Интеграция социальных и экологических данных в агентные модели устойчивого городского развития

Эволюция городского моделирования в направлении устойчивого развития

Городское развитие всегда было сложным взаимодействием социальных, экономических и экологических сил. Традиционные подходы к планированию часто рассматривали эти измерения в изоляции, что приводило к непреднамеренным последствиям - разрастанию, неравному доступу к ресурсам или деградации окружающей среды. Поскольку города сталкиваются с усиливающимся давлением роста населения и изменения климата, существует настоятельная необходимость в интегрированных инструментах, которые могут целостно охватить эту динамику. Модели на основе агентов (ABM) появились в качестве особенно перспективной основы, поскольку они имитируют поведение и взаимодействие отдельных субъектов - резидентов, предприятий, политиков - и показывают, как местные решения пульсируют через городскую систему. Подпитывая эти модели как социальными, так и экологическими данными, планировщики могут исследовать пути устойчивого развития, которые уравновешивают благосостояние человека с экологическим здоровьем.

Основное преимущество ПРО заключается в их способности представлять неоднородность и нелинейную обратную связь. В отличие от агрегированных моделей, которые предполагают среднее поведение, ПРО позволяют каждому агенту иметь уникальные атрибуты, предпочтения и правила принятия решений. Эта гранулярность делает их идеальными для изучения таких явлений, как сегрегация жилых помещений, заторы на дорогах или распространение практики зеленого строительства. Когда социальные и экологические данные интегрированы в правила агентов и окружающую среду, в которой они живут, модель становится живой лабораторией для тестирования политики перед внедрением.

Что такое агент-ориентированные модели?

Агентная модель представляет собой вычислительную модель, в которой автономные сущности, называемые агентами, взаимодействуют друг с другом и со своей средой в соответствии с определенными правилами. Агенты могут представлять людей, домохозяйства, фирмы, государственные учреждения или даже животных и экосистемы. Окружающая среда обычно представляет собой пространственное представление города или региона, в комплекте с такими слоями, как земельные участки, транспортные сети, здания и природные объекты.

На каждом этапе агенты воспринимают состояние мира, оценивают варианты и действуют — например, агент по дому может выбрать новый район на основе цен на жилье, времени на дорогу и качества школы. На многих этапах решения на микроуровне создают модели макроуровня: кластеры бедности, узкие места в трафике или потеря зеленых насаждений. Это появление является ключевой силой ПРО: они объясняют, как результаты на системном уровне возникают из индивидуального поведения.

В городском планировании хорошо известные приложения включают в себя структуру UrbanSim, которая имитирует землепользование и транспорт, и NetLogo, которая исследует динамику пешеходов или потребление энергии. Обзор Batty (2018) в журнале Окружающая среда и планирование B описывает, как ABM дополняют другие пространственные модели, захватывая адаптацию и узнавая, что больше статических моделей пропускают. Batty (2018) — Цифровые двойники и агентные модели.

Как агенты учатся и адаптируются

Современные ПРО часто включают алгоритмы обучения. Агенты могут обновлять свои убеждения на основе прошлых результатов - например, ритейлер может первоначально найти в оживленной зоне, но двигаться, если пешеходный трафик снижается после открытия новой транзитной линии. Социальные данные, такие как модели миграции или мобильность работы, могут калибровать эти правила обучения. Данные об окружающей среде, такие как уровни загрязнения воздуха, могут ограничивать выбор агентов: домохозяйство с астматическими детьми может избегать зон высокого загрязнения. Эта двусторонняя обратная связь между социальным поведением и условиями окружающей среды делает интегрированные ПРО настолько мощными для анализа устойчивости.

Размер данных: социальные и экологические источники

Качество и актуальность ПРО напрямую зависят от данных, используемых для инициализации агентов, определения правил и проверки результатов. Социальные данные фиксируют демографию, поведение и институты человека; экологические данные описывают биофизическую и построенную среду. Вместе они создают полную картину городских систем.

Типы и источники социальных данных

Социальные данные можно разделить на несколько категорий:

Основные источники включают национальные статистические агентства, такие как Бюро переписи населения США (]census.gov), Евростат Европейского союза и местные порталы открытых данных. Во многих контекстах синтетические популяции создаются для сохранения конфиденциальности при сохранении статистического реализма.

Типы и источники экологических данных

Экологические данные, относящиеся к устойчивости городов, включают:

Экологические агентства, такие как Европейское агентство по окружающей среде (]eea.europa.eu) и Агентство по охране окружающей среды США предоставляют обширные наборы данных. Продукты дистанционного зондирования от НАСА и ЕКА находятся в свободном доступе. Многие города также используют сенсорные сети IoT для мониторинга окружающей среды в режиме реального времени.

Интеграция социальных и экологических данных в ПРО: методы и передовая практика

Интеграция заключается не только в том, чтобы сбрасывать данные в модель. Она включает в себя выравнивание пространственных и временных масштабов, обработку отсутствующих данных и калибровку наблюдаемых явлений. Систематический подход проходит несколько этапов.

Предобработка данных и Fusion

Социальные и экологические данные часто приводятся в разных разрешениях. Группы блоков переписи могут составлять несколько гектаров, в то время как данные мониторинга качества воздуха основаны на точках. Методы синтеза включают:

Библиотеки Python, такие как Pandas, Geopandas и Rasterio, упорядочивают эти задачи.

Перевод данных в правила агентов

Социальные данные определяют атрибуты агента — типичный бытовой агент может иметь класс дохода, владение автомобилем и количество детей. Данные об окружающей среде определяют состояние мира — участок земли имеет определенное землепользование, риск наводнений и уровень шума. Правила связывают атрибуты с поведением: например, «если доход домохозяйства низкий, а частота транзита поблизости высока, то вероятность использования общественного транспорта увеличивается». Данные также могут обучать классификаторы машинного обучения, которые предсказывают решения агента. Пример: исследование Filatova et al. (2013) использовал спутниковые карты риска наводнений и данные обследования о восприятии риска для моделирования перемещения домашних хозяйств после бедствий.

Калибровка и валидация

Модели должны быть откалиброваны для воспроизведения исторических моделей - плотности населения, изменения землепользования, количества трафика - и проверены на основе независимых данных. Общие методы включают ориентированное на шаблон моделирование (сравните моделируемые и наблюдаемые пространственные модели) и анализ чувствительности для выявления влиятельных параметров. Данные об окружающей среде, такие как изменение растительного покрова с течением времени, обеспечивают ориентир для точности запуска модели. Социальная валидация может включать сравнение индексов сегрегации, генерируемых моделью, с данными переписи.

Мощным подходом является ассимиляция данных, используемая в прогнозировании погоды, где наблюдения в реальном времени подаются в модель для корректировки курса. Для ПРО это все еще появляется, но обещает адаптивное управление городами.

Приложения для устойчивого городского развития

Комплексные социально-экологические ПРО были развернуты в различных областях. Нижеследующие примеры иллюстрируют их диапазон.

Транспорт и мобильность

Традиционные транспортные модели рассматривают поездки как производный спрос от землепользования. ПРО идут дальше, имитируя, как люди выбирают режим, маршрут и время деятельности на основе социальных ограничений (например, доход, график работы) и экологических факторов (например, качество воздуха вдоль маршрута). Например, модель Пекина проверила влияние платы за перегрузку на выбросы, а также учет справедливости: агенты с низким доходом, которые не могли позволить себе плату, перешли на более загрязненные транзитные коридоры. Результат помог разработать схему компенсации для уязвимых групп населения. Внешняя связь: Инь и др. (2021) - перспектива социального равенства в ABM для транспортной политики .

Зелёная инфраструктура и землепользование

Расширение городов потребляет естественные среды обитания и увеличивает углеродные следы. ПРО позволяют планировщикам моделировать влияние политики зонирования, которая концентрирует развитие в транзитно-ориентированных узлах при сохранении зеленых поясов. Социальные данные о предпочтениях для пригородной и городской жизни в сочетании с экологическими данными о качестве почвы и экосистемных услугах могут выявить компромиссы. Одна модель для Портленда, штат Орегон, показала, что сценарий умеренной плотности достиг как доступности жилья, так и целевых показателей сокращения выбросов углерода. В модели использовались данные о доходах IRS, земельный покров NLCD и данные о доступе к местным паркам.

Адаптация к изменению климата и устойчивость

Изменение климата приводит к волнам тепла, наводнениям и повышению уровня моря. ПРО, населённая демографическими данными, может определить, какие сообщества наиболее подвержены воздействию — пожилые жители в плохо изолированных домах, домохозяйства с низким доходом в зонах наводнений — и смоделировать их адаптивные реакции. Например, модель микроданных переписи населения округа Майами-Дейд, карты наводнений FEMA и данные страховых претензий для оценки влияния субсидируемых возвышений домов. Данные по окружающей среде о будущих штормовых нагонах от NOAA привели к сценариям. Результаты проинформировали о распределении облигаций устойчивости округа.

Энергетика и выбросы

Агентные модели спроса и предложения энергии все чаще используются для разработки программ реагирования на спрос и стимулов для внедрения возобновляемых источников энергии. Социальные данные о доходах, образовании и влиянии сверстников (из социальных сетей) определяют кривые принятия солнечной энергии на крыше, в то время как экологические данные о солнечном облучении и ориентации крыши задают технический потенциал. Исследование в Остине, штат Техас, показало, что прогрессивная программа скидок увеличила принятие среди домохозяйств с низким доходом при сохранении общего сокращения выбросов. Модель была калибрована с использованием данных смарт-метра коммунальных услуг и демографических данных переписи населения.

Проблемы и открытые вопросы

Несмотря на их обещания, интеграция социальных и экологических данных в противоракетные системы чревата препятствиями. Дьявол в деталях и в данных.

Качество и доступность данных

Социальные данные часто устаревают, агрегируются или неполны. Данные переписи выпускаются только каждые 5-10 лет; данные мобильных телефонов страдают от смещения выборки. Данные об окружающей среде могут иметь грубое разрешение или быть непоследовательными в разных юрисдикциях. Наземная правда дорогая. Моделирующие компании должны документировать предположения и выполнять количественную оценку неопределенности. Открытые стандарты, такие как OGC GeoSPARQL и инициативы, такие как OpenStreetMap , частично касаются совместимости, но многое остается.

Конфиденциальность и этика

Социальные данные индивидуального уровня вызывают обеспокоенность в отношении конфиденциальности, особенно когда они связаны с данными о местоположении. Дифференциальные методы конфиденциальности и синтетическая генерация данных могут смягчать риск, но они могут искажать отношения. Кроме того, ПРО могут непреднамеренно усиливать предубеждения, присутствующие в исторических данных - например, если прошлые дискриминационные методы кредитования встроены в правила агентов, модель может увековечить неравенство. Этические руководящие принципы и моделирование с участием заинтересованных сторон сообщества являются важными гарантиями.

Вычислительные и технические вызовы

Запуск крупномасштабных ПРО с миллионами агентов, экологическими слоями высокого разрешения и итеративной калибровкой требует вычислительных усилий. Часто требуются высокопроизводительные вычисления и облачные ресурсы, которые могут быть недоступны для небольших отделов городского планирования. Модельная связь (например, связь ПРО с моделью погоды или гидрологии) добавляет сложность. Растет экосистема инструментов с открытым исходным кодом — GAMA , NetLogo , Mesa (Python) — это снижает барьер. Исследование 2022 года консорциумом OpenABM обеспечивает сравнительный обзор. Внешняя ссылка: CoMSES Network — OpenABM repository.

Трудности валидации

Проверка интегрированных моделей сложна, потому что мы не можем проводить контролируемые эксперименты на реальных городах. Проверка лица (проверка с экспертами) и проверка на соответствие шаблонам являются стандартными, но они не доказывают, что механизмы верны. Область движется к вне выборки валидации — сохранение последних лет данных скрытых и тестирование прогнозов моделей — и надежное принятие решений , который фокусируется на выявлении политик, которые хорошо работают во многих правдоподобных фьючерсах, а не точные точечные прогнозы.

Будущие направления: данные в реальном времени, моделирование с участием и цифровые двойники

Практика интеграции социальных и экологических данных в ПРО стремительно развивается. Выделяются три тенденции.

Слияние данных в реальном времени

С распространением датчиков IoT и каналов социальных сетей становится возможным подавать живые данные в противоракетные системы. Представьте модель, которая поглощает объемы трафика в реальном времени и показания качества воздуха для динамической корректировки времени сигнала или предлагает альтернативные маршруты. Это видение городских цифровых двойников - интерактивных копий городов, которые имитируют последствия вмешательств в реальном времени. Виртуальный Сингапур Сингапура и проект Европейского Союза Destination Earth являются новаторскими примерами. противоракетные системы могут служить поведенческим двигателем в этих цифровых двойниках, в то время как социальные и экологические потоки данных поддерживают их актуальность.

Интеграция машинного обучения

Машинное обучение (ML) может автоматизировать вывод правил агента из данных, уменьшая зависимость от экспертных предположений. Например, агенты обучения с подкреплением могут научиться оптимизировать выбор своего местоположения с помощью проб и ошибок в модели, имитируя обучение человека. В то же время ML может помочь с калибровкой модели путем поиска пространственных параметров высокой размерности. Однако необходима осторожность: правила ML черного ящика могут не иметь интерпретируемости, и они могут не обобщать за пределами данных обучения. Гибридные подходы, которые сочетают правила теории с коррекциями, управляемыми данными, являются многообещающими.

Модели совместного и совместного проектирования

Устойчивость требует демократической легитимности. В моделировании участия участвуют заинтересованные стороны — резиденты, планировщики, владельцы бизнеса — в определении агентов, правил и сценариев. Социальные данные могут поступать с семинаров или онлайн-платформ, где люди выражают предпочтения. Экологические данные могут дополняться гражданскими научными инициативами, такими как мониторинг качества воздуха в сообществе. Этот подход укрепляет доверие и гарантирует, что результаты модели являются актуальными и действенными. Подход ComMod (Моделирование компаний) из Франции является зрелой методологией для таких МБР с участием участников.

Вывод: к устойчивости городов на основе фактических данных

Интеграция социальных и экологических данных в агентные модели не является панацеей, но это одна из самых строгих рамок, доступных для изучения устойчивого городского развития. Путем заземления моделирования в реальных демографических, поведенческих и экологических данных планировщики могут тестировать политику в условиях отсутствия риска, выявлять непреднамеренные последствия и вовлекать сообщества в совместное создание решений. Технология все еще развивается - пробелы в данных, вычислительные ограничения и проблемы проверки сохраняются - но траектория ясна: по мере того, как данные становятся богаче, а модели становятся умнее, разрыв между смоделированными и реальными городами будет сужаться.

Устойчивость городов — это не только техническая проблема, это социальная и политическая. ПРО — это инструменты для обсуждения, а не для принятия решений. Они могут осветить компромиссы: уплотнение может уменьшить использование автомобилей, но увеличить местное тепловое воздействие; зеленые крыши могут улучшить управление ливневыми водами, но повысить стоимость жилья. С социальными и экологическими данными, вплетенными в их ткань, эти модели помогают обеспечить, чтобы огни, которые мы оставляем для будущих поколений, были ярче, справедливее и зеленее.

Ключевой вывод:] Наиболее эффективными городскими ПРО являются те, которые рассматривают социальные и экологические данные не как отдельные входы, а как взаимосвязанные слои одной и той же сложной системы. При тщательном подходе интеграция раскрывает пути к городам, которые являются как пригодными для жизни, так и устойчивыми.