基于机器学习的社区风险和韧性后评估方法:基于耦合人类基础设施系统绩效
该研究提出了一个集成的三层深度学习模型用于评估社区韧性水平,通过计算社区社会技术系统中的韧性、冗余和资源性的可测量特征,利用公开可获取的数据将空间区域的韧性水平划分为五个不同的级别,并分析了城市发展模式对社区韧性的影响,从而为社区韧性评估提供了新的视角。
Nov, 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
通过对三次极端天气事件中与电力故障相关的超过 200 个恢复曲线的研究,使用无监督机器学习方法鉴别了两种电力系统恢复曲线原型,分别是三角形曲线和梯形曲线,这些结果为更好地理解和预测电力系统基础设施的恢复性能提供了新的视角。
Oct, 2023
在气候灾害增加的时代,迫切需要发展可靠的框架和工具来评估和提高社区在不同地理和时间尺度上对气候灾害的韧性。本研究通过 CyberGIS 的力量来填补这些空白,实现了定制的韧性推断测量模型,支持多尺度社区韧性评估和重要社会经济因素的识别,提供了基于高性能计算的韧性推断测量和增强模块,演示了该模块的实用性,并通过代表性研究解释了如何解读获得的视觉结果。
Apr, 2024
通过对 2011 至 2021 年的全球灾害风险动态进行世界风险指数的时间分析,评估了减轻风险和创造安全环境所采取的措施的影响,并发现尽管持续努力,全球的风险景观仍然分为两个主要集群,而当前的政策和机制对于帮助国家从危险位置转移到更安全位置并不有效。因此,需要针对这些国家特定的脆弱性,发展创新的方法来应对持续的灾害风险管理挑战。
Jan, 2024
本研究探讨使用端到端机器学习直接预测可靠性指标,提出了基于输入特征的系统阻抗矩阵编码的机器学习流程,通过对输电线路的定期维护对特定拓扑变化的影响进行考虑,使用支持向量机和 Boosting Trees 进行训练和比较,实验证明了该方法在可靠性评估中的适用性。
May, 2022
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
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
本研究提出三种替代神经网络方法来模拟和预测系统性能,包括负面和正面因素对于抵御破坏性事件和恢复活动的影响,结果表明神经网络模型在所有适配性评估指标上优于传统模型,特别是长短期记忆模型在可调整 R 方面表现出超过 60% 的提高并将预测误差降低了 34 倍。这些结果表明神经网络模型预测弹性具有可行性和准确性,并可能在许多重要领域中找到实际用途。
Aug, 2023