UrbanComp Lab 学习资料库

华盛顿短期内不会监管人工智能

尽管人们对 AI 模型失控的担忧日益加剧，但相关立法似乎难以出台，白宫更是明确反对监管。

Diff-SPORT：基于扩散模型的城市环境湍流传感器布置优化与重构

快速城市化要求对湍流风场和污染物扩散进行高效监测，然而现有的重构与传感器布置策略在现实稀疏约束下往往失效。本文提出 Diff-SPORT，一种基于扩散模型的框架，结合生成式扩散先验、最大后验推断（MAP）及 Shapley 值归因方法，实现高保真流场重构与最优传感器布置。通过在单一域上训练一次扩散先验模型，Diff-SPORT 能够实现非线性最优传感器布置，并从稀疏测量数据中进行近实时流场重构，其速度比 RANS 或 LES 模拟快数个数量级，且性能持续优于现有最先进方法。该框架无需算法修改即可扩展至实验性被动标量浓度数据集（作为污染物扩散的直接代理指标），该数据源自北京海淀区街区在真实城市流动条件下按 1:2400 比例尺的水槽模型测量结果。在极端稀疏条件下，Shapley 引导的传感器布置相比随机布置可将重构误差降低高达 57%，并识别出紧凑且物理可解释的配置方案。这些结果确立了 Diff-SPORT 作为一个模块化基础框架的地位，为需要大量重训练的下游策略提供了零样本替代方案，支持面向空气质量管理和韧性城市设计的可扩展城市流动监测。

Camp、Tubbs 和 Woolsey 野火前后识别的建筑位置

荒野-城市交界区（WUI）地图用于识别具有野火风险的区域，但由于缺乏建筑数据，这些地图往往已过时。卷积神经网络（CNN）可以从遥感数据中提取建筑位置，但其在 WUI 区域的准确性尚不明确。此外，CNN 计算密集且技术复杂，使得终端用户（如使用或创建 WUI 地图的人员）难以应用。本研究针对加州的 Camp、Tubbs 和 Woolsey 三场野火，识别了火灾前后的建筑并估算了建筑损毁情况。我们使用了 Esri 提供的 CNN 模型，从高分辨率影像中检测建筑。该数据集代表了当前可用于潜在 WUI 制图的最先进水平。

在不损害生物多样性的前提下建设高密度或紧凑型城市：来自瑞典哥德堡鸟类观测的启示

可持续城市发展的核心挑战在于平衡高城市密度带来的权衡取舍。本研究通过分析瑞典哥德堡30个样点的鸟类物种丰富度与组成，探讨在密集或紧凑的城市区域中能否支持生物多样性。这些样点代表三种城市形态类型（两种紧凑型、一种密集型）以及植被丰富的参考区域。