AI for Urbanization and Sustainable Development
【主题】技术研讨会
AI for Urbanization and Sustainable Development
【时间】2024年5月31日14:00-17:30
【地点】电子系7层咖啡厅
城市科学与计算研究中心第41次技术研讨会将于5月31日周五下午14:00举办。
本次技术研讨会的主题是“AI for Urbanization and Sustainable Development”，随着城市化进程的快速推进，各类可持续问题引起了广泛的关注，可持续发展的研究也成为了一个非常重要的研究方向。现代人工智能技术在测量感知、预测模拟、决策行动等各方面都展示了巨大的潜力，成为解决城市化和可持续发展问题的重要工具。
本次workshop将首先介绍城市化和可持续发展的研究脉络，初步探讨AI技术在可持续发展过程中的可能应用。接着，我们将详细讲解可持续发展在社会经济、自然环境、城市化等具体领域的研究实例，讨论相关的研究话题和范式。最后，我们将从AI方法的角度，重新总结上述内容，展示不同类型的AI技术如何在不同应用方向中发挥作用。
Part.1 / 社会经济
可持续发展强调自然、社会、经济三要素协调发展，促进社会的总体进步，避免一方面的受益以牺牲其他方面的发展和社会总体受益为代价。本部分我们主要关注可持续发展目标下与社会、经济要素相关的11个子目标，并从中提炼出3个重要的议题——贫困、健康与不平等。在这些议题上，人类社会经济活动的复杂多因特性与欠发达地区的数据稀疏问题对于相关指标的准确识别、预测、干预带来重大挑战。本部分将针对上述问题，梳理顶刊中AI方法在贫困识别与干预、身体和心理健康预测、不平等预测与溯因等方面的应用进展。
图 1.AI方法在社会经济可持续发展问题中的典型应用
参考文献
[1] Jean, N., Burke, M., Xie, M., Davis, W. M., Lobell, D. B., & Ermon, S. (2016). Combining satellite imagery and machine learning to predict poverty. Science, 353(6301), 790-794.
[2] Murphy, C., Laurence, E., & Allard, A. (2021). Deep learning of contagion dynamics on complex networks. Nature Communications, 12(1), 4720.
[3] Rotaru, V., Huang, Y., Li, T., Evans, J., & Chattopadhyay, I. (2022). Event-level prediction of urban crime reveals a signature of enforcement bias in US cities. Nature human behaviour, 6(8), 1056-1068.
Part.2 / 自然环境
可持续发展目标要求人类保护好赖以生存的大气、淡水、海洋、土地和森林等自然资源和环境，使子孙后代能够永续发展和安居乐业。为达成上述目标，需要对自然环境进行实时准确的监测与监管，并评估未来发展趋势对自然环境造成的影响。为解决人工监测覆盖率低、卫星监测分辨率不足、传统方法预测不精准挑战，近期研究已引入AI技术助力自然环境可持续发展。该部分我们主要关注可持续发展目标下与自然环境相关的4个子议题——能源碳排、气候、环境资源与生物多样性，重点介绍AI方法在碳排测算与管控的应用、AI方法在气候重建与预测生成的应用、AI方法在水资源与城市绿地资源监测的应用以及AI方法在生物多样性监测与保护的应用等方面的最新进展。
图 2.AI方法在自然环境可持续发展问题中的典型应用
参考文献
[1] Mugabowindekwe M, Brandt M, Chave J, et al. Nation-wide mapping of tree-level aboveground carbon stocks in Rwanda[J]. Nature Climate Change, 2023, 13(1): 91-97.
[2] Ravuri S, Lenc K, Willson M, et al. Skilful precipitation nowcasting using deep generative models of radar[J]. Nature, 2021, 597(7878): 672-677.
[3] Silvestro D, Goria S, Sterner T, et al. Improving biodiversity protection through artificial intelligence[J]. Nature Sustainability, 2022, 5(5): 415-424.
[4] Paolo F S, Kroodsma D, Raynor J, et al. Satellite mapping reveals extensive industrial activity at sea[J]. Nature, 2024, 625(7993): 85-91.
Part.3 / 城市化
城市化是一个复杂多变的进程，可以大致分为城市化、郊区化、逆城市化和再城市化四个主要阶段。而在每个阶段，城市化的进程都带来了不同的社会、经济、环境问题，包括城市热岛、交通拥堵、住房紧张、城市衰败等，这些问题可以被统称为城市病。本部分我们关注城市化进程与相关的城市病，并将两者区分开来，首先讨论城市化过程相关的新兴研究问题，之后从两个方面分别探讨城市热岛、城市风场等自然环境问题、与城市衰败、交通拥堵等人口经济问题，梳理相关应用进展，并总结新的AI方法在这一领域的适用主题。
图 3.城市化进程的四个阶段
参考文献
[1] Rentschler, J., Avner, P., Marconcini, M. et al. Global evidence of rapid urban growth in flood zones since 1985. Nature 622, 87–92 (2023).
[2] Wang, H. The role of informal ruralization within China’s rapid urbanization. Nat Cities 1, 205–215 (2024).
[3] Manoli, G., Fatichi, S., Schläpfer, M. et al. Magnitude of urban heat islands largely explained by climate and population. Nature 573, 55–60 (2019).
[4] Sutradhar, U., Spearing, L. & Derrible, S. Depopulation and associated challenges for US cities by 2100. Nat Cities 1, 51–61 (2024).
Part.4 / AI 方法
针对不同可持续发展目标的研究在使用的AI方法上存在一定共性，同时，在感知测量、分析预测、优化控制、模拟生成等不同应用场景中采用的具体技术路线又有所不同。特别地，图神经网络、基于代理的建模、可解释卷积神经网络、生成式人工智能、强化学习与大语言模型等具有代表性的技术在各类可持续发展目标的研究中得到了较为广泛的应用。该部分我们重点关注典型AI方法在解决可持续发展研究的挑战上所做出的创新及最新进展，并探讨可行的研究方向。
图 4.可持续研究中的AI方法
参考文献
[1] Gomes, C., Dietterich, T., Barrett, C., Conrad, J., Dilkina, B., Ermon, S., ... & Zeeman, M. L. (2019). Computational sustainability: Computing for a better world and a sustainable future. Communications of the ACM, 62(9), 56-65.
[2] Chatterjee, D., & Rao, S. (2020). Computational sustainability: A socio-technical perspective. ACM Computing Surveys (CSUR), 53(5), 1-29.
[3] Degrave, J., Felici, F., Buchli, J., Neunert, M., Tracey, B., Carpanese, F., ... & Riedmiller, M. (2022). Magnetic control of tokamak plasmas through deep reinforcement learning. Nature, 602(7897), 414-419.
