文章提出了一种基于机器学习、化学传输和流行病学模型的高分辨率分析方法，用于评估加州全境野火燃料管理的成本效益。研究通过整合物理特征、气象数据和历史处理成本，识别出净效益最高的优先处理区域。结果显示，优化处理区域选择可使净效益提升6.5倍，其中健康相关效益占主导。研究还预测了气候变化情景下处理效益的变化，为决策者提供了科学的优先级框架。
随着气候变化和人类活动加剧，加州野火风险持续攀升。传统燃料管理方法因资源有限，亟需科学依据来确定优先处理区域。文章通过整合多学科方法，建立了全州范围内高分辨率（0.01°）的燃料管理成本效益评估框架，为优化资源配置提供决策支持。
研究整合了2000-2020年历史燃料处理记录、气象数据、植被覆盖、地形特征等19类空间数据集。通过卷积神经网络（CNN）模型估算四种处理类型（计划烧除、机械疏伐等）的成本，并预测处理前后的PM2.5排放差异。
采用GEOS-Chem化学传输模型模拟烟雾扩散，结合BenMAP-CE流行病学模型评估健康效益。直接经济效益通过建筑密度和重建成本计算，间接健康效益则基于人口暴露和统计生命价值（VSL）进行货币化。
全州60%的可处理区域呈现正净效益，其中优先级最高的10%区域平均净效益超过22万美元/平方公里，是历史处理效益的6.5倍。健康相关效益占总效益的68%-82%，在人口密集区和森林覆盖区尤为显著。气候变化情景（RCP4.5）下，预计2050年净效益将增长15%，效益分布呈现向加州北部集中的趋势。
研究提出的优先级框架可显著提升联邦和州级机构的燃料管理效率。当前管理实践中被忽视的健康效益应成为决策核心考量。未来研究需进一步纳入生态服务价值、动态植被反馈等复杂因素，以完善评估体系。