ML4EJ: 用可解释机器学习解码城市特征在塑造环境不公正中的作用
本研究探讨了社会人口统计学、建筑环境特征和环境危害暴露特征在确定社区癌症患病率方面的相互作用。通过使用来自美国五个大都市统计区的数据:芝加哥,达拉斯,休斯敦,洛杉矶和纽约,该研究实施了一个 XGBoost 机器学习模型来预测癌症患病率的程度,并评估了不同特征的重要性。研究结果表明,年龄、少数民族地位和人口密度是癌症患病率中最具影响力的因素之一。同时,研究还探讨了可减轻癌症患病率的城市规划和设计策略,重点关注绿地、开发区和总排放量。通过一系列基于因果推断的实验评估,研究结果显示,增加绿地、减少开发区和总排放量可以缓解癌症患病率。本研究的发现为城市特征和社区健康之间的相互作用提供了更好的理解,并显示可解释的机器学习模型在促进公共卫生的综合城市设计中的价值。该研究还为城市规划和设计提供了可操作性的见解,强调了通过综合城市设计策略来解决城市健康差距的多方面方法的必要性。
Jun, 2023
本研究旨在揭示城市地区基础设施质量的不平等特征,并提出了一种基于机器学习的方法来计算基础设施质量的不平等程度,以此为基础推动数据驱动与机器智能为依据的综合城市设计策略,促进基础设施公平和环境正义。
Feb, 2024
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
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
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
该研究利用卫星图像和在线群众采集与社交媒体数据,运用机器学习方法,建立了可预测多个具有地理聚集特征的人口聚居地财富平均数和标准差的模型,并在塞拉利昂和乌干达进行了验证和性能比较,揭示元数据对农村区域财富预测有更好的表现。该方法不仅能恢复本地财富的平均数和变异性,还能捕捉它们之间的正相关性,具有一定的可迁移性和可解释性。
Feb, 2023
全球可持续性要求低碳城市交通系统,通过充足的基础设施、低碳交通方式的部署和出行行为转变来塑造;为了适当地实施基础设施的改变,必须理解建成环境对交通的区域特定因果关系机制的影响。本研究使用因果发现和可解释机器学习框架,利用三大洲六个城市的高分辨率出行数据来检测城市形态对市内交通的影响,并发现距离市中心、人口统计数据和密度间接影响其他城市形态特征;通过考虑因果关系,发现不同城市的具体影响力基本相似但存在差别。此外,城市的扩张程度和工作的覆盖范围对交通排放是最有影响力的因素,凸显了紧凑城市发展及相关好处的重要性。不同城市的城市形态效应的差异需要更全面的 6D 度量标准定义。我们的研究是使用因果发现方法进行就地分析城市形态对移动行为影响的起点,对城市规划者和各大洲的市政当局具有重要价值。
Aug, 2023
本篇文章阐述了在水质管理过程中,通过搜索现象的位置与天气变量集对水质变量进行识别和解释的需要性,并提出了以机器学习算法和 Shapley 值来帮助解释水质数据,使用不同算法和都柏林运河数据进行了相关性能评估。
Dec, 2022
本研究提出了一种地域负担均衡的方案以解决人工智能带来的环境问题,并通过基于管辖区域的碳和水足迹进行模拟,证明该方案可以显著减少碳和水足迹造成的环境不平等问题。
Jun, 2023