Análisis de los factores que influyen en el riesgo de incendios en áreas urbanas de alta densidad basado en el modelo CatBoost-SHAP
Autores: Wei, Yunlong; Li, Hu
Idioma: Inglés
Editor: MDPI
Año: 2026
Acceso abierto
Artículo científico
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Riesgo de incendios urbanos
Heterogeneidad espacial
Entorno construido
Distribución de la población
Condiciones climáticas
Aprendizaje automático interpretable
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
El riesgo de incendio urbano en ciudades de alta densidad se caracteriza por una compleja heterogeneidad espacial y relaciones no lineales con el entorno construido, la distribución de la población y las condiciones climáticas. Sin embargo, la mayoría de los estudios existentes se basan en suposiciones lineales y ofrecen una interpretabilidad limitada. Para abordar esta brecha, desarrollamos un marco analítico interpretable que integra el modelo CatBoost con SHAP (SHapley Additive exPlanations), utilizando el distrito de Futian en Shenzhen como estudio de caso. Construimos una superficie de riesgo de incendio a partir de datos históricos de incidentes de incendio utilizando estimación de densidad de kernel (KDE) e incorporamos múltiples factores ambientales urbanos, incluidos puntos de interés (POIs), redes viales y variables meteorológicas, como variables explicativas. El modelo CatBoost capturó relaciones no lineales, mientras que SHAP cuantificó la importancia de las características y reveló efectos de interacción. Los resultados muestran que el riesgo de incendio urbano está fuertemente asociado con la aglomeración espacial de instalaciones relacionadas con la población, especialmente en áreas comerciales y residenciales de alta densidad, así como con las condiciones térmicas. Varias variables exhiben claros efectos de umbral no lineales, con su influencia en el riesgo de incendio variando notablemente a través de diferentes rangos de intensidad. El análisis de interacción indica además que combinaciones de características del entorno construido y factores climáticos moldean conjuntamente el patrón espacial del riesgo de incendio. Estos hallazgos proporcionan información empírica sobre los mecanismos espaciales subyacentes al riesgo de incendio urbano y destacan el valor del aprendizaje automático interpretable en la investigación sobre seguridad urbana. El marco propuesto ofrece una herramienta práctica para desarrollar estrategias de gestión del riesgo de incendio más específicas y basadas en evidencia en áreas urbanas de alta densidad.
Descripción
El riesgo de incendio urbano en ciudades de alta densidad se caracteriza por una compleja heterogeneidad espacial y relaciones no lineales con el entorno construido, la distribución de la población y las condiciones climáticas. Sin embargo, la mayoría de los estudios existentes se basan en suposiciones lineales y ofrecen una interpretabilidad limitada. Para abordar esta brecha, desarrollamos un marco analítico interpretable que integra el modelo CatBoost con SHAP (SHapley Additive exPlanations), utilizando el distrito de Futian en Shenzhen como estudio de caso. Construimos una superficie de riesgo de incendio a partir de datos históricos de incidentes de incendio utilizando estimación de densidad de kernel (KDE) e incorporamos múltiples factores ambientales urbanos, incluidos puntos de interés (POIs), redes viales y variables meteorológicas, como variables explicativas. El modelo CatBoost capturó relaciones no lineales, mientras que SHAP cuantificó la importancia de las características y reveló efectos de interacción. Los resultados muestran que el riesgo de incendio urbano está fuertemente asociado con la aglomeración espacial de instalaciones relacionadas con la población, especialmente en áreas comerciales y residenciales de alta densidad, así como con las condiciones térmicas. Varias variables exhiben claros efectos de umbral no lineales, con su influencia en el riesgo de incendio variando notablemente a través de diferentes rangos de intensidad. El análisis de interacción indica además que combinaciones de características del entorno construido y factores climáticos moldean conjuntamente el patrón espacial del riesgo de incendio. Estos hallazgos proporcionan información empírica sobre los mecanismos espaciales subyacentes al riesgo de incendio urbano y destacan el valor del aprendizaje automático interpretable en la investigación sobre seguridad urbana. El marco propuesto ofrece una herramienta práctica para desarrollar estrategias de gestión del riesgo de incendio más específicas y basadas en evidencia en áreas urbanas de alta densidad.