Dec, 2023

揭示洪水适应中的不公平差异

PDF
TL;DR政府在实施新的气候适应政策以准备更频繁洪水时，必须寻求对所有社区都有效且支持气候公平的政策。本文使用 FEMA 国家洪水保险计划社区评级系统和其大约 250 万的洪水保险索赔数据集阐明了考虑这些差异对洪水适应的重要性。
climate adaptation policiesflood adaptationdisparitiesfema national flood insurance programequitable support
发现论文，激发创造
  • 自适应规划的制度基础：探讨美国德克萨斯州下里约格兰德河流域的洪水规划

    本研究通过调查得出，洪水规划在德克萨斯州下里约大谷现存的传统规划机构中缺乏自适应性的方法和应对策略，因此需要引入自然语言处理技术以解决这一问题。

    Sep, 2022

  • 利用 Sentinel-1、Sentinel-2 和 Landsat-9 图像融合改进洪水制图以识别受洪灾影响的人口和基础设施以实现高效政策设计

    本文提出了一种将光学和 SAR 遥感图像融合到共同数据空间中的方法，并在巴基斯坦 2022 年洪水中进行实证研究，揭示了洪水泛滥对地区人口和基础设施的影响。

    May, 2023

  • 支持基于卫星的洪水保险的新闻媒体中的洪水事件提取

    通过提取新闻媒体中的高分辨率时空信息，我们的研究工作展示了新闻媒体作为改善洪水损害数据的时间分辨率和扩大空间覆盖范围的有希望的来源。

    Dec, 2023

  • 无监督图深度学习揭示城市区域出现的洪水风险特征

    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

  • 训练机器学习模型以描述弱势社区的时间演变

    该研究使用机器学习模型基于人口普查数据对美国不利社区进行分类，并探讨了 2013 年至 2018 年不利社区的演变以及公平分配气候投资资源的重要性。

    Mar, 2023

  • 利用遥感和机器学习进行最不发达国家的暴露和物理脆弱性动态全球绘图

    以机器学习和遥感监测为基础，该研究致力于利用 Sentinel-1 SAR GRD 和 Sentinel-2 Harmonized MSI 等公开数据，对 47 个国家（大多数为最不发达国家）进行全球灾害风险评估，以推动减少全球气候和灾害风险的长期努力。

    Apr, 2024

  • 灾难保险：一种自适应的鲁棒优化方法

    透过引入适用于计算灾难保险费率的新颖自适应鲁棒优化（ARO）框架并结合美国国家洪水保险计划（NFIP）的实际案例研究，本研究首次应用 ARO 方法进行灾难保险定价，并设计了保护历史和预测未来风险的方法，这样可以直接纳入气候变化所带来的加剧风险，最终提供了可行的费率设计和预测风险的保障，为保险费率建模提供了新的方法，且对政策制定者和相关利益相关者在建立对自然灾害不断增长的风险的抵御力方面提供了重要的工具。

    May, 2024

  • 使用贝叶斯校正和文本分类技术估算气候适应融资收报情况

    使用文本分类技术来估算发展基金中关于气候变化适应性的过度报告率的方法，以及使用贝叶斯定理将证据融合到预测中，结果表明过度报告率为 32.03％，可信区间为 [19.81％;48.34％]。

    Nov, 2022

  • 在人道主义地图绘制中评估机器学习的公正性

    通过使用机器学习和卫星技术进行人道主义地图制作可以及时准确地识别需要帮助的人群，但是从空间进行人道主义制图的算法决策公平性和透明度的问题是这些方法在实践中应用的一个重要障碍，本研究以印度为例通过夜间灯光数据使用线性回归和随机森林算法制图并分析调查结果，发现贫困被系统性地高估，电气化则被系统性地低估，这将影响人道主义制图应用的多个方面并对政策目标产生负面影响。

    Aug, 2021

  • 利用多模态框架进行全球灾害预测的多样数据驱动

    随着气候变化加剧，准确的全球规模灾害预测变得迫切。本研究提出了一种新颖的多模态灾害预测框架，结合了天气统计数据、卫星图像和文本洞察。我们特别关注 “洪水” 和 “滑坡” 的预测，因为它们与气象和地形因素相关。该模型基于现有数据精心设计，并实施策略来解决类别不平衡问题。虽然我们的研究结果表明，整合多种数据来源可以提升模型性能，但增强程度因每种灾害的特性和其独特的根本原因而有所不同。

    Sep, 2023