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

本文提出了通过使用遥感数据和卷积神经网络预测非洲的基础设施质量，成功地推动可持续发展目标的落实。在使用 Landsat 8 遥感数据时，我们的模型表现出要比使用 OpenStreetMap 或夜晚光线强度分析的模型更为卓越的预测结果，可以准确地预测电力、排污、自来水和道路建设的基础设施质量。此外，该模型还可以在精细调整后在未知国家和限制样本的地区内进行预测。

Jun, 2018

提出了用于检测和量化人工智能引起的不平等的通用分配 - 恶化框架，应用于两个 ICU 数据集，结果显示与白人相比，非白人患者的差距显著增加（2.45％至 43.2％），其中一个评估的不平等性增加了超过 9 倍。

Apr, 2022

对城市基础设施的脆弱性进行建模与分析，利用基于图神经网络和强化学习的系统来准确刻画城市系统的脆弱性，包括城市设施的风险和脆弱性的发现。

Jul, 2023

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

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

使用深度神经网络从街景图像和卫星图像中自动提取视觉特征以估计伦敦房屋价格，实验表明学习街区的城市质量可以提高房屋价格预测，即使推广到未被看见的伦敦自治市镇。

Jul, 2018

通过应用先进的技术和方法，本研究提出了一个综合三级分层方法来评估和描述关键基础设施的破坏程度，并在乌克兰的桥梁案例中进行了验证。通过在不同尺度上应用技术，从区域到基础设施的组成部分，我们提高了评估的准确性，从而提高了决策速度，增强了恢复和应急能力。

Jan, 2024

利用卷积神经网络从大规模的人类认知感知数据集中学习，在全球范围内量化城市环境感知现象的关系。

Aug, 2016

本文提出了基于图形机器学习的方法来量化城市道路网络（URNs）中子网络的空间同质性，并发现在城市内和跨城市的空间同质性与社会经济地位以及跨城市的城市网络结构相似性高度关联。

Jan, 2021