摘要
高密度城市中的火灾风险具有复杂的空间异质性，并与建成环境、人口分布和气候条件存在非线性关系。然而，大多数现有研究依赖于线性假设，导致解释能力有限。为了解决这一问题，我们开发了一个可解释的分析框架，该框架将CatBoost模型与SHAP（SHapley Additive Explanations）相结合，以深圳市福田区作为案例研究。我们利用核密度估计（KDE）从历史火灾数据中构建了火灾风险地图，并将多个城市环境因素（包括兴趣点（POIs）、道路网络和气象变量）作为解释变量纳入其中。CatBoost模型捕捉到了这些非线性关系，而SHAP则量化了特征的重要性并揭示了交互效应。研究结果表明，城市火灾风险与人口相关设施的空间聚集（尤其是高密度的商业和住宅区）以及热条件密切相关。一些变量表现出明显的非线性阈值效应，它们对火灾风险的影响在不同强度范围内存在显著差异。交互分析进一步表明，建成环境特征和气候因素的结合共同塑造了火灾风险的空间分布模式。这些发现为理解城市火灾风险的空间机制提供了实证见解，并突显了可解释机器学习在城市安全研究中的价值。所提出的框架为在高密度城市地区制定更具针对性和基于证据的药物风险管理策略提供了实用工具。
