随着气候变化和城市扩张，传统的野火风险评估方法正变得过时，导致数百万被标记为“低风险”的住宅实际上面临着巨大的火灾威胁。由人工智能驱动的新模型，通过分析卫星图像和气候数据，能够对单个房屋进行精确评估，揭示了被严重低估的风险。然而，这种更准确的风险数据也带来了挑战，包括可能导致房价下跌、保险覆盖减少，并对低收入居民的重建能力构成威胁，这表明仅靠技术进步不足以解决问题，还需要相应的政策和社会支持。
传统风险模型的局限性
许多人认为，只有那些紧邻森林的房屋才有野火风险，但现实是，火灾威胁正变得越来越普遍，甚至出现在以前很少发生火灾的地方。
- 过时的评估方法： 传统的风险模型，如美国联邦应急管理局（FEMA）的国家风险指数，主要依赖 历史数据。这种方法无法充分考虑气候变化和住房动态的未来影响。
- 评估范围过于粗糙： 这些模型通常以普查区或县为单位进行评估，将高风险和低风险的房屋混为一谈，忽略了房屋间的关键差异。
- 忽略个体差异： 一些房屋可能使用了防火材料并有足够的防御空间，而另一些房屋可能因为邻居的木栅栏而变得脆弱。旧模型无法捕捉这些 细微但至关重要 的细节。
“野火具有非常复杂的动态，回顾性的方法是不够的。” —— Firas Saleh, 穆迪分析公司
人工智能带来的精确评估
新一代的人工智能模型正在填补政府火灾风险计算中的“盲点”，能够更清晰地展示单个房屋面临的威胁。
以 ZestyAI 公司为例，其模型通过结合多种数据源来训练 AI，从而实现对具体房屋的风险计算：
- 卫星图像： 用于检查社区的建筑结构、植被和地形。
- 气候变量： 纳入气候变化对火灾风险的影响。
- 历史火灾记录： 作为模型训练的基础数据之一。
这种方法的优势在于其 极高的精确度。ZestyAI 的分析发现，在去年洛杉矶大火烧毁的区域中，超过 3,000处 被 FEMA 标记为“低风险”或“无风险”的房产，实际上存在着显著的火灾风险，这些房产的总价值估计为 24亿美元。在整个加州，有 120万处 此类房产面临着比官方评估更高的危险。
精准数据背后的现实挑战
尽管更准确的风险模型有助于社区规划防火措施，但也引发了一系列复杂的社会和经济问题。
- 经济影响： 房地产开发商担心，更高的风险评级会 损害房产价值 或导致业主失去保险。例如，Zillow 网站就曾因房地产团体的压力而从房源列表中移除了气候风险评分。
- 保险难题： 保险公司可能会根据新的风险数据提高保费，甚至完全 拒绝为高风险地区的房屋提供保险。
- 社会不公： 失去家园后，富裕的居民有能力评估风险、选择更安全的地点重建或搬迁。然而，许多 低收入的火灾受害者 别无选择，只能在原来的危险地带重建家园。
- 重建压力： 面对紧迫的住房短缺，像洛杉矶这样的城市承受着巨大的建设压力，这使得在规划中充分考虑火灾风险变得更加困难。
AI 和更先进的模型可以帮助我们预测和理解这些风险，但没有任何算法能够消除经济上的否认，也无法代替我们去完成阻止在日益扩大的燃烧区建造房屋所需的政治努力。