WUI (wildland-urban interface, WUI)是指城市周边地区, 野外和城市之间的交界处. 随着全球气候变化的不断加剧以及城镇化发展和森林城市建设, 城镇森林交界区域不断扩大, 城镇森林交界区域火灾逐渐成为一个严重的环境问题. WUI火灾指的是发生在WUI区域的火灾事件, 这些火灾不仅对人类生命和财产造成巨大威胁, 还对生态系统和环境产生长期的负面影响. 因为交界域内同时具有丰富的森林可燃物和密集的建筑与人群, 使得火灾发生的概率大大增加, 同时WUI火灾一旦发生后产生的危害相比于传统的森林火灾或城市火灾也显著提升, 扑救难度也更大. 因此, 对WUI火灾的致灾因子及其关系进行梳理, 及时预防火灾发生就显得尤为重要.

WUI火灾的致因是一个复杂的问题, 涉及多个因素的相互作用. Rodriguez-Jimenez等^[1]基于区域案例研究了WUI地区森林火灾规模和严重程度的驱动因素和趋势. Liu等^[2]基于2004–2020年京津冀地区的山火数据研究了山火的影响因素, 并对山火与WUI区域进行了相关性分析. Li等^[3]基于泉州市清源山西南角的遥感数据、气象数据和植被信息, 将火灾风险影响因素数字化, 并通过层次分析法和燃烧概率计算, 对城镇森林交界域进行了火灾风险划分. Zhang等^[4]基于火灾数据, 使用SPSS软件对火灾要素进行相关性分析, 建立线性回归分析模型, 分析东北地区森林火灾的影响要素. 上述研究皆从整体视角使用数值分析方法研究火灾在各种情景下的影响因素, 但并未考虑各影响因素之间的关系.

复杂网络是理解实际世界中复杂系统的一种有效抽象模型. 在这个模型中, 系统内的各个实体被概念化为网络的节点, 而实体间的交互关系则通过连接线来表示. 2000年以来, 复杂网络研究迅速应用到计算机网络^[5–7]、生物网络^[8–10]、技术网络^[11–13]、大脑网络^[14–16]、气候网络^[17–19]和社会网络^[20–22]等实践领域. 近年来, 基于复杂网络的研究方法在灾害研究领域得到了广泛应用, 为我们深入理解灾害的致因提供了新的视角. 如Xu等^[23]在其研究中将风险元素视作网络的节点, 并把风险之间的演化关系视为网络中的链条, 基于复杂网络理论, 构建了一个包含422条风险链的数据集, 专注于分析城市轨道交通运营中的风险及其演化过程. 刘洪良等^[24]基于复杂网络理论, 将灾害事件作为网络节点, 事件关联关系为网络连接边, 构建了深圳市台风灾害复杂网络, 进而识别台风灾害网络中的重要环节, 得到风险较高的灾害演化链条, 为防灾减灾提供参考. 吴书强等^[25]以高校火灾案例为研究数据建立了高校火灾灾害链网络拓扑结构和风险评价模型, 计算其灾害链风险度, 提高高校火灾灾害急处置能力和决策水平, 为其防灾减灾策略的制定提供参考. 宋英华等^[26]灾害链和复杂网络理论, 构建了WUI火灾灾害链演化模型, 为火灾防控提供科学依据. 上述研究虽然开拓了复杂网络在灾害领域的研究视角, 但在实际网络构建过程中, 对于网络中节点和边的定义具有较强的主观性, 需要一种科学的方法定义网络节点和节点之间的联系, 从而构建出科学合理的复杂网络网络模型. 文本挖掘是一种从文本数据中获取有价值信息和知识的一种方法, 具有从大规模文本集中发现新关系的特点^[27,28], 晋良海等^[29]使用文本挖掘技术从建筑工程施工安全生产事故调查报告中提取出了工程事故的主要致因要素. Qiu等^[30]运用文本挖掘技术和卡方统计提取了煤矿事故的致因要素, 并基于Apriori算法确定了各致因要素之间的关联规则. 陈芳等^[31]使用潜在狄利克雷分配模型(LDA)从空中危险接近事故案例文本中提取了致因主题和关键词, 并基于全局词向量模型(GloVe)分析了各主题和关键词之间的潜在关系.

综上所述, 文本挖掘已经在交通、矿山、建筑工程等领域得到广泛应用, 但鲜见于WUI火灾事故的分析, 并且现有应用普遍缺乏对挖掘信息深入的关联分析. 本文拟采用文本挖掘技术从WUI火灾案例事故中提取出WUI火灾致灾因子, 并使用Apriori算法确定致灾因子间的关联规则, 再基于复杂网络理论, 以致灾因子为节点, 关联规则为边构建WUI火灾致灾因子网络模型, 从多个角度揭示其网络特征, 更好地理解WUI火灾的致因机制, 并为火灾预防和管理提供科学依据. 这将有助于制定更有效的政策和措施, 减少WUI火灾的发生和蔓延, 保护人类生命和财产, 维护生态平衡和环境可持续发展.

1 WUI火灾事故的文本挖掘 1.1 数据来源

本文通过网络爬虫, 收集整理了2010–2022年近300起全球范围内的WUI火灾事故的数据, 包括由于长期高温干旱, 导致过火面积25万亩, 33人死亡, 经济损失1 000亿澳元的澳大利亚WUI火灾; 以及人为纵火导致的过火面积885万亩, 8.8万人疏散的加拿大WUI火灾; 还有建筑物失火导致89人死亡的阿尔及利亚WUI火灾等典型WUI火灾事故. 特别值得注意的是, 其中有22起被分类为特别重大事故, 还包括38起重大事故、56起较大事故和93起一般事故, 其余111起事故未发生人员死亡.

1.2 文本挖掘

以300个WUI火灾事故案例为数据基础, 对其进行文本挖掘, 文本的挖掘流程包括文本预处理、数据分析、结果可视化3个部分, 如图1所示.

1.3 致灾因子及词云图

运用文本挖掘技术从收集到的300份事故案例中得到了WUI火灾事故得致灾因子, 主要包括高温、强风、干旱、祭祀失火、燃烧废弃物等共17个致灾因子, 记G_i =｛G₁, G₂, G₃, …, G₁₇｝为致灾因子集, 具体如表1所示. 据此绘制的词云图如图2所示, 词云字体的大小表征WUI火灾致灾因子出现的频次, 其中植物起火、建筑起火、高温、干旱、人为纵火出现较多, 是WUI火灾的主要致灾因子.

1.4 致灾关联分析

(1)关联规则

在分析事故致灾因子之间的关联性时, 关联规则^[32]通常应用3个关键指标: 支持度、置信度和提升度, 这些指标能够有效地揭示各致灾因子间的相互关系和依赖程度^[33]. 其常用的蕴含式为I⇒J, 本文将WUI火灾致灾因子集设为项目集合G =｛G₁, G₂, G₃, …, G₁₇｝, I、J$\in $G且I∩J=$\varnothing $, I、J为项集, 项集I为关联规则的先导, 项集J为关联规则的后继, 在本文中, I、J分别为不同的WUI火灾事故中出现的致灾因子集合. Apriori算法主要包含挖掘所有频繁项集和产生关联规则这两部分内容^[34–36]. 具体运算过程如下.

1)初始数据库扫描: 对数据库进行扫描以确定初始的候选1项集.

2)支持度计算与筛选: 计算候选1项集的支持度, 并移除那些低于最小支持度阈值的项集, 从而得到频繁1项集.

3)候选项集生成与剪枝: 将频繁1项集相互结合, 生成候选2项集, 并进行剪枝处理以排除非潜在频繁项集.

4)进一步筛选: 计算候选2项集的支持度, 并剔除那些低于最小支持度阈值的项集, 得到频繁2项集.

5)迭代循环: 重复步骤2)–4), 直至无法生成新的频繁项集, 此时所有频繁项集已被找出.

6)强关联规则挖掘: 对所有频繁项集计算置信度, 并删除低于最小置信度阈值的项集, 以得到强关联规则.

(2)致灾因子关联规则挖掘

关联规则的挖掘结果受最小支持度和最小置信度的影响, 本文分别选取0.1为最小支持度, 0.3为最小置信度, 最终共产生122条关联规则, 去除提升度小于１, 置信度小于0.5的关联规则, 得到103条关联明显且有意义的关联规则, 部分关联规则见表2.

关联规则的支持度反映了规则两端的致灾因子同时出现的概率, 而置信度表示关联规则的先导发生时, 后继发生的概率, 如表2中的关联规则1, 人为纵火和植物起火在WUI火灾事故中同时出现的概率高达22%, 在人为纵火发生的前提下, 植物起火的概率有91%. 因此, 在日常的WUI火灾事故防范中, 要做好防火安全教育, 以及在发生人为纵火情况时, 及时制造隔离带, 防止火情通过植物燃烧进一步扩大.

2 WUI火灾致灾因子网络构建及分析方法 2.1 网络构建

本文基于复杂网络理论, 将导致WUI火灾的各种因素抽象为网络节点, 并将因素之间的关联规则分析结果抽象为网络的边, 形成了一个WUI火灾致灾因子复杂网络模型. 复杂网络模型作为典型的复杂系统, 研究复杂系统中个体间的相互作用及整体网络的拓扑结构, 对于揭示复杂系统的性质和功能具有重要意义. 基于前文得到的致灾因子和关联规则, 使用Ucinet软件构建WUI火灾致灾因子网络模型.

2.2 分析方法

本文从网络整体特征、个体特征、断链减灾措施、致因链风险度4个方面对WUI火灾致灾因子网络进行特征分析, 涉及指标如下.

(1)节点度

节点度是复杂网络的一个重要统计量, 也叫度数中心度, 定义为节点的邻边数. 一个节点的度可记为k_i, 其中a_ij为邻接矩阵的矩阵元, 当节点i与j存在关系时a_ij=a_ji=1, 否则为0. 其计算方法如式(1)所示:

$ {k_i} = \sum\limits_{j \in n} {{a_{ij}}} $

(1)

其中, n为网络中的节点数.

(2)网络密度

网络密度是指网络中实际存在的边数与可能存在的边数之间的比例, 可表示为式(2):

$ \rho = \frac{{2m}}{{n(n - 1)}} $

(2)

其中, n(n–1)表示网络中可能存在的最大关系数量, m代表网络中实际存在的边数.

(3)集聚系数

聚集系数能够衡量整个网络的连接密集程度. 在本文构建的WUI火灾致灾因子网络中, 集聚系数能刻画出各致灾因子间的关联性强弱. 因此, 本文将集聚系数作为评估断链分析效果的重要指标, 帮助理解和减缓灾害的影响. 节点i的集聚系数方法如式(3)所示:

$ {C_i} = \frac{{2{E_i}}}{{{k_i}({k_i} - 1)}} $

(3)

其中, E_i为节点i的邻居节点间存在的连边数.

进一步的, 整体网络的集聚系数计算方法如式(4)所示:

$ C = \frac{1}{n}\sum\limits_{i = 1}^n {{C_i}} $

(4)

(4)平均路径长度

平均路径长度描述了网络中节点间路径长度的平均值, 用于衡量在网络中传播信息或资源的效率平均路径长度, 在本文的WUI致灾因子网络中, 平均路径长度值可用于衡量任意两个致灾因子之间的转换步骤是多少. 可由式(5)计算:

$ L = \frac{1}{{n(n - 1)}}\sum\limits_{i \ne j} {{d_{ij}}} $

(5)

其中, d_ij为节点i和j之间的距离.

(5)节点介数

节点介数也叫介数中心度, 用来衡量网络中节点的平均影响力或者重要性, 其计算方法如式(6)所示:

$ {B_i} = \sum\limits_{i \ne l \ne j} {\frac{{{N_{jl}}(i)}}{{{N_{jl}}}}} $

(6)

其中, N_jl为节点j和节点l之间的最短路径条数, N_jl(i)为节点j和节点l之间的最短路径中, 路过节点i的路径数量.

网络的平均介数中心度计算方法如式(7)所示:

$ B = \sum\limits_{i = 1}^n {\frac{1}{n}} {B_i} $

(7)

(6)边介数

边介数是网络中通过该边的最短路径数目, 边介数越大, 则该边对网络抗毁性影响也越大, 边介数的计算方法如式(8)所示^[37]:

$ {B_{ij}} = \sum\nolimits_{l \ne p, \left\{ {l, p} \right\} \ne \left\{ {i, j} \right\}} {\frac{{{N_{lp}}({e_{ij}})}}{{{N_{lp}}}}} $

(8)

其中, N_lp为节点l和节点p之间的最短路径条数, N_lp(e_ij)为节点l和节点p之间最短路径路过边e_ij的条数.

(7)致灾链风险度

本文为更深入考虑WUI火灾致灾因子间的影响关系, 引入风险度指标^[38,39]进一步度量实际火灾发生中各致灾因子导致的火灾频率, 其计算方法如式(9)所示:

$ {R_{ij}} = {P_{ij}}{Q_j}{V_{ij}} $

(9)

其中, P_ij为边ij的致灾率; Q_j为j所引起的损失, 本文取j的度数中心度; V_ij为边ij的脆弱度.

本文使用Jaccard指数来计算连边ij的致灾率P, 如式(10)所示:

$ {P_{ij}} = \frac{{{C_{ij}}}}{{{C_i} + {C_j} - {C_{ij}}}} $

(10)

其中, C_ij为致灾因子i导致致灾因子j发生的频数, 即因子i对因子j影响的次数; C_i和C_j分别表示因子i和j单独出现的频数.

网络中任意边的脆弱度计算方法如式(11)所示:

$ {V_{ij}}{\text{ = }}\frac{{{B_{ij}}{L_{ij}}}}{{{H_{ij}}}} $

(11)

其中, B_ij为边ij的介数; L_ij为移除边ij后网络的平均路径长度; H_ij为移除边ij后网络的连通度.

网络连通度的计算方法见式(12):

$ {H_{ij}} = \frac{{{n_{ij}}}}{n} $

(12)

其中, n_ij移除边ij后能够连通的节点数; n为原始网络的总节点数.

3 WUI火灾致灾因子网络特征分析 3.1 整体特征分析

在本文中, 为了度量WUI火灾致灾因子网络的整体特征, 选取了一系列致灾因子网络指标, 这些指标的详细数据和分析结果如表3所示.

根据表3数据可知: 本文构建的WUI火灾致灾因子网络直径为4, 表明网络中任意两个节点之间的最大距离不会超过4, 且连通性为0.827 (取值范围0–1), 网络连通性较高, 这意味着WUI火灾致灾因子之间的距离较小, 相互间的联系也很紧密^[40]. 此外, 网络的集聚系数为0.732 (取值范围0–1), 网络集聚系数大而平均距离小, 表明该网络具有小世界特征^[41], 属于小世界网络, 在这种网络中, 不同的致灾因子之间的平均转换次数仅为1.764次, 意味着WUI火灾的致灾路径相对较短.

3.2 个体特征分析

WUI火灾致灾因子网络中各节点的个体特征计算结果如图3所示, 根据图3的分析结果, 在本文构建的致灾因子网络中, 具有较高连出度和较低连入度的致灾因子包括高温、强风、干旱、雷击和野外施工, 这些因子对其他致灾因子具有显著影响. 而那些具有较高连入度和较低连出度的致灾因子, 如燃烧废弃物、电器起火、建筑起火和燃料起火, 则更易受到其他因子的影响.

根据图4的数据, WUI火灾致灾因子网络中, 不同致灾因子的介数值存在明显差异. 网络节点的平均介数为10.118, 而排名前5的致灾因子分别是燃烧废弃物、植物起火、应急响应速度、人为纵火和强风, 并且它们的介数远大于平均介数值, 说明这些致灾因子在与其他致灾因子之间的转换过程中发挥着非常重要的过渡作用, 因此在火灾管控中应重点关注这些因子.

3.3 断链减灾措施分析

本文构件的WUI火灾致灾因子网络共包含99条边, 所有边的介数值的取值范围在0–33.2381之间, 其中, 边界数值最大的边是“燃烧废弃物”与“植物起火”之间的连线. 为了深入理解网络的拓扑结构, 本文对边介数值排名前20的边进行了排序, 在网络中从介数值排名第1的边开始依次去除, 每去除一条边就计算一次整体网络的网络密度、聚类系数和平均介数中心度, 结果如图5所示.

由图5的折线图可以看出, 随着断链条数从1增加至20, WUI火灾致灾因子网络的平均聚类系数、紧密度系数和平均介数中心度均呈现出下降的趋势. 这表明通过切断关键的致灾因子连线(即断链行为), 可以有效减弱WUI火灾中各致灾因子间的相互影响作用, 进而达到预防灾害和减轻灾害影响的目的.

3.4 断链减灾措施分析

本文对WUI致灾因子网络中所有边的风险度进行了计算并排序, 如表4所示. (S_i, S_j)表示节点S_i与节点S_j所在的边, 所有边的风险度平均值为13.30, 其中燃烧废弃物→植物起火为风险度值最高的边, 为187.65, 其次是应急响应速度→植物起火, 为80.42. 关于风险度最高的10条连边及其断链方式的详细信息则列在了表5中.

4 结论

针对WUI火灾致灾因子提取和深度关联分析, 本文基于本文挖掘技术从WUI火灾事故案例中得到致灾因子, 使用Apriori算法得到致灾因子之间的关联规则; 然后基于复杂网络理论探析了WUI火灾致灾因子网络特征; 最后引入WUI火灾致因链风险度指标, 计算不同边的风险度, 挖掘出高风险连边, 并提出断链措施. 本文主要研究结论如下.

(1) WUI火灾致灾因子网络具有具有显著的小世界特性, 不同致灾因子间的转换频率较低. 高温、强风、干旱、雷击、野外施工在与其他致灾因子转换过程中扮演着重要角色, 在WUI火灾防范中应当给予这些因子更多的关注.

(2)边介数最大的边为燃烧废弃物、植物起火、应急响应速度、人为纵火、强风、祭祀失火, 表明这些边在网络中的致灾因子转换过程中发挥着重要的作用, 在防止WUI火灾扩散时应首先考虑这些因子. 在对边介数较大的边采取断链措施后, 整体的网络密度明显下降, 表明断链行为能够很好地控制WUI火灾致灾因子之间的转换.

(3)通过计算WUI火灾致灾因子网络中各条边的风险度, 列出了风险度最高的前10条边, 并给出了相应的断链措施.燃烧废弃物→植物起火是风险度最高的边, 通过颁布禁止擅自燃烧废弃物等规定, 即可切断该风险链, 实现对WUI火灾的预防和主动控制.