Artificial Intelligence for Climate Adaptation: Reinforcement Learning for Climate Change-Resilient Transport
作者: Miguel Costa, Arthur Vandervoort, Carolin Schmidt, João Miranda, Morten W. Petersen, Martin Drews, Karyn Morrisey, Francisco C. Pereira
分类: cs.AI
发布日期: 2026-03-06
💡 一句话要点
提出基于强化学习的气候适应决策框架，用于提升城市交通系统应对洪涝灾害的能力
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 强化学习 气候适应 城市交通 洪涝灾害 决策支持
📋 核心要点
- 现有城市交通系统适应气候变化的策略，难以应对基础设施投资的长期性、气候的不确定性以及洪涝影响的复杂性。
- 论文提出基于强化学习的决策支持框架，通过学习自适应策略，平衡投资成本与避免的洪涝灾害影响。
- 在哥本哈根的案例研究表明，该框架优于传统优化方法，能够发现更具弹性的适应路径，并权衡影响减少和投资。
📝 摘要（中文）
气候变化预计将加剧降雨，从而导致城市交通系统受洪涝灾害的影响日益严重。设计有效的适应策略极具挑战性，因为基础设施投资具有长期性和连续性，气候不确定性深远，且洪涝、基础设施和交通影响之间存在复杂的相互作用。本文提出了一种新颖的决策支持框架，该框架使用强化学习（RL）进行长期洪涝适应规划。该框架被构建为一个综合评估模型（IAM），结合了降雨预测和洪水建模、交通仿真以及对基础设施和交通的直接和间接影响的量化。基于RL的方法学习自适应策略，以平衡投资和维护成本与避免的影响。通过对哥本哈根市中心2024-2100年期间的案例研究，评估了该框架，测试了多种适应方案以及不同的置信和实现的气候情景。结果表明，该框架通过发现协调的空间和时间适应路径，并学习影响减少和适应投资之间的权衡，优于传统的优化方法，从而产生了更具弹性的策略。总的来说，我们的结果展示了强化学习作为气候不确定性下自适应基础设施规划的灵活决策支持工具的潜力。
🔬 方法详解
问题定义：论文旨在解决城市交通系统在气候变化背景下，如何制定长期有效的洪涝适应策略的问题。现有方法，如传统的优化方法，难以处理气候变化带来的不确定性，以及基础设施投资的长期性和连续性，导致适应策略缺乏灵活性和适应性。
核心思路：论文的核心思路是利用强化学习（RL）算法，学习在不同气候情景下，城市交通系统应对洪涝灾害的最佳适应策略。通过将适应规划问题建模为马尔可夫决策过程（MDP），RL算法能够自主探索和学习，找到平衡投资成本和降低洪涝影响的策略。这种方法能够考虑到气候变化的不确定性，并根据实际情况动态调整适应策略。
技术框架：该框架是一个综合评估模型（IAM），包含以下主要模块：1) 降雨预测和洪水建模：利用气候模型预测未来的降雨量，并使用洪水模型模拟洪涝灾害的发生和影响范围。2) 交通仿真：模拟城市交通系统的运行情况，评估洪涝灾害对交通流量、出行时间和出行成本的影响。3) 影响量化：量化洪涝灾害对基础设施和交通的直接和间接影响，例如基础设施的损坏、交通拥堵造成的经济损失等。4) 强化学习决策：使用RL算法学习适应策略，该策略决定在不同时间段和不同地点进行哪些基础设施投资和维护，以最大程度地降低洪涝灾害的影响。
关键创新：该论文的关键创新在于将强化学习应用于城市交通系统的气候适应规划。与传统的优化方法相比，RL算法能够更好地处理气候变化带来的不确定性，并学习到更具适应性的策略。此外，该框架还能够综合考虑降雨预测、洪水建模、交通仿真和影响量化等多个因素，从而做出更全面的决策。
关键设计：论文中，状态空间包括当前的气候情景、基础设施状况和交通状况等信息；动作空间包括不同的基础设施投资和维护方案；奖励函数的设计旨在平衡投资成本和降低洪涝灾害的影响。具体而言，奖励函数可能包括负的投资成本和正的洪涝损失减少量。RL算法的目标是找到最大化累积奖励的策略。
🖼️ 关键图片
📊 实验亮点
在哥本哈根的案例研究中，该框架通过强化学习发现了协调的空间和时间适应路径，优于传统的优化方法。实验结果表明，该框架能够在降低洪涝灾害影响的同时，有效地控制投资成本，从而产生更具弹性的适应策略。具体性能数据未知，但论文强调了该方法在发现更优适应策略方面的潜力。
🎯 应用场景
该研究成果可应用于城市规划、交通管理和气候适应等领域。它可以帮助城市管理者制定更科学、更有效的洪涝适应策略，提高城市交通系统的抗灾能力，减少气候变化带来的经济损失和社会影响。该框架还可扩展到其他类型的气候灾害适应规划，例如干旱、高温等。
📄 摘要（原文）
Climate change is expected to intensify rainfall and, consequently, pluvial flooding, leading to increased disruptions in urban transportation systems over the coming decades. Designing effective adaptation strategies is challenging due to the long-term, sequential nature of infrastructure investments, deep climate uncertainty, and the complex interactions between flooding, infrastructure, and mobility impacts. In this work, we propose a novel decision-support framework using reinforcement learning (RL) for long-term flood adaptation planning. Formulated as an integrated assessment model (IAM), the framework combines rainfall projection and flood modeling, transport simulation, and quantification of direct and indirect impacts on infrastructure and mobility. Our RL-based approach learns adaptive strategies that balance investment and maintenance costs against avoided impacts. We evaluate the framework through a case study of Copenhagen's inner city over the 2024-2100 period, testing multiple adaptation options, and different belief and realized climate scenarios. Results show that the framework outperforms traditional optimization approaches by discovering coordinated spatial and temporal adaptation pathways and learning trade-offs between impact reduction and adaptation investment, yielding more resilient strategies. Overall, our results showcase the potential of reinforcement learning as a flexible decision-support tool for adaptive infrastructure planning under climate uncertainty.