論文の概要: Artificial Intelligence for Climate Adaptation: Reinforcement Learning for Climate Change-Resilient Transport

• arxiv url: http://arxiv.org/abs/2603.06278v1
• Date: Fri, 06 Mar 2026 13:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.802989
• Title: Artificial Intelligence for Climate Adaptation: Reinforcement Learning for Climate Change-Resilient Transport
• Title（参考訳）: 気候変動適応のための人工知能:気候変動-弾力性輸送のための強化学習
• Authors: Miguel Costa, Arthur Vandervoort, Carolin Schmidt, João Miranda, Morten W. Petersen, Martin Drews, Karyn Morrisey, Francisco C. Pereira,
• Abstract要約: 本稿では,長期洪水適応計画のための強化学習を用いた新しい意思決定支援フレームワークを提案する。 我々は2024-2100年代におけるコペンハーゲン市内の事例研究を通じて,その枠組みを評価する。
• 参考スコア（独自算出の注目度）: 2.4748527842689207
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 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.
• Abstract（参考訳）: 気候変動は降雨を激化させ、結果として急激な洪水となり、今後数十年にわたって都市交通システムの混乱が拡大すると予想されている。 インフラ投資の長期的かつ逐次的な性質、深い気候の不確実性、洪水、インフラ、移動の影響の間の複雑な相互作用により、効果的な適応戦略を設計することは困難である。 本研究では,長期洪水適応計画のための強化学習(RL)を用いた新しい意思決定支援フレームワークを提案する。 統合アセスメントモデル (IAM) として策定されたこのフレームワークは、降雨予測と洪水モデリング、輸送シミュレーション、インフラと移動性に対する直接的および間接的な影響の定量化を組み合わせたものである。 我々のRLベースのアプローチは、避けられた影響に対して投資とメンテナンスコストのバランスをとる適応戦略を学習します。 2024-2100年代におけるコペンハーゲンの内陸都市のケーススタディを通じて、この枠組みを評価し、複数の適応オプションをテストし、異なる信念と気候シナリオを実現した。 その結果、このフレームワークは、協調した空間適応経路と時間適応経路を発見し、影響低減と適応投資のトレードオフを学習することで従来の最適化手法より優れており、より弾力性のある戦略が得られた。 本研究は,気候不確実性下での適応的インフラ計画のための柔軟な意思決定支援ツールとしての強化学習の可能性を示すものである。

関連論文リスト

• Learning long term climate-resilient transport adaptation pathways under direct and indirect flood impacts using reinforcement learning [2.52487898284169]
  本研究では,不確実性の下で適応型多層投資経路を学習するための総合的な意思決定支援フレームワークを提案する。 このフレームワークは、長期の気候予測と、予測された極寒のドライバーを危険リスクにマッピングするモデルを組み合わせる。 避けられた影響に対して投資と維持費をトレードオフする適応的な気候適応政策を学ぶ。
  論文  参考訳（メタデータ） (2026-01-26T15:32:40Z)
• Incorporating Quality of Life in Climate Adaptation Planning via Reinforcement Learning [2.1499528348377535]
  強化学習(Reinforcement Learning, RL)は、複雑で動的で不確実な問題に対処する上で、大きな可能性を秘めている。 我々はRLを用いて、長期にわたってどの気候適応経路が生活の質を高めるかを特定する。 予備的な結果は,本手法が最適適応の学習に有効であることが示唆され,他の現実的かつ現実的な計画戦略よりも優れていた。
  論文  参考訳（メタデータ） (2025-11-05T07:00:55Z)
• In-Context Learning for Gradient-Free Receiver Adaptation: Principles, Applications, and Theory [54.92893355284945]
  ディープラーニングベースの無線受信機は、様々なチャネル環境に動的に適応する能力を提供する。 ジョイントトレーニング、ハイパーネットワークベースの手法、メタラーニングを含む現在の適応戦略は、限られた柔軟性を示すか、勾配降下による明示的な最適化を必要とする。 本稿では、インコンテキスト学習(ICL)の新たなパラダイムに根ざした勾配なし適応手法を提案する。
  論文  参考訳（メタデータ） (2025-06-18T06:43:55Z)
• Predictability Shapes Adaptation: An Evolutionary Perspective on Modes of Learning in Transformers [51.992454203752686]
  トランスフォーマーモデルは、IWL(In-weights Learning)とICL(In-context Learning)の2つの異なるモードで学習する。 我々は進化生物学の類似した適応戦略である遺伝的エンコーディングと表現型可塑性からインスピレーションを得ている。 我々はこれらの予測可能性の次元を実験的に運用し、トランスフォーマーのICL/IWLバランスへの影響について検討する。
  論文  参考訳（メタデータ） (2025-05-14T23:31:17Z)
• Using Reinforcement Learning to Integrate Subjective Wellbeing into Climate Adaptation Decision Making [3.3024854970378317]
  我々はコペンハーゲンにおける気候適応のための意思決定支援ツールとして強化学習を利用する多モジュールフレームワークを提案する。 本フレームワークは,長期降雨予測,洪水モデリング,交通アクセシビリティ,健全なモデリングの4つの相互接続コンポーネントを統合している。
  論文  参考訳（メタデータ） (2025-04-14T09:34:12Z)
• EPO: Explicit Policy Optimization for Strategic Reasoning in LLMs via Reinforcement Learning [69.55982246413046]
  戦略的推論のための明示的なポリシー最適化(EPO)を提案する。 我々は,マルチターン強化学習(RL)による戦略的推論モデルを訓練し,プロセス報酬と反復的な自己プレイを活用する。 本研究は, EPOに出現する様々な協調的推論機構と, 新規戦略の創出における有効性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-18T03:15:55Z)
• Climate Adaptation with Reinforcement Learning: Experiments with Flooding and Transportation in Copenhagen [3.4447242282168777]
  洪水は交通インフラを損傷させ、モビリティを阻害し、都市がリスクの増大に適応する必要性を浮き彫りにする。 本研究では,Reinforcement Learning(RL)を用いて,最も効果的なタイミングと実施場所を特定する。 当社の枠組みは,将来の降雨や洪水の気候変動予測を統合し,都市全体の自動車化旅行をモデル化し,インフラと移動性に対する直接的および間接的な影響を定量化する。
  論文  参考訳（メタデータ） (2024-09-27T09:18:57Z)
• 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)
• Data-driven control of micro-climate in buildings: an event-triggered reinforcement learning approach [56.22460188003505]
  半マルコフ決定過程に基づく微小気候制御問題を定式化する。 建物内の微小気候のイベントトリガー制御のための2つの学習アルゴリズムを提案する。 スマートなサーモスタットを設計することで,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2020-01-28T18:20:43Z)

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。