城市建成环境（Built Environment）是人类为保证正常城市功能的运行所构建的一系列物理要素，涵盖建筑设施、道路桥梁、公园绿地等各类城市基础设施。在高度城市化的今天，全球超过55%的人口居住于城市中，被城市建成环境所包围。因此，城市建成环境已成为人类健康的环境决定性因素（Environmental Determinant of Health），并受到城市规划、公共卫生等领域研究者的广泛关注。清华大学电子工程系城市科学与计算研究中心近日在 ACM SIGSPATIAL 2023 发表论文《Devil in the Landscapes: Inferring Epidemic Exposure Risks from Street View Imagery》，提出利用街景卫星图像预测疾病传播风险的全新框架，基于人口流动仿真构建城市疾病传播网络，并融合传染病数学模型与图神经网络，将传统领域知识嵌入到深度学习模型的设计中，实现了知识-数据协同驱动的研究范式。此外，模型还通过构建辅助任务显式预测街景图像中影响疾病传播的相关特征占比，通过多目标学习的方法进一步引入领域知识，提升预测性能。该研究建立了从传播风险定义到预测的完整框架，藉由公开可得的海量街景数据为缺乏大规模传染病检测能力的地区提供了新的疫情风险评估手段。· 文章题目：Devil in the Landscapes: Inferring Epidemic Exposure Risks from Street View Imagery· 作者：韩振宇，席彦新，夏彤，刘宇，李勇 · 会议：ACM SIGSPATIAL 2023· DOI: https://doi.org/10.1145/3593589· 论文链接：https://arxiv.org/abs/2311.09240 · 开源代码：https://github.com/tsinghua-fib-lab/EpidemicGCN
本研究收集了英格兰地区6512个MSOA共20万张街景图像、32万张3m分辨率的卫星图像对疾病传播风险进行预测。MSOA为英国的细粒度人口统计区划单位，其平均人口为8000人、平均面积为20 km2 。同时，MSOA也是英国公开可得的疫情数据最小空间单位。本研究基于2020年9月1日至2021年4月30的疫情曲线推断疫情传播风险，此段时间是英国第二波疫情爆发窗口，且均采用精度较高的核酸检测，从而最大程度保证了疫情统计数据的准确性。基于上述政策可感的传染病模型与疫情曲线，我们推断了每个MSOA的疫情传播风险，如表1所示。
[1] Yang, Jun, et al. "The Tsinghua–Lancet Commission on Healthy Cities in China: unlocking the power of cities for a healthy China." The Lancet 391.10135 (2018): 2140-2184. [2] Bai, Yuqi, et al. "Healthy cities initiative in China: progress, challenges, and the way forward." The Lancet Regional Health–Western Pacific 27 (2022). [3] Rader, Benjamin, et al. "Crowding and the shape of COVID-19 epidemics." Nature medicine 26.12 (2020): 1829-1834. [4] Morawska, Lidia, et al. "How can airborne transmission of COVID-19 indoors be minimised?." Environment international 142 (2020): 105832. [5] Ku, Donggyun, et al. "Safe traveling in public transport amid COVID-19." Science advances 7.43 (2021): eabg3691. [6] Spotswood, Erica N., et al. "Nature inequity and higher COVID-19 case rates in less-green neighbourhoods in the United States." Nature Sustainability 4.12 (2021): 1092-1098. [7] Maier, Benjamin F., and Dirk Brockmann. "Effective containment explains subexponential growth in recent confirmed COVID-19 cases in China." Science 368.6492 (2020): 742-746. [8] Cui, Yin, et al. "Class-balanced loss based on effective number of samples." Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019.
