Kentsel Modellemenin Sürdürülebilirlik Evrimi

Kentsel gelişim her zaman sosyal, ekonomik ve çevresel güçlerin karmaşık bir parçası olmuştur. Geleneksel planlama yaklaşımları genellikle bu dinamikleri tamamen ortadan kaldırabilecek şekilde, istenmeyen sonuçlara yol açan -özellikle de kaynaklarına, ya da çevresel bozulmalara erişmiş gibi - şehirler nüfus büyüme ve iklim değişikliğinden kaynaklanan baskılarla karşı karşıyadır, bu dinamikleri bütünleştirerek, bu dinamikleri bütünleştirerek, sosyal gelişim planlayıcıları ve sosyal gelişimleri araştıran bir çerçeve olarak ortaya çıkarlar.

ABM'lerin temel avantajı, konut ayrımı, trafik sıkışıklığı veya yeşil bina uygulamaları gibi fenomenleri temsil etme yeteneğinde yatıyor.ABMs, her ajanın eşsiz niteliklere, tercihlere ve karar kurallara sahip olmasına izin veriyor. Bu granularity, uygulamadan önce test politikaları için ideal hale getiriyor.

Agent-Based Modeller Nedir?

Bir ajan tabanlı model, özerk varlıkların – ajanlar olarak adlandırılan bir simülasyondur – birbirleriyle ve çevreleriyle tanımlanmış kurallara göre hareket edebilir. Ajanslar insanları, haneleri, şirketleri, hükümet ajanslarını veya hatta hayvanları ve ekosistemleri temsil edebilir.

Model ayrık zaman adımlarında çalışır. Her adımda, ajanlar dünyanın durumunu algılar, seçenekleri değerlendirebilir ve hareket eder - örneğin, bir ev ajanı konut fiyatlarına dayanan yeni bir mahalle seçebilir, zaman ve okul kalitesi.Birçok adım, mikro seviyeli kararlar makro seviyeli modeller üretir: yoksulluk kümeleri, trafik şişeleri veya yeşil alanın kaybı.

ABMs, ekoloji, ekonomi ve sosyal bilimde onlarca yıldır kullanılıyor. Kentsel planlamada, tanınmış uygulamalar şöyle diyor:0)UrbanSim) çerçevesi, araziyi simüle eden ve taşımayı yapan ABM'ler, ABM'ler, dış bağlantıyı keşfederek başka bir uzaysal modeli nasıl tamamlamaktadırlar: www.Town-T:0|D D D D D D D D D D D D D D D D D D D FONT FONT FONT=D FONT=D FONT=D FONT=D FONT=D=D FONT=D=D=D=D=D=D=D=D=D FONT=D FONT=D=D=D FONT=D FONT=D FONT=D FONT=D FONT=D FONT=D FONT=D=D FONT=D FONT=D FONT=D FONT=D FONT=D FONT=D FO

Ajanslar Nasıl Öğrenilir ve Adaptasyon

Modern ABMs genellikle öğrenme algoritmaları içerir. Agents geçmiş sonuçlara dayanan inançlarını güncelleyebilir -örneğin, bir perakendeci başlangıçta yoğun bir alanda bulabilir, ancak yeni bir geçiş çizgisi açılırsa veya iş hareketliliği arasındaki bu iki yönlü geri bildirim, ABM'ler gibi bu öğrenme kurallarının entegre edilmesi gibi bir şekilde güçlü hale getirir.

Data Dimension: Sosyal ve Çevre Kaynakları

ABM'nin kalitesi ve önemi, ajanların başlangıçta kullanılması, kuralları tanımlamak ve çıktıları doğrulamak için kullanılan verilere bağlıdır. Sosyal veriler insan demografiklerini, davranışları ve kurumları ele alır; çevresel veriler biyofiziksel ve inşa edilmiş ortamı tanımlar. Birlikte, tam bir kentsel sistemler resmi yaratırlar.

Sosyal Veri Türleri ve Kaynakları

Sosyal veriler birkaç kategoriye sınıflandırılabilir:

  • [[Düzücü ve ekonomik veriler[Dönetici:0)[Döneticiler, ev anketleri, vergi kayıtları. Göstergeler yaş, gelir, eğitim, istihdam ve ev kompozisyonu içerir. Bu veriler, ajan özelliklerini tanımlar ve mahallelere göre mekansal olarak parçalanabilir.
  • [FONT:0)Mobilite ve aktivite kalıpları[[Dönetici: 1) Mobil telefon kayıtları, GPS izlerini, halka açık akıllı kartları ve seyahat anketlerini ortaya koyarlar. Bu, insanların zaman harcadığı ve hangi modları kullandıklarını ortaya koyar.
  • [FONT:0]Sosyal ağ ve etkileşim verileri[[Dönetici: 1) anket veya online platformlardan sosyal bağlar anlama, fikirlerin difüzyonunu (örneğin, güneş panellerini kabul etme) veya hastalıkların yayılmasına yardımcı olur.
  • [FONT:0]Institution and policy data) - zoning kodları, vergi teşvikleri ve kamu hizmetleri. Bu, kısıtlayıcı ajan davranışlarının kurallarını şekillendirir.

Büyük kaynaklar ABD Census Bürosu ([Dönetici:0) gibi ulusal istatistik ajansları içerir; Avrupa Birliği'nin Eurostatı ve yerel açık veri portalları, birçok bağlamda, sentetik popülasyonlar, istatistiksel gerçekçiliği korurken mahremiyeti korumak için üretilir.

Çevre Veri Türleri ve Kaynakları

Kentsel sürdürülebilirlik ile ilgili çevresel veriler şunları içerir:

  • [FONT:0]Land kullanımı ve arazi kapağı[Dönetici: 1) Uydu görüntülerinden (Landsat, Sentinel-2), cadastral haritalar ve GIS veritabanını planlama. Bu, model ortamının temel katmanını, binaları, parkları, yolları, su bedenlerini ve arazileri tasvir eder.
  • [FONT:0]Climate ve hava verileri[[Döntgen: 1 ) - sıcaklık, yağış, rüzgar kalıpları. Sıcaklık, ısı ada etkilerini, sel riskleri ve enerji talebi.
  • [FONT:0] Hava ve su kalitesi[[Dönetici:0)[Dönetici:0) Hava ve su kalitesi[Dönetici: 0,1] - izleme istasyonları, mobil sensörler ve uydu retrievals (e.g., NASA'nın aerosoller için MODIS). Agents sağlık sonuçları ve konum tercihleri bu değişkenlere bağlı olabilir.
  • [FONT:0) Enerji, su ve atık akışları - faydalı kayıtlar ve akıllı metre verileri. Bu bilgi kaynakları tüketimi ve emisyonlar ev veya bina seviyesinde.
  • [FONT:0]Biodiversity ve ekosistem hizmetleri) - tür dağıtım verileri, yeşillik indeksleri (NDVI), ve kirletici haritaları değerlendirmek için önemli. Yeşil altyapının ortak özelliklerini değerlendirmek için.

Avrupa Çevre Ajansı ([[DÜDÜ:0) gibi çevresel ajanslar, gerçek zamanlı çevre izleme için IoT ağlarını da işletmektedir.

Sosyal ve Çevre Verileri ABM'ye entegre etmek: Yöntemler ve En İyi Uygulamalar

Entegrasyon sadece bir modele aktarılmakla ilgili değildir. Uzaysal ve zaman ölçeklerinin hizasını içerir, eksik verilerin işlenmesi ve olayları gözlemlemek için kalibrasyonu içerir. Sistematik bir yaklaşım birkaç aşamadan geçer.

Data Preprocessing and Fusion

Sosyal ve çevresel veriler genellikle farklı kararlarda gelir. Census blok grupları birkaç hektar olabilir, hava kalitesi izleme verileri nokta tabanlıdır. Fusion teknikleri şunları içerir:

  • [FONT:0]Spatial downscaling[[Dönetici: 1 ) – yardımcı değişkenleri kullanarak (örneğin, toprak örtüsü) daha küçük ağ hücrelerine veya parsellere toplu verileri dağıtmak.
  • [FONT:0]Temporal interpolasyon[[Dönemli: 1) Yıllık sayım verileri anket veya proxylerden gelen trendleri kullanarak aylık veya mevsimsel değerlere dönüştürmek.
  • [FONT:0]Statistical eşleştirme[[Dönetici: 1 ) - sentetik zemin gerçeği oluşturmak için iki veri kümesi birleştirin. Örneğin, ev gelirini mülk vergi kayıtları ile bir anketle birleştirerek.

Python kütüphaneleri:0)Pandas[[DÜT 1:0)[[DÜyeler:2)Geopandas[DÜ:3) ve [[DFLT:4)Rasterio[DFLT: 5) Bu görevleri kolaylaştırmalıdır.

Verileri Agent Kurallarına Dönüştürmek

Sosyal veriler, acente özelliklerini tanımlar - tipik bir ev ajanı gelir sınıfı, araba sahipliği ve çocuk sayısı. Çevre verileri dünyanın durumunu tanımlar - arazinin bir kısmı belirli bir arazi kullanımı, sel risk ve gürültü seviyesi. Kuralları bağlantı özellikleri davranış için: Örneğin, “eğer ev geliri düşük ve yakın transit frekans yüksekse, o zaman halka açık geçiş verileri kullanarak risk alma olasılığı da dünyayı tanımlar.

Kalibrasyon ve Geçerlilik

Modeller tarihsel desenleri yeniden üretmek için kalibre edilmelidir -popülasyon yoğunluğu, arazi kullanımı değişikliği, trafik sayılarını - ve bağımsız verilere karşı doğrulanabilir. Ortak teknikler, sayımlı modelleme (kompare vs. gözlemlenen uzaysal desenleri) ve hassas analizleri zaman içinde algılamak için bir kriter sağlayabilir.

Güçlü bir yaklaşım:0)da assimilasyon), hava tahmininde kullanılan, gerçek zamanlı gözlemlerin doğru bir şekilde doğru şekilde yapılması için modele beslendiği, ancak Adaptif bir kentsel yönetim için söz konusu.

Sürdürülebilir Kentsel Kalkınma Uygulamaları

Tümleşik sosyal-environmental ABMs çeşitli domainler boyunca dağıtıldı. Aşağıdaki örnekler aralığını gösteriyor.

Ulaşım ve Hareketlilik

Geleneksel ulaşım modelleri arazi kullanımından elde edilen talep olarak seyahat ediyor. ABMs, insanların nasıl mod, rotayı ve aktivite zamanlamasını sosyal kısıtlamalara (örneğin, iş planı) ve çevresel faktörlere dayanan (örneğin, hava kalitesi için bir ücretlendirme planı tasarlamaya yardımcı oldu.) Örneğin, Pekin'in emisyonlar üzerinde şarj etme etkisini test etti.

Arazi Kullanımı ve Yeşil Altyapı

Kentsel sprawl doğal habitatları tüketiyor ve karbon ayak izlerini artırıyor. ABMs, Portland için planlamacıların etkisini taklit etmeye izin veriyor, hem konut tabanlı düğümlerde hem de yeşil kemerleri korumada olan modelde sosyal veriler, NLC arazi kapağı ve yerel park erişim verileri için bir araya geldi.

İklim Adaptasyon ve Dayanıklılık

İklim değişikliği ısı dalgaları, su ve deniz seviyesindeki artış getirir. demografik verilerle ABM nüfusu hangi toplulukların en maruz kaldığını belirleyebilir - gelecekteki fırtınalarda düşük gelirli aileler, su bölgelerinden gelir - ve dönüşüm yanıtlarını simüle ederler.Forumdaki bir dizi sayı mikrodata, FEMA su haritaları ve sigorta verilerinin sübvansiyonel konut artışlarının etkisini değerlendirmek için verileri talep eder.

Enerji ve Emisyonlar

Enerji talebi ve tedarik modelleri giderek artan oranda talep-sorumlu programları ve yenilenebilir enerji kabul teşvikleri tasarlıyor. Gelir, eğitim ve akran etkisi (sosyal ağlardan) genel emisyon azaltımı yaparken (ortalama güneş ışınlarını ve çatı yönlendirmesi ile ilgili çevresel veriler teknik potansiyelini belirler.Ata'da bir çalışma, Texas, düşük gelirli hanelerde gelişmiş bir rebate programının düşük gelirli haneler arasında artış gösterdiğini gösterdi.

Meydanlar ve Açık Sorular

Onların sözüne rağmen, ABM'ye sosyal ve çevresel verileri entegre etmek engellerle doludur. şeytan ayrıntılarda ve verilerdedir.

Data Quality ve Müsaitlik Durumu

Sosyal veriler genellikle eski, agresyon veya eksik. Census verileri sadece 5-10 yıl boyunca serbest bırakılır; mobil telefon verileri örnekleme önyargısı ile acı verici olabilir.Demiryolunun tamamına uygun olarak.Fort[Döneticileri değiştir] Modelers belge ve belirsizlik ölçümlemelidir.

Gizlilik ve Etik

Bireysel düzeyde sosyal veriler gizlilik kaygılarını yükseltir, özellikle de konum verileri ile bağlantılı olarak.Diriminatoryal gizlilik teknikleri ve sentetik veri nesli riskleri hafifletebilir, ancak toplum paydaşlarının temel korumaları içeren etik kurallar ve katılımcı modelleme modeli oluşturabilir.

C ⁇ ve Teknik Meydanlar

Büyük ölçekli ABM'ler milyonlarca ajanla, yüksek çözünürlüklü çevresel tabakalarla ve iteratif kalibrasyonu, açık kaynak araçlarının büyüyen bir ekosistemi olduğu anlamına gelir.).Logo[D|DD)[Dönetici: ABMD|D)

Geçerlilik Zories

Entegre modeller uygulamak zordur, çünkü gerçek şehirler üzerinde kontrollü deneyler yürütemeziz. Face validasyon (projektiflerle kontrol edilir) ve desen odaklı geçerlilik standarttır, ancak mekanizmaların doğru olduğunu kanıtlayamazlar. Alan, doğru noktalarda çalışan politikaları tanımlamaya odaklanır:0)-of-sample geçerlilik[Dönemli ve test edilen tahminler[Dönemli ve test edilenler).

Future: Real-Time Data, Katılımcı Modeling ve Dijital Twins

ABM'lere sosyal ve çevresel verileri entegre etme pratiği hızla ilerliyor. Üç trend öne çıkıyor.

Gerçek Zamanlı Veri Fusion

IoT sensörlerinin ve sosyal medya beslediği çoğalma ile, gerçek zamanlı trafik hacimlerinin ve hava kalitesi okumalarının dinamik olarak ayarlanması veya alternatif rotalar önerilmesi mümkün hale geliyor. Bu, kentsel dijital ikizlerin vizyonudur - gerçek zamanlı olarak müdahalelerin sonuçlarını simüle eden şehirlerin gerçek zamanlı olarak algılayan bir model düşünün.

Makine Öğrenme Entegrasyonu

Makine öğrenme (ML), müşteri kurallarını veriden uzaklaştırmak, uzman varsayımlara güvenmekten vazgeçebilir. Örneğin, takviye öğrenme ajanları, konum seçimlerini test ve hata yoluyla modelde optimize etmeyi öğrenebilirler, aynı zamanda, ML, yüksek boyutlu parametre alanları arayarak modellemeye yardımcı olabilir: siyah-box ML kuralları yorumlanabilir ve eğitim verilerinin ötesine geçebilirler.

Katılımcı ve Co-Designed Modeller

Sürdürülebilirlik demokratik meşruiyet gerektirir. Katılımcı modelleme, paydaşları içerir - bu yaklaşım, iş sahipleri - ajanlar, kurallar ve senaryolar. Sosyal veriler, atölyelerden veya online platformlardan gelebilir.Demokrat modellemesi, halk bilimi girişimleriyle desteklenebilir, bu tür bir topluluk hava kalitesi izleme gibi.

Sonuç: Kanıta Dayalı Kentsel Sürdürülebilirlik

Sosyal ve çevresel verileri ajan tabanlı modeller bir panacea değil, ancak sürdürülebilir kentsel gelişimi araştırmak için mevcut en titiz çerçevelerden biridir. Gerçek demografik, davranışsal ve ekolojik verilerle, planlayıcılar risksiz bir ortamda politikalar test edebilir, istenmeyen sonuçları tanımlayamaz ve çözümlerin ortak yaratması ile ilgilidir. Teknoloji hala gelişmektedir -data boşluklar, hesaplama sınırları ve geçerlilik sorunları devam eder - ancak yörünge açıktır: veri olarak zenginleşir ve modeller daha akıllı hale gelir.

Kentsel sürdürülebilirlik sadece teknik bir problem değildir; bir sosyal ve politik bir tanesidir. ABMs, karar vericiler için araçlardır.Onlar ticaretten vazgeçebilirler: Otomobil kullanımı azaltılabilir ancak yerel ısı maruz kalabilir; yeşil çatılar fırtına suyu yönetimini artırabilir, ancak konut maliyetlerini artırabilir.

[FONT:0)Key Takeaway:[Dönetici:[Dönetici:0)En etkili şehir ABM'ler, sosyal ve çevresel verileri ayrı girişler olarak tedavi edenlerdir, ancak aynı karmaşık sistemin iç içe geçmiş katmanları olarak, entegrasyon her iki livable ve dirençli şehirlere doğru yol gösterir.