論文の概要: Adaptive Learning in Spatial Agent-Based Models for Climate Risk Assessment: A Geospatial Framework with Evolutionary Economic Agents

• arxiv url: http://arxiv.org/abs/2509.18633v1
• Date: Tue, 23 Sep 2025 04:33:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.703231
• Title: Adaptive Learning in Spatial Agent-Based Models for Climate Risk Assessment: A Geospatial Framework with Evolutionary Economic Agents
• Title（参考訳）: 気候リスク評価のための空間エージェントモデルにおける適応学習:進化的経済エージェントを用いた地理空間的枠組み
• Authors: Yara Mohajerani,
• Abstract要約: 本稿では,気候リスクデータと進化学習を統合した新しいモデルを提案する。 RCP8.5 から2100 年までの河川洪水投射の枠組みを実証する。 以上の結果から,洪水に直接曝露していないエージェントでさえ,サプライチェーンの崩壊によって影響を受けやすいシステムリスクが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Climate risk assessment requires modelling complex interactions between spatially heterogeneous hazards and adaptive economic systems. We present a novel geospatial agent-based model that integrates climate hazard data with evolutionary learning for economic agents. Our framework combines Mesa-based spatial modelling with CLIMADA climate impact assessment, introducing adaptive learning behaviours that allow firms to evolve strategies for budget allocation, pricing, wages, and risk adaptation through fitness-based selection and mutation. We demonstrate the framework using riverine flood projections under RCP8.5 until 2100, showing that evolutionary adaptation enables firms to converge with baseline (no hazard) production levels after decades of disruption due to climate stress. Our results reveal systemic risks where even agents that are not directly exposed to floods face impacts through supply chain disruptions, with the end-of-century average price of goods 5.6% higher under RCP8.5 compared to the baseline. This open-source framework provides financial institutions and companies with tools to quantify both direct and cascading climate risks while evaluating cost-effective adaptation strategies.
• Abstract（参考訳）: 気候リスク評価は、空間的に不均一なハザードと適応的な経済システムの間の複雑な相互作用をモデル化する必要がある。 本稿では,気候リスクデータと経済エージェントの進化学習を統合した地理空間的エージェントベースモデルを提案する。 当社のフレームワークは,Mesaをベースとした空間モデリングとCLIMADA気候影響評価を組み合わせることで,企業の予算配分や価格,賃金,リスク適応といった戦略を,適合度に基づく選択と突然変異を通じて進化させるための適応型学習行動を導入する。 RCP8.5 から2100 年までの河川洪水投射の枠組みを実証し、気候ストレスによる数十年の破壊の後、企業がベースライン(危険のない)生産水準に収束できることを示す。 その結果,洪水に直接曝露していないエージェントでさえ,サプライチェーンの崩壊によって影響を受けやすいシステム的リスクが明らかとなり,年末の平均商品価格は,ベースラインに比べてRCP8.5よりも5.6%高い。 このオープンソースのフレームワークは、金融機関や企業に対して、費用対効果のある適応戦略を評価しながら、直接的およびカスケード的な気候リスクを定量化するツールを提供する。

関連論文リスト

• LLM-empowered Agents Simulation Framework for Scenario Generation in Service Ecosystem Governance [45.203064499446775]
  本稿では,3つのLarge Language Model (LLM)パワーエージェントを適応的にコーディネートするシナリオジェネレータの設計手法を提案する。 環境エージェント(EA)は、極端なものを含む社会環境を生成し、社会エージェント(SA)は、社会協力構造を生成し、プランナーエージェント(PA)は、タスクロール関係を結合し、タスクソリューションを計画する。
  論文  参考訳（メタデータ） (2025-09-01T12:55:02Z)
• Net-Zero: A Comparative Study on Neural Network Design for Climate-Economic PDEs Under Uncertainty [0.0]
  複数の緩和経路を考慮に入れた継続的内在的成長経済モデルを構築した。 我々は、有限差分生成ソリューションに対して、いくつかのニューラルネットワークアーキテクチャをベンチマークする。 この結果から,適切なニューラルネットワーク選択が解の精度と計算効率に大きな影響を及ぼすことが示された。
  論文  参考訳（メタデータ） (2025-05-19T15:46:12Z)
• Regional climate risk assessment from climate models using probabilistic machine learning [12.737495484442443]
  GenFocalは、微細な時間スケールで相互作用する複雑な気候プロセスのための汎用的でエンドツーエンドな生成フレームワークである。 現在の気候における極端なリスクを、先進的なアプローチよりも正確に評価する。 GenFocalは、気候の予測がdecadalの時間スケールに与える影響に関する文献と一致する、魅力的な結果を示している。
  論文  参考訳（メタデータ） (2024-12-11T03:52:17Z)
• Dynamical-generative downscaling of climate model ensembles [13.376226374728917]
  本稿では,動的ダウンスケーリングと生成人工知能を組み合わせることで,コストを削減し,下降した気候予測の不確実性評価を改善する手法を提案する。 このフレームワークでは、RCMはESMの出力を中間分解能に動的にダウンスケールし、次いで生成拡散モデルにより、目標スケールへの分解能をさらに改善する。
  論文  参考訳（メタデータ） (2024-10-02T17:31:01Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Catastrophe Insurance: An Adaptive Robust Optimization Approach [5.877778007271621]
  この研究は、災害保険料の計算に適した新しい適応ロバスト最適化フレームワークを導入している。 私たちの知る限り、AROアプローチが災害保険価格に適用されるのは初めてです。 米国の洪水保険データをケーススタディとして、最適化モデルは損失をカバーし余剰を発生させる効果を示す。
  論文  参考訳（メタデータ） (2024-05-11T18:35:54Z)
• CMIP X-MOS: Improving Climate Models with Extreme Model Output Statistics [40.517778024431244]
  自然災害リスクの予測を改善するために, エクストリームモデル出力統計(X-MOS)を導入する。 この手法は, 気象観測所から得られた実測値にCMIPモデル出力を正確にマッピングするために, 深部回帰手法を用いる。 これまでの研究とは対照的に,本研究では,将来の気候パラメータ分布の尾部推定の強化に重点を置いている。
  論文  参考訳（メタデータ） (2023-10-24T13:18:53Z)
• Policy Learning for Robust Markov Decision Process with a Mismatched Generative Model [42.28001762749647]
  医療や自動操縦といった高度なシナリオでは、オンラインの実験データを収集してエージェントを訓練するのは危険か不可能です。 本稿では,ロバスト・マルコフ決定過程(RMDP)に対する政策学習について考察する。 我々のゴールは、さらなる技術的困難をもたらす、摂動テスト環境に対するほぼ最適のロバストなポリシーを特定することです。
  論文  参考訳（メタデータ） (2022-03-13T06:37:25Z)
• Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
  人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。 本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。 理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-01-31T20:58:47Z)
• Automatic Risk Adaptation in Distributional Reinforcement Learning [26.113528145137497]
  実践的応用における強化学習(RL)エージェントの使用は、最適以下の結果を考慮する必要がある。 これは特に安全クリティカルな環境において重要であり、エラーは高いコストや損害をもたらす可能性がある。 リスク認識エージェントとリスク認識エージェントの両方と比較して, 失敗率を最大7倍に低下させ, 一般化性能を最大14%向上させた。
  論文  参考訳（メタデータ） (2021-06-11T11:31:04Z)
• RMIX: Learning Risk-Sensitive Policies for Cooperative Reinforcement Learning Agents [40.51184157538392]
  本研究では, 個人Q値の学習分布に対して, CVaR (Conditional Value at Risk) を用いた新しいMARL法を提案する。 本手法は、StarCraft IIタスクに挑む最先端の手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-02-16T13:58:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。