通过创建可解释的机器学习模型，本研究考察了各种城市特征及其非线性相互作用对三种主要危害 —— 空气污染、城市热岛效应和洪水暴露差异的影响，研究结果强调了城市特征对危害暴露的影响以及在不同地区和危害之间的差异，为制定更综合的城市设计政策以促进社会公平和环境正义问题提供了新的视角。

Oct, 2023

城市化对经济增长有促进作用，但也通过环境恶化对环境造成危害。机器学习已成为一个有很大潜力的工具，通过识别关键的预测特征来跟踪环境恶化。最近的研究专注于利用污染物水平和颗粒物作为环境状态指标来开发预测模型，以勾勒出所面临的挑战。机器学习被用来识别与环境恶化相关的模式。该研究旨在帮助政府识别干预点，改进规划和保护工作，并最终促进可持续发展。

Aug, 2023

乳腺癌在女性死亡中的地位越来越重要，取代了心脏病的地位。除了遗传因素，在乳腺癌发生和发展中，新研究表明环境因素也起着重要作用。这项研究全面回顾了影响乳腺癌风险、发病率和结果的各种环境因素的文献。研究从生活方式决策入手，如饮食习惯、运动习惯和饮酒等对激素失衡和炎症的影响，这两个因素是乳腺癌发展的重要驱动力。此外，研究还探讨了农药、内分泌干扰物和工业排放等环境污染物在乳腺癌发展中的作用，这些污染物与激素信号和 DNA 损伤的干扰有关。还利用机器学习算法进行预测，包括逻辑回归、随机森林、KNN 算法、支持向量机和额外树分类器等。使用混淆矩阵相关系数、F1 分数、精确度、召回率和 ROC 曲线等指标来评估模型。所有分类器中最准确的是随机森林，准确率为 0.91%，逻辑回归的 ROC 曲线为 0.901%。这项研究中利用的多种机器学习算法的准确性良好，这是重要的，表明这些技术可以作为乳腺癌生存分析中的替代预测技术，尤其在亚洲地区。

Sep, 2023

利用基于机器学习的方法，通过与人 - 基础设施系统性能相关的特征，对社区风险和韧性进行后评估，以及它们的互动。

Mar, 2024

使用随机森林回归器对城市指标对犯罪的影响进行了研究，发现失业率和文盲率是描述巴西城市凶杀案的最重要变量，这种机器学习的方法有望帮助制定更有针对性的公共政策。

Dec, 2017

通过我们的研究，我们引入了一种基于图形的物理感知深度学习框架，揭示了城市社区中固有的错综复杂的重叠性质。通过对美国明尼苏达州双子城都市区（TCMA）的个体移动电话定位数据的分析，我们的研究发现，95.7% 的城市功能复杂性源于工作日社区结构的重叠。值得注意的是，我们的研究不仅量化了这些重叠，还揭示了它们与收入和种族指标之间引人注目的相关性，揭示了美国城市中复杂的隔离模式。作为首次阐明城市社区重叠本质的研究，这项工作提供了一种独特的地理空间视角，突出了城市内社会经济动态的微妙相互作用。

Jan, 2024

基于一种新型无监督图深度学习模型（称为 FloodRisk-Net），本研究提出了一个集成的城市洪水风险评级模型，能够捕捉区域间的空间依赖关系和洪水危险和城市特征之间的复杂非线性相互作用，以确定突发洪水风险。利用美国多个都市统计区（MSAs）的数据，该模型将风险评级分为六个不同的城市特定级别，通过对每个 MSA 中的区域进行特征分析，可识别出塑造最高洪水风险的三种典型形态。洪水风险在每个 MSA 内以分层结构的空间分布，其中核心城市承担了最高的洪水风险。发现多个城市存在高整体洪水风险水平和低空间不平等，说明在城市发展和洪水风险减少之间的平衡选择有限。讨论了相关的洪水风险减少策略，考虑到最高洪水风险和洪水风险的空间分布不均等的形成方式。

Sep, 2023

提出一种基于城市地块和重要设施的图形多模态深度学习框架，用于预测城市更新，能成功预测人口普查地块级别的城市更新，并发现学校和城市更新之间的强关系。

Dec, 2023

本研究设计了一个可视化面板来监测和预防肥胖症，并通过 UPHO 系统结合机器学习和语义学来解释、推理和预测其发病机制，证明了贫困、缺乏体育锻炼、教育和失业是 TN 孟菲斯肥胖预测最重要的自变量之一。该系统的扩展功能增强了交互信息可视化，对提高医生、研究人员和卫生官员的患者和社区水平的决策提供帮助。

Jul, 2022

利用新的数据来源和人工智能方法，研究街景图像及其对社区健康结果的影响，发现数据的健壮性和模型规范性对有效分配干预措施至关重要。

Feb, 2024