Оценка устойчивости сообщества на основе глубокого обучения с учётом переплетённых социотехнических признаков

Почему сила города в трудные времена имеет значение

Города по всему миру сталкиваются с учащением наводнений, штормов и других потрясений, и обычные жители испытывают последствия, когда дороги выходят из строя, отключается электроэнергия или больницы становятся труднодоступными. В этом исследовании представлен новый подход к пониманию того, насколько разные районы способны выдержать такие разрушения и восстановиться после них. Вместо того чтобы смотреть на одну систему за раз, метод использует современные алгоритмы машинного обучения, чтобы увидеть, как здания, дороги, сотовые вышки, зелёные зоны и социальные условия взаимодействуют и формируют реальную устойчивость сообществ.

Город как живое переплетение

Традиционные шкалы для оценки «устойчивых городов» обычно суммируют множество индикаторов, каждому из которых эксперты придают определённый вес, чтобы получить единый индекс. Эти методы полезны, но рассматривают части города — такие как дороги, больницы и уровень доходов — как действующие независимо друг от друга. На практике же проблемы часто распространяются через скрытые цепочки причин и следствий. Затопленный перекрёсток может отрезать доступ к клиникам, что, в свою очередь, усугубит последствия для здоровья. Авторы утверждают, что для фиксации этой сети взаимодействий нужны инструменты, способные обнаруживать тонкие закономерности и нелинейные эффекты в самых разных данных одновременно.

Умная система оценки устойчивости районов

Для решения этой задачи исследователи создали Resili-Net — трёхуровневую архитектуру глубокого обучения, которая оценивает устойчивость малых клеток сетки по всему мегаполису. Она использует двенадцать измеримых признаков, сведённых к трем понятным идеям: насколько прочна инфраструктура (например, более новые здания и сотовые вышки, или более низкий уровень бедности), насколько доступны резервы (например, наличие нескольких дорог, больниц или вышек), и насколько эффективно сообщества могут использовать ресурсы (включая плотность дорог, скорость интернета, зелёные территории и уровень образования). Используя только общедоступные данные, Resili-Net сначала обучается выделять сжатые шаблоны взаимодействий этих признаков, затем группирует локации в кластеры и, наконец, переводит эти кластеры в уровни устойчивости от очень низкого до очень высокого.

Что модель показывает для четырёх крупных регионов США

Команда применила Resili-Net к пригороду вокруг Лос‑Анджелеса, Чикаго, Далласа и Хьюстона, разделив каждый регион на сетку с ячейками размером 2 километра. Модель выделила пять уровней устойчивости в каждом регионе и показала, что похожие уровни склонны группироваться, а не распределяться случайно. Районы с более высокой устойчивостью обычно находятся в центре города или рядом с ним: там новые здания, более связные дороги, более быстрый интернет, лучший доступ к медицинским услугам и более высокий уровень образования. Напротив, очаги низкой устойчивости часто располагаются на периферии или вкраплены в более сильные окружения, что отражает старую инфраструктуру, меньшее количество объектов и более высокий уровень бедности. По сравнению с простым методом «сложи и ранжируй», использующим те же данные, Resili-Net сохранял резкие контрасты и выявлял тонкие уязвимые места, которые усреднённый индекс сглаживал.

Тестирование сценариев «что если» и учёт угрозы наводнений

Исследователи также использовали Resili-Net, чтобы оценить, как целевые улучшения могли бы изменить устойчивость. В одном сценарии локациям с низкой устойчивостью добавляли больше близлежащих больниц и удлиняли дорожные сети, имитируя направленную инфраструктурную политику. В некоторых регионах, например в большом Лос‑Анджелесе, это приводило к очевидным улучшениям. В других, например в частях Чикаго, ответ оказался неоднородным: некоторые районы даже ухудшались из‑за сложного взаимодействия социальных и физических факторов. Это показывает, что простое добавление дорог и больниц не всегда является лучшим решением; в ряде мест важнее инвестиции в социальные связи или зелёные зоны. Команда затем объединила карты устойчивости с отдельной моделью глубокого обучения для оценки риска наводнений, получив совместные карты, подчёркивающие сообщества, одновременно подверженные высокой опасности и имеющие низкую устойчивость, часто с социально уязвимым населением.

Превращение данных в более справедливые и продуманные городские решения

Для широкой публики главный вывод в том, что способность сообщества справляться с катастрофами зависит не только от силы шторма — она определяется тем, насколько хорошо до события взаимодействуют многие элементы городской жизни. Resili-Net даёт планировщикам и политикам инструмент для ясного видения этих связей, выявляя места, где сочетание слабой инфраструктуры и социальных трудностей может превратить опасность в кризис. Указывая, какие признаки важны в каждом типе квартала, этот подход может направлять более целевые, основанные на доказательствах инвестиции — будь то укрепление дорог, расширение сети клиник, создание зелёных зон или поддержка уязвимых жителей — чтобы города становились не только более устойчивыми, но и более справедливыми в условиях растущих рисков.

Цитирование: Yin, K., Li, B. & Mostafavi, A. Deep learning-driven community resilience rating based on intertwined socio-technical systems features. npj Urban Sustain 6, 56 (2026). https://doi.org/10.1038/s42949-026-00364-7

Ключевые слова: городская устойчивость, глубокое обучение, риск наводнений, социотехнические системы, планирование города