一种结合大型语言模型（LLM）与时空知识超图的野火暴露风险评估框架

全球变暖加剧了主要森林火灾频率，威胁居民安全并扩大城市森林边界。本研究提出火灾暴露风险评估框架，整合时空知识超图与大型语言模型（LLM），通过2018坎普火灾案例验证，评估准确率达0.81，实现专家知识高效整合与多维度风险分析。

　　

Jiaqi Huang|Teng Zhong|Songshan Yue|Anthony G.O. Yeh|Min Chen|Guonian Lü

中国南京师范大学气候系统预测与风险管理国家重点实验室，南京210023

摘要

全球变暖增加了大型野火的发生频率，加剧了城乡交界地区的疏散挑战。准确识别危险区域对于疏散工作至关重要。然而，现有的风险评估方法在专家知识整合、冗余表示和领域知识提取方面存在不足。本文提出了一种野火暴露风险评估框架，该框架将时空知识超图与大型语言模型（LLM）相结合，提升了整个野火风险评估过程中专家知识的整合能力。我们引入了一种结合LLM的分层知识提取方法，实现了多粒度野火知识的组织。我们开发了一种综合性的野火评估方法，该方法结合了知识推理和建模，能够基于知识和地理空间数据进行多维度评估。以2018年的Camp Fire火灾为例，我们的框架评估准确率为0.81，与国家标准与技术研究院发布的实地调查结果相当。这项研究不仅提供了一种高精度、低依赖专家知识的野火评估框架，还支持野火影响机制的提取。这种方法使政策制定者能够通过历史案例有效分析区域野火与社区内多种因素之间的相互作用，从而为社区野火预防规划提供精细的决策支持。

引言

城乡交界地区野火的加剧对居民安全构成了威胁。随着全球变暖、干旱加剧以及人类活动的增加，大型野火的频率显著上升（Brown等人，2023年；Modaresi Rad等人，2023年）。在最近的火灾季节，全球有3.9×10^6平方公里的土地被烧毁（Jones等人，2024年）。同时，全球向生态城市发展的趋势加速了城市和森林区域的融合（Guo, Wang, Ge, & Zhou, 2024年），导致城乡交界区域的持续扩张。这种空间转变使得越来越多的人口生活在易发生火灾的植被区域，给野火事件期间的紧急疏散带来了前所未有的挑战（Chas-Amil, Touza, & García-Martínez, 2013年；Stasiewicz & Paveglio, 2021年）。在野火应急管理系统中，准确评估区域风险水平被认为是关键技术组成部分（Campbell, Dennison, & Butler, 2016年）。建立科学的野火暴露量化系统可以精确识别高风险区域（Maranghides & Mell, 2012年）。

传统的野火风险评估方法依赖于专家决策和模型计算（Bishrant, Chen, Paddington, & Thomas, 2021年）。在使用机制模型和深度学习模型进行野火风险评估方面已经取得了显著进展（Xu等人，2025年；Yu, Feng, Wang, & Wright, 2023年）。然而，在专家知识与模型计算之间的协作风险评估方面仍存在差距（Ju, Zhong, Yue, & Zhu, 2025年）。知识图谱结构描述了实体之间的关系，并整合了多源灾害数据（Grissa, Andonoff, & Hanachi, 2023年；Li, Wang, Wu, Gu, & Tian, 2022年；Ma, 2022年；Nickel, Murphy, Tresp, & Gabrilovich, 2015年）。传统的地理知识图谱在野火风险评估方面存在局限性，它们的二元关系会导致知识碎片化（Li, Zhang, Li, Zhou, & Bao, 2023年），这阻碍了复杂的野火因素分析。此外，当前灾害领域的知识获取主要依赖于昂贵的专家手工构建和手动标注的训练数据集，这限制了可扩展性。

为了解决这些问题，我们提出了一种框架，通过使用LLM构建野火超图来克服知识碎片化问题，从而实现精确的多粒度野火风险评估。我们利用LLM的文本分析和理解能力来确保野火知识超图构建的效率和质量（Liang, Liu, Wang, & Zhao, 2024年；Mai等人，2024年）。然后构建知识超图来模拟多因素野火相互作用，并整合时空数据进行推理和分析。超图解决了知识碎片化问题，而经过微调的LLM可以有效辅助获取领域知识（Hu等人，2023年）。

本文的贡献如下：

(1)

我们提出了一种基于野火灾害机制和超图理论的四层知识超图表示模型，包括元素层、事件层、阶段层和决策层。

(2)

我们提出了一种基于LLM构建知识超图的方法，通过提示工程实现了大规模野火领域知识的快速低成本获取。

(3)

我们基于野火知识超图进行知识推理，采用知识-数据-模型集成方法来研究野火暴露风险。

部分摘录

野火暴露风险评估

野火暴露风险评估在灾害缓解和应急管理中起着关键作用（Jiang等人，2024年）。许多研究通过开发野火模拟模型来评估自然和人为因素对野火暴露风险的影响（Masrur, Yu, Mitra, Peuquet, & Taylor, 2021年；Yin等人，2012年）。利用野火专家知识构建了一个野火风险因素的组织框架。这一框架为准确评估野火风险奠定了重要的技术基础。

方法论

本文提出了一种结合知识超图理论和LLM的野火暴露风险评估框架（图1）。这种整合使框架能够应对复杂的野火知识获取和利用效率低下的问题，从而建立了一个统一的方法论框架，将野火知识获取与应用能力相结合。该框架包括三个关键组成部分：（1）时空知识的构建方法

野火知识获取的质量评估

为了全面验证WKE-LLM框架的知识获取性能，我们从两个维度进行了比较分析：（1）模型横向比较；（2）知识类型纵向比较。所有提取结果都与手动标注的基准数据集进行了对比。

在横向比较中，我们通过计算DeepSeek-V3、ChatGPT-4o和WKE-LLM的准确率来评估它们的知识获取结果。

时空野火知识超图的性能探索

在知识结构方面，本研究构建了一个包含1977个节点和2057个关系的野火时空知识超图。该模型突破了传统知识图的维度限制，其中47.1%的超边连接了三个或更多的实体节点。最大的超边包含了48个节点，所有实体节点通过超边形成了闭合循环，证明了我们提出的野火知识超图表示模型的有效性

结论

本研究提出了一种与LLM集成的野火知识超图框架，并通过2018年的Camp Fire和2017年的Tubbs Fire案例进行了验证。该方法实现了高效提取与野火相关的知识，增强了整个野火过程中的暴露风险评估。构建的知识超图整合了详细的地理元素、人口和车辆数据，以及野火事件期间的理论模型和暴露风险评估程序

资助

本工作得到了中国国家重点研发计划（项目编号2024YFC3808904）、江苏省科技计划（项目编号BZ2023014）、大湾区地理环境监测国家重点实验室开放研究基金（项目编号GEMLab-2023006）和国家自然科学基金（项目编号42271443）的支持。

CRediT作者贡献声明

Jiaqi Huang：撰写——初稿、验证、方法论、调查、形式分析、数据管理、概念化。Teng Zhong：撰写——初稿、审稿与编辑、方法论、调查、概念化、监督、资金获取。Songshan Yue：审稿与编辑、概念化。Anthony G.O. Yeh：审稿与编辑。Min Chen：审稿与编辑。Guonian Lü：审稿与编辑。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

我们感谢编辑和匿名审稿人的建设性建议和评论，这些意见有助于提高本文的质量。