APP下载

街区尺度下城市高密度建成区火灾风险研究
——以石家庄市中心城区为例

2022-03-10李丽石陈志芬

自然灾害学报 2022年1期
关键词:建成区高密度危险性

李 凡,薛 晔,李丽石,陈志芬

(1.太原理工大学经济管理学院,山西太原 030024;2.石家庄市消防救援支队,河北石家庄 050000;3.中国城市规划设计研究院,北京 100037)

引言

2021年是“十四五”开局之年,我国在开启全面建设社会主义现代化国家的新征程中提出了全面提升城市品质的远景目标。截至2018年末[1],我国已有城市673个,城市建成区面积达58 455.7平方公里。其中,城市高密度建成区是城市发展的缩影,新型火灾危险源不断出现与传统消防安全问题交织影响,使其中火灾呈现复杂化、多样化、后果严重化的趋势。进行高密度建成区火灾风险评估,对城市火灾风险进行有效管控具有重要意义,也是当前亟待解决的问题。

火灾风险评估,基于评估对象的不同可分为单体建筑火灾风险评估[2-4]、企业(行业)火灾风险评估[5]及城市(区域)火灾风险评估[6-7]三大类。其中,评估城市或区域的火灾风险(火灾风险类型、大小、特性和趋势)[8-11]有不同的方法(定性、半定量和定量等方法),但数据的收集和信息的整合存在滞后性,强度指标(人口密度、人均GDP等)相关数据范围过大,导致评估结果相对区域火灾现势滞后、风险分区划分不够详细。当前,国家在转变城市发展方式中明确提出新建住宅推广街区制的目标,因此,街区尺度的城市问题研究切实可行且意义深远。POI数据和遥感影像信息提取技术[12-14]的应用可以一定程度弥补上述局限性,进而获取街区尺度的城市空间数据。城市兴趣点(Point of Interesting,POI)[15]描述地理实体的空间和属性信息,增强了对实体位置的描述能力,可以反映城市活动特点,具有数据量大、时效性强等特点,目前,已经在空间结构识别等方面得到广泛的应用[16-19]。遥感影像在近年来对城市建成区的研究中被广泛使用为基础数据,明显地提高了区域尺度范围内土地利用/土地覆盖的分类精度[20-22]。

基于此,本文借助POI数据的时效性,提高数据收集及信息整合过程的效率,并结合遥感图像在城市建成区功能分区方面的研究,进一步挖掘地理信息数据内涵以辅助高密度建成区火灾风险评估,使火灾风险防范措施精细化,以期为政策制定者与理论研究者提供参考。

1 研究区域概况

河北省省会石家庄市,如图1所示,地处温带季风气候,境内京广、石太、石德、石太客运专线、京广高铁、石济高铁6条铁路干线交会,是中国铁路运输的主枢纽城市。至2019年底,全市常住人口1 039.42万人,地区生产总值5 392.95亿元。

图1 研究区域位置示意Fig.1 Location of the study area

中心城区二环路内人口聚集、道路复杂,是石家庄市的高密度建成区,据统计,2011年1月-2020年8月间,高密度建成区涉及的石家庄市核心四区(桥西区、新华区、裕华区和长安区)共发生火灾5 166起,造成29人死亡,直接经济损失达7 135万元。从空间层面看,其现状空间结构与早期规划中向东发展的结构设想基本一致,50年来形成了以京广沿线和火车站为中心,向两翼扩展的单中心、外延式的扩张模式。从消防安全层面来看,石家庄市高密度建成区具有以下特征:第一,火灾重点场所分布多,潜在隐患多;第二,历史规划建设不全面,城中村、低层建筑居多,防火间距不够;第三,车辆保有量持续增多,影响救援效率,停车位规划不足,占用消防通道;第四,留存的多合一,三合一场所,起火概率大,人员伤亡率高。

2 高密度建成区火灾风险评估方法

2.1 基于“点-线-面”要素的“单位-街区-区域”框架解析

消防安全是城市安全板块中重要的子模块,火灾风险管控则是实现消防安全的重要保障。基于区域灾害系统理论,城市火灾系统具有由孕灾环境、致灾因子、承灾体复合组成的结构体系和由孕灾环境稳定性、致灾因子危险性、承灾体脆弱性形成的功能体系[23]。城市空间是火灾系统结构与功能体系的载体,其构成要素深深干扰火灾的形成与演化。如图2所示,点作为最简单的几何概念,是几何、物理、矢量图形和空间的最基本的组成部分,点要素可以表示城市空间内部成分的位置并进行聚焦,线要素强调城市空间发展过程的延伸方向与外形,面要素强调城市空间内部成分的形状与面积。

图2 城市空间“点-线-面”要素与火灾风险评估Fig.2 Urban space‘Spot⁃Line⁃Area’elements and fire risk assessment

近年来,政府层面广泛依托“大数据”开展社会治理,数据收集能力的提升,促进了城市风险评估单元的小型化、精确化。城市空间内部道路网络“线”划分区域“面”为街区“面”,街区内主成分相互关联又兼具差异性,且街区作为城市形态结构、城市功能、城市管理及城市认知的基本单元,是城市规划中的重要元素之一,也是构成居民生活和城市环境的基本单元[24]。因此,进行街区尺度的城市高密度建成区火灾风险评估对城市安全未来发展有重要意义。

2.2 基于“单位-街区-区域”框架的火灾风险评估指标体系构建

在理论上,风险评估本来是研究不确定性的,是试图将这些不确定性以一种确定性的方式表达出来,将不确定性降低到最低限度的[25]。广义灾害风险评估模型为:

式中,S i为第i种致灾因子;Pr(S i)为第i种致灾因子发生的概率;P0(Pr(S i)为Pr(S i)的可能性分布;X i为第i种灾害造成的损失;P0(X i)为第i种灾害的可能性分布。

狭义灾害风险评估模型为:

即一定发生概率的自然致灾因子与其所造成的后果的乘积。

基于上述评估模型,结合区域灾害系统论和事故致因论,本文对城市高密度建成区火灾风险发生的可能性、暴露性、消防能力以及导致的结果进行危险性评估和风险综合评估。衡量高密度建成区火灾风险的计算公式可以表示为:

H为火灾危险性;D*为火灾损失系数;A1为火灾发生可能性;A2为特征暴露性;A3为消防能力。

综上所述,区域火灾风险取决于火灾危险性及火灾损失系数。街区火灾危险性取决于街区火灾发生可能性,街区特征暴露程度及其消防能力;火灾造成的后果,主要由财产损失、伤亡人数和社会影响等指标来反映,这些指标与火灾波及地区的社会属性直接相关。而街区主导功能直接决定社会活动及其属性,因此,街区火灾损失系数由街区主导功能确定。

(1)火灾危险性评估指标体系

对于火灾危险性评估,借助消防工程中的相关技术标准及规范,基于“单位-街区-区域”横向框架,建立“可能性-暴露性-消防能力”三维度的纵向火灾危险性评估指标体系(表1)。基于现有研究[26],采用层次分析法确定指标权重,参考文献[27、28]中的具体步骤,邀请15位专家进行打分,构造判断矩阵,确定最大特征值及特征向量,对判断矩阵进行一致性检验,逐级逐项得到三维度火灾危险性评价指标权重。

表1 高密度建成区火灾危险性评价指标体系Table 1 Fire hazard evaluation index system for high⁃density built⁃up areas

其中,点要素单位层指标计算公式如下:

Sθ指被评估街区单元的面积,属性值字段为Shape-Area;N ij为被评估街区单元内包含的单位层评价指标点的个数,属性值字段为Count;A ij为点要素单位层指标的点密度值。

线要素单位层指标计算公式如下:

Sθ指被评估街区单元的面积,属性值字段为Sh a pe-Ar ea;Lφ是街区单元θ包含的二级公路长度,属性值字段为Shape-Le1;φ是二级公路的道路通行系数;Lφ是街区单元θ包含的三级公路长度属性值字段为S hape-Le2;φ是三级公路的道路通行系数。

(2)火灾损失系数

由于评估时期(灾前、灾后),评估目的(预测、重建)的不同,当前,我国并未建立统一的火灾损失评估体系。但是,灾害损失是灾害的本质特征,考虑火灾损失与受灾区域社会生产活动的直接联系,通过街区主导功能的识别,可以确定各街区的火灾损失系数。参考现有文献[29]对各城市用地类型火灾损失计算的研究,火灾损失系数等于火灾财产损失系数、火灾致亡人数和火灾社会影响的耦合(表2)。

表2 各用地类型火灾损失系数Table 2 Fire loss coefficient of each land use type

2.3 地理信息要素识别及处理方法

火灾风险的综合评估,利用基于面向对象的遥感影像识别技术及基于数据挖掘技术的用地类型识别实现;火灾风险等级的划分,在ArcGIS软件中通过叠加分析法和自然断点法实现(图3)。其中,叠加分析法评价模型为:

图3 评估方法Fig.3 Evaluation method

式中,E i为第区域的综合评分值;P ij为第i个评价目标第j个评价指标经过标准化处理后的量值,W ij为P ij的权重值。

在ENVI软件中处理遥感图像,根据影像空间和光谱特征,从高分辨率全色或者多光谱数据中提取特征信息,进行城市空间内部信息的提取,实现地理数据的识别与输出,如图3中a-b、a-d过程。在ArcGIS软件中实现地理数据格式的转换、标准化及计算。

(1)支持向量机(SVM)

支持向量机算法是Vapnik[30]等提出的根据结构风险最小化准则,在有限训练样本误差极小化的前提下,提高分类器的泛化推广能力的监督学习算法,目前广泛应用于遥感图像分类中。面向对象的分类技术是集合邻近像元为对象,基于空间、纹理和光谱信息进行分割和分类来识别感兴趣的光谱要素[31]。运用试错法进行分割,采取基于对象样本的方法提取植被、道路、建筑和水域信息,通过监督模式提取目标类别的训练样本数据,采用SVM分类器利用训练样本去识别未知区域的对象,进而实现图像分类。

(2)K⁃means聚类分析

K⁃means[32-34]聚类算法采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。基于试错法的图像分割在不同分割和合并参数下,不同地物图像分割的结果差异增大,本文运用K⁃means算法产生稳定的聚类中心后进行图像分割和合并,从而得到面向对象的多尺度图像分割结果。

(3)ArcGIS空间连接与近邻分析

ArcGIS的空间连接工具可以根据两个要素类中各要素之间的空间关系来连接这两个要素类的属性,并将该连接写入/输出。根据点-线-面要素的空间包含关系,可以将点或线要素图层的字段属性赋值给面要素图层;近邻分析,可计算输入地理信息要素与其他图层或要素类中的最近要素之间的距离和其他邻近信息,用于火灾危险性评估中三级指标距消防站距离的计算。

(4)无量纲化处理

高密度建成区火灾危险性是由众多指标构成的统计指标体系进行评估的,直接用原始指标值进行分析,就会突出数值较高的指标在综合分析中的作用,相对削弱数值水平较低指标的作用,从而使各指标数据以不等权参加运算分析,因此,需要对经过数据识别与地理计算过程得到的三级指标值原始数据进行无量纲化处理。直线型无量纲化方法是指在指标实际值转化成不受量纲影响的指标值时,二者之间呈线性关系,指标实际值的变化引起标准化后数值一个相应的比例变化,符合火灾风险评估模型的要求,各指标的标准化分值具体计算公式如下:

(5)三维空间建模

通过Python编程,从百度地图获取研究区域的建筑楼层数据,进而得到研究区域的建筑高度,结合图像识别获得的建筑、道路轮廓等数据,在ArcScence中建立研究区域的三维空间模型,如图2中a-d-gh、a-b-e-h过程。

(6)聚类和异常值分析Anselin Local Moran′sI

聚类和异常值分析,可以计算某个要素在指定范围内的相邻要素总和,使之与所有要素的总和相比较,进而可以识别具有高值或低值的要素的空间聚类并识别空间异常值,空间关联的(Moran′s I)统计数据如下所示:

其中,x i是要素i的属性是对应属性的平均值;W i j是要素i和j之间的空间权重,并且:

n等于要素的总数目;统计数据的ZI i得分的计算方法如下:

其中:

计算结果中,聚类/异常值类型(CO T ype)字段可区分火灾风险等级的高值(H H)聚类、低值(L L)聚类、高风险等级中由低风险等级围绕的异常值(H L)以及低风险等级中由高风险等级围绕的异常值(L H)。统计显著性的置信度设置为95%。

2.4 高密度建成区用地类型确定方法

城市功能的分区是一个动态变化的过程,并不存在一个合适的指标去观测一个城市区域的功能,由于在功能、强度、利用方向、基准地价等方面作用大体一致,一定程度上来说,其空间集约利用程度和未来使用潜力也基本相同[35],因而基于数据挖掘技术,可将城市空间划分为不同功能类型。POI数据的核密度分析情况正好可以准确的反映城市功能在不同空间的集约利用程度。

如图4中i-f-e过程,设研究区域内有n个POI点X={x1,x2,⋅⋅⋅,x n},在x处核密度估计值为f(x),计算公式如下:

式中φ()表示权重函数;ω表示带宽,d ix表示估计值点x与x i之间的关系。

结合2011年版《城市用地分类与规划建设用地标准》,同时考虑城市功能的普遍性和数据类别的认知度及显著性,将POI数据分为商服用地、居住用地、工业用地、公服用地、道路与交通设施用地、仓储用地、绿地与广场用地等7个较具代表性的类别,作为相应土地利用类型的直接映射(表3)。但是,POI数据是点数据,不能体现出地理实体的占地面积,而在现实世界,不同地理实体之间的占地面积存在较大差异,并且,街区单元内的POI数据所代表的地理实体占地面积对该单元的主导功能类型具有重要影响,在进行城市空间功能分区时,对POI数据的权重赋值参考赵卫锋等[36]对POI数据公众认知度的排名。

表3 POI数据分类Table 3 POI data classification

3 石家庄市高密度建成区火灾风险评估

3.1 数据来源及预处理

POI数据从百度地图开放平台获取,获取时间为2021年1月;研究区域基本数据源于全国地理服务资源目录服务系统公众版1:25万矢量地图;人口数据源于石家庄市统计局第六次人口普查数据;遥感影像数据来源于谷歌影像及微软地图;道路网络数据源于Open Street Map。位置数据均采取WGS84地理坐标系统和WGS_1984_Web_Mercator_Auxiliary_Sphere投影坐标系统。从百度地图开放平台获取的POI数据,使用的是对火星坐标进行BD-09二次非线性加偏的百度坐标系统,直接依据各类型POI数据文本自带的坐标信息导入ArcGIS生成点矢量数据,可以发现影像和POI数据之间地理位置存在偏差,需要使用ArcGIS软件的空间校正功能纠偏。

3.2 火灾危险性评估

3.2.1 火灾危险性单位层指标评估

根据石家庄市高密度建成区道路网络,将研究区域划分为539个街区网格图4(a)。

图4 街区单元划分及单元层指标评估结果Fig.4 Block unit division and unit level index evaluation results

对从石家庄市遥感图像中识别的街区尺度指标数据进行矢量化处理,依据对应的公式及处理方法[2.2节公式(2)(3)、3.1节方法(3)]得到指标计算值,为更好的描述单位层指标火灾危险性,将各指标评分在Arc⁃GIS软件中按自然断点法(Natural Break,组间方差最大,组内方差最小)划分为五个等级(由绿至红)(图4)。

由图4可知,电力载荷指标的四级及以上火灾危险性街区单元沿石德线向东侧延伸及民心河各支流两侧分布(图4(b))。重大危险源指标的13个四级及以上火灾危险性街区单元均远离市区中心,沿二环线及其连接的主要道路分布(图4(c))。燃气用量指标的四级及以上火灾危险性街区单元沿石太线、石德线向东西两侧延伸,部分以5号街区为中心,在石家庄站附近区域聚集(图4(d))。火灾高危单位及人员密集场所指标的五级火灾危险性街区单元以221号、215号街区为中心聚集,并沿中山路轴线向东西两侧延伸(图4(e))。人口密度指标的五级火灾危险性街区单元有71个,分属于人口密度较高的北苑、建安、广安、休门、裕华路、东里和东风等街道(图4(f))。建筑密度指标的五级火灾危险性街区单元有38个,零散分布(图4(g))。建筑高度指标的五级危险性街区单元共10个,在研究区域东南部聚集,并在京广线两侧零星分布(图4(h))。防火间距指标的五级火灾危险性街区单元有28个,在研究区域内零散分布(图4(i))。消防通道指标的五级火灾危险性街区单元有108个,分别以391号、424号、115号、295号街区单元为中心聚集(图4(j))。消防站距离指标的五级火灾危险性街区单元有47个,聚集于研究区域内西北部、西南部、东南部等距离消防站较远的位置(图4(k))。消防装备指标的五级火灾危险性街区有488个,因统计的小微消防站多位于内有商场、地铁站及新建住宅区的街区单元内,单元水平差异明显(图4(l))。

3.2.2 火灾危险性街区层指标评估

综合三级指标单位层火灾危险性评分,根据火灾风险评估模型计算得到二级指标街区层火灾危险性评分(高危街区具体评分如表4所列),在ArcGIS软件中通过自然断点法将街区层指标评价结果划分为5个等级(由绿至红)(图5)。

图5 街区层指标火灾危险性评估结果Fig.5 Results of fire risk assessment of block level indicators

由于部分街区单位层指标评价值过小,从街区层指标开始,评估结果按百分制进行计算。由如图5所示,街区火灾可能性指标五级火灾危险性街区单元有24个,在中山路轴线于京广线交界处聚集性分布(图5(a))。街区特征危害性指标五级火灾危险性街区单元有38个,以181、199号街区为中心,聚集于火车站东西两侧(图5(b))。街区消防能力指标五级火灾危险性街区单元有52个,聚集于研究区域西北部、西南部及东南部位置(图5(c))。

3.2.3 火灾危险性区域层指标评估

根据火灾风险评估模型,综合各街区层指标火灾危险性评估结果,得到研究区域火灾危险性评估结果,在ArcGIS软件中按自然断点法(Natural Break)划分为五个等级(由绿至红)(图6)。

图6 高密度建成区火灾危险性评估结果Fig.6 Fire hazard assessment results in high⁃density built⁃up areas

由图6可知,研究区域内的五级火灾危险性街区单元有37个(表4),其中,有36个街区单元街区特征暴露性指标评分最高,1个街区单元街区火灾可能性指标评分最高,1个街区单元街区消防能力指标评分最高。400、408、409、410、527号街区聚集于西北位置,136、498、279、280、281、282号街区聚集于东南部位置,153、54、187、188、189、191、192、193、194、199、200、202、204号街区在中西部位置以199号街区为中心聚集,其余街区单元零散分布于中山路轴线附近。

表4 五级火灾危险性街区单元各指标评分(按百分制计算)Table 4 Scores of each index of the five⁃level fire hazard block unit(Calculated on a hundred⁃point system)

3.3 火灾损失系数确定

对经过纠偏、清洗筛选及赋权等步骤的石家庄市高密度建成区POI数据进行核密度估计,得到各类型POI数据的核密度估计分布(图7)。

图7 石家庄市高密度建成区POI数据核密度估计分布Fig.7 The distribution of the core density estimation of POI data in the high⁃density built⁃up area of Shijiazhuang City

划分100m×100m格网作为基本研究单元,参考经济地理学相关研究[17],参照区位熵的定义,通过频率密度与类型比例标注其用地类型:

式中:F i为第i类(本文采用的7种用地类型)POI频率密度;n i为第i类POI在格网单元中数量;N i为第i类POI总数。将POI频率密度比例等于50%设定为单一功能区与混合功能区的划分界限,当某类型POI比例在某格网单元达到50%及以上时,确定此格网单元为该类型单一用地类型,否则就取决于格网单元内两种或三种主要类型;当格网单元内POI频率密度为0时,该格网为空白区。如图8所示,各街区用地类型由其内部格网单元的用地类型累计判定,并进一步通过图像目译法进行检验。

图8 用地类型识别结果Fig.8 Space function partition result

石家庄市高密度建成区单一用地主要以居住用地、商业用地和公服用地为主,在单一用地类型中,居住用地地块数量最多且总面积最大。空间混合用地相较于单一用地,火灾发生后的情况更加复杂,发展情况更加难以预测,因此,混合用地空间的火灾损失评估结果取决于混合类型中火灾损失更高的一类,对应各用地类型火灾损失系数(表2),得到各个街区单元的火灾损失系数。经统计,有111个街区单元的火灾损失系数大于等于1.4,均为工业及商业用地类型,面积占比17.71%。

3.4 火灾风险评估

根据高密度建成区火灾风险评估模型,综合火灾危险性评估与火灾损失系数判定结果,计算得到研究区域各街区火灾风险水平,在ArcGIS中利用自然断点法划分为5个等级表示(图9)。

图9 火灾风险评估结果Fig.9 Classification of fire risk assessment results

研究区域内五级火灾风险街区单元共计45个,其中有31个也是五级火灾高危街区单元,以居住用地为主,另有14个与商业或工业活动有关的街区单元,因发生火灾时可能造成的损失较大,成为五级火灾风险单元,它们以石太线、石德线和火车站为中心,向东西两侧延伸分布,具体情况如表5所示。

表5 五级火灾风险街区单元(按百分制计算)Table 5 Block units of five⁃level fire risk(Calculated on a hundred⁃point system)

续表5

3.5 火灾风险空间分布特征

利用聚类和异常值分析(Anselin Local Moran′sI)方法计算得到石家庄市高密度建成区火灾风险空间分布,火灾风险高-高聚类区域P值均值为0.011312369,低-低聚类区域P值均值为0.008426206,均通过空间显著性检验。研究区域内火灾风险具有明显的组团特征,四个火灾风险高-高聚类区域主要集中于中山路轴线位置、西北部、东南部位置以及由裕华西路、槐安西路与城角街、中华南大街合围的区域(表6红底色),两个低-低聚类区域主要集中于东北部、中南部位置。

表6 火灾风险高-高聚集区域Table 6 High fire risk⁃high concentration areas

12、76、122、270、466号街区单元是研究区域内火灾风险异常值,列出单元内空间模型(表8黄或红底色区域),是这些单元周围范围的重点监测街区单元。12、76、270号为研究区域内高-低风险异常值,这两个街区单元火灾风险的管控是保障其周围范围消防安全的重点。122、466号为研究区域内高-中风险异常值,这些街区单元火灾风险的管控是其周围范围火灾防范的节点。

3.6 石家庄市高密度建成区火灾风险防范建议

火灾风险防范是一项系统工程,依赖政府决策与实施、规划引导、工程项目建设、宣传教育等复合途径。本文结合①~④号火灾风险高-高聚集区及12、76、122、270、466号5个火灾风险异常街区单元的主成分属性及主导功能,以石家庄市高密度建成区火灾风险空间分布及分区特征为主要命名依据,将4个聚类分区命名为“重点整改区、消防优化区、重点监测区、整改优化区”,将5个火灾风险异常值街区单元命名为“重点监测点”(图10),进而提出了防范对策与建议。

图10 石家庄市高密度建成区火灾风险防范措施Fig.10 Fire risk prevention measures in high⁃density built⁃up areas in Shijiazhuang City

(1)重点监测点:健全对小范围内火灾风险相对突出的街区单元的监督与管理,需落实到内部,因“点”制宜,分别采取对老旧建筑进行耐火改造,完善消防设施级装备,加强消防监控工程建设等与各点实际情况相合的措施。12号街区周围的富强大街消防救援站是保障附近消防安全形势的中坚力量;76号街区南侧的孙村长宏锦园二区已经建成,在此设立高层火灾瞭望台监测火灾风险动态切实可行。122号街区内,第一要点是集通物流公司火灾隐患的自排,第二要点是众多高层建筑消防水源压力的保障;270号街区内,应在政府主导下以中华大街小学为核心,实现环居民区与商用区消防设施的整体升级。466号街区内西侧高层建筑云集,应选择视角良好的地点设立火灾瞭望台,且棉三社区应依托老旧小区改造政策,改善社区防火间距,保障消防通道畅通,彻底清除私拉乱接等火灾高危行为。重点监测点火灾风险的防范成果,是其周围环境消防安全的重要保障。

(2)重点整改区:该区域内低层、中层建筑与超高层建筑混合,建筑密度大。196号街区单元为现存城中村,低、中层建筑多为为砖混结构,耐火等级较差,防火间距小,火灾容易蔓延。并且,区域内的超高层建筑内停留人数众多,火灾发生时人员疏散困难。因此,针对区域性问题,相关部门需结合政府民生工程,对区域性消防供水、建筑物耐火等级、消防通道、防火间距问题进行打包整改。同时,有关单位要落实高层建筑消防管理问题,从源头杜绝高层火灾,才能解决根本问题。

(3)消防优化区:该区域平均建筑高度较高,整体位置距离周围的消防站较远,发生火灾时一旦失控,扑救工作将非常困难。因此,区域的消防优化整改应分两步进行:第一步,建立一个以政府为主导,消防、住建、公安、治安、街道办、综合执法、社区、物业等各部门、单位各司其职的联动机制,定期召开会议通报情况,研究问题并及时解决,随时消除火灾隐患;第二步,向有关部门申请加强消防站、消防水源建设,提升救援人员的装备水平,设立社区微型消防站,增强该区域的整体消防能力。

(4)重点监测区:该区域位于城市核心区域,因此,区域内部高楼林立、商业发达,人员密集场所聚集分布。区域的优化内容由三部分组成,第一是提升区域内超高层建筑区的自我管理水平,强化相关岗位的消防安全培训,从自身自职责出发构筑火灾防范“围墙”;第二是保障区域范围内消防监控设备的使用率,通过紧抓“智慧消防”建设的重大机遇,推广应用物联网系统,进一步实现自身装备的智能化、精准化;第三是设立火警瞭望塔,依托区域内部超高层建筑优势进行火情监测。

(5)整改优化区:该区域低层、中层、高层建筑混合,建筑密度大,建筑年代久,耐火等级差,并且,这里为居-公-商混合用地,与消防站距离远,火灾伤/亡人率高。考虑区域实际情况,第一步,有关部门应发展多形式消防队伍,借鉴国外发达国家消防体制建设的先进经验,通过建立小型消防站或者专职消防队,探索多形式消防力量齐头并进的全社会防火灭火“立体式”格局;第二步,相关单位责任人应强化基层消防安全监管,保障基层消防工作组织的场所与经费,理清各级网格员职责分工,延伸基层消防监管触角,落实“网格化”管理措施。

4 结论与讨论

4.1 结论

本文基于由遥感图像中获取到的街区尺度的空间数据和百度开放平台的POI数据,针对石家庄市高密度建成区,进行了街区尺度的火灾风险研究,得出以下结论:

(1)街区尺度的火灾风险评估为火灾风险的溯源降低了难度,借助城市管理的基本单元,可以实现从根源处防控火灾风险。国家在十四五远景目标中明确提出新建住宅推广街区制,因此,将消防安全管理下沉到街区,全员融合,是符合未来城市发展的可行方法。三维空间模型的建立,突出了街区之间的立体差异性,是地理信息大数据在城市治理中的进一步应用,可以为政策制定者与理论研究者研判区域火灾变化形势提供依据。

(2)火灾危险性评估发现研究区域内有37个街区单元为五级火灾危险性街区单元,其中有36个街区特征暴露性指标评分最高,因此,从街区规划方面提出火灾防范措施是可行的。街区特征火灾风险暴露程度不仅仅取决于单一的建筑类型,多种建筑类型的混合可能会令街区火灾情况更加复杂,不同建筑主体间的配合是解决火灾问题的可行方法。

(3)火灾风险评估发现有111个街区单元火灾损失系数大于等于1.4,均为工业及商业用地类型,面积占比17.71%。45个五级火灾高风险街区单元,存在高-高聚集现象,4个集群分别位于西北部、东南部、中山路轴线及裕华西路、槐安西路与城角街与中华南大街合围区域。商业及工业是高密度建成区最活跃的活动,随着区域经济的发展,其影响范围是不断扩大的,有效的商业管理及合理地工业搬迁是保障高密度建成区消防安全的有力手段。

4.2 讨论

城市高密度建成区内火灾形势复杂多变,城市快速发展导致的新型火灾危险源不断涌现,因此,采取动态变化的火灾风险评估方法才能有效管控城市区域火灾。

(1)考虑城市火灾事故具有的必然性和随机性,以及信息资料的可获取性,本文在建立高密度建成区火灾风险评估指标体系时所选取的指标及指标权重的计算对研究数据的准确性具有一定的依赖性,现今,数字化浪潮正深刻变革人们的生产生活方式,随着大数据技术的日益成熟,未来城市治理大数据平台的构建是解决这一局限性的有效方法。

(2)街区尺度的火灾风险研究提升了火灾危险源溯源的可操作性,加强了基层单位的火灾风险防范能力,当前街区是基于地理信息数据进行的最优划分,满足了实证研究的严谨性与科学性。但是,在真正的实践中,历史发展因素的制约是不可忽视的,未来可以通过问卷调研与实地考察实现街区单元的更优划分。

猜你喜欢

建成区高密度危险性
基于类NPP-VIIRS夜间灯光数据的粤港澳大湾区城市建成区时空动态特征
高密度电法勘探技术在地面塌陷成因分析中的应用
合肥市建成区综合物种指数及本地木本植物指数研究
高密度大学校园规划指标与形态研究
危险性感
危险性感
高密度存储服务器可靠性设计与实现①
高密度存储服务器可靠性设计与实现
城市地质灾害危险性评价研究
1988—2010年西安市空间扩展及动力机制研究