基于XGBoost与SHAP的可解释人工智能（XAI）框架在城市火灾风险评估中的空间异质性解析与应用

《International Journal of Disaster Risk Reduction》：Explainable Artificial Intelligence (XAI) framework using XGBoost and SHAP for assessing urban fire risk based on spatial distribution features

本综述系统提出了一种融合XGBoost机器学习模型与SHAP可解释性分析的可解释人工智能（XAI）框架，用于城市火灾风险的空间评估。研究通过整合空间自相关指标与核密度分析，显著提升模型预测精度（R2达0.998）与可解释性，突破传统模型（如MGWR）在空间异质性刻画与决策支持方面的局限，为城市安全规划提供量化依据与空间显性洞察。

　　

Highlight

本研究亮点在于将可解释人工智能（XAI）框架引入城市火灾风险评估，通过XGBoost进行预测建模，并借助SHAP值解析特征贡献的空间异质性。该方法在预测精度与模型可解释性方面均显著优于传统地理加权回归（MGWR）模型，为城市防灾规划提供了数据驱动的决策支持。

Study area

研究聚焦于中国成都市青羊区，该区域作为中西部快速城市化的典型代表，地处成都平原核心，属湿润亚热带气候，年平均气温16.2°C，年降雨量978.9毫米。其平坦的地形与高度城市化的空间结构为研究城市火灾风险的空间分布提供了理想场景。

Selection of independent variables

我们采用五折交叉验证配合五次重复实验，以均方误差（MSE）和决定系数（R²）为指标，筛选与火灾发生和火灾损失相关的最优自变量组合。结果显示，通过特征重要性排序与SHAP分析，老旧建筑密度（OLDR）、商业设施密度（SHOP）和高层建筑密度（HIGH）被识别为影响火灾发生的关键变量。

Discussion

将XAI融入城市火灾风险评估，XGBoost-SHAP框架揭示了火灾风险驱动因素的空间异质性。SHAP分析指出，老旧建筑（OLDR）、商业设施（SHOP）与高层建筑（HIGH）是火灾发生的主要贡献因子，与先前研究中老旧城区缺乏防火材料、商业区人货密集、高层建筑疏散难度大等结论一致。本研究进一步通过空间显性分析，量化了这些因素在不同区域的局部影响，为差异化防灾策略提供了依据。

Conclusions

本研究提出了一个基于XAI的火灾风险建模框架，结合XGBoost与SHAP评估城市空间格局中火灾风险的空间效应。该框架不仅实现了高精度预测（火灾发生R² = 0.998，火灾损失R² = 0.935），还通过SHAP值解析了关键因子的贡献机制与空间分布规律，为理解城市火灾风险的形成机制与制定精准防控策略提供了理论支持与实践工具。