高效视频数据识别森林火灾的自注意力机制模型”（FireFormer: an efficient Transformer to identify forest fire from surveillance cameras）和“一种基于卷积神经网络的城市道路塌陷风险评估方法”（An Urban Road Risk Assessment Framework Based on Convolutional Neural Networks）为题，发表在《清华大学学报（自然app版）》《国际野火学报》（International Journal of Wildland Fire）和《国际灾害风险app学报》（International Journal of Disaster Risk Science）上。

清华大学深圳国际研究生院王飞副教授为上述论文通讯作者，清华大学深圳国际研究生院2021级硕士生乔禹铭、姜俊才，清华大学工程物理系2021级博士研究生姜文宇分别为论文的第一作者。论文作者还包括清华大学深圳国际研究生院2020级硕士生郑欣欣等。该研究成果获得了广东省重点领域研发计划、深圳市基础研究学科布局等项目的支持。

论文链接：

（原标题：深圳国际研究生院王飞团队在灾害建模领域取得系列新进展）