Explainable GeoAI for urban wildfire structure loss: vegetation and built environment in the 2025 palisades fire

城市野火韧性取决于建筑形态、植被状况与极端火险天气之间的相互作用。迄今为止，城市尺度的决策工具往往只是将空间数据加以组合，而未检验其表面上的预测能力在空间分离的设置中评估时是否依然成立。我们针对2025年1月帕利塞兹大火（Palisades Fire）开发了一套经过空间验证的地理空间人工智能（GeoAI）与城市信息学工作流程，将12,081条加州林业和消防局（CAL FIRE）损失检查记录与火灾前的Sentinel-2植被数量与水分、Landsat地表温度、景观火灾与资源管理规划工具（LANDFIRE）可燃物、10 m地形数据以及带日期的OpenStreetMap（OSM）建筑与道路表示相连接。住宅损毁情况（9,883栋受检住宅建筑中有5,566栋损毁）采用逻辑回归和梯度提升模型进行建模，并在随机交叉验证和1 km空间块交叉验证下进行嵌套调参。随机交叉验证显示，集成梯度提升模型具有极佳的区分能力（ROC-AUC 0.92），但空间验证使性能降至0.75；一个可解释的逻辑回归模型在空间分块下取得了相近的平均受试者工作特征曲线下面积（ROC-AUC），且校准斜率更接近1。在受检住宅集合内，邻域建筑数量是最强的预测因子：在100 m半径圆盘内，建筑数量每增加一个标准差，条件损毁优势比（OR）增加3.74倍。较高的邻域归一化差异水分指数（NDMI）与较低的损毁优势比相关，而联合模型中归一化差异植被指数（NDVI）的正系数在NDVI单独纳入时发生反转；因此，相互对立的植被信号依赖于模型设定。邻域尺度的预测变量集往往优于紧邻周边变量集，尽管其折间变异性存在重叠。一个单独的影響分析轨道描述了光谱变化、相对绿度与社区背景，而未引入火灾后预测因子。研究结果将开放地理空间建模定位为邻域尺度的筛查工具，而非地块尺度的预测系统。研究结果支持以邻域为重点评估建筑形态与植被状况，并将空间验证和概率诊断与预测图一并报告。该可复现工作流程提供了