基于强化学习的气候适应：经济路径与生活质量路径的比较
机器学习
2025-11-06 v1
摘要
气候变化将导致洪涝事件的发生频率和严重程度增加，促使需要制定协同的适应政策。然而，设计有效的适应政策取决于管理长期气候影响的不确定性。与此同时，这些政策可能包含重要的规范性选择，而这些选择往往未被明确表达。我们提出，强化学习（RL）可作为既识别不确定条件下适应路径又允许显式建模（并进行比较）不同适应优先事项（如经济 vs 福祉）的有用工具。我们采用集成评估模型（IAM），将雨量和洪涝模型纳入其中，以QoL、交通和基础设施损坏等方式计算洪涝影响。我们的结果表明，优先考虑QoL而非经济影响的模型会进行更多的适应支出，并且在研究区域内支出分配更均匀，凸显了此类规范性假设对适应政策的广泛影响。我们的框架已公开提供：https://github.com/MLSM-at-DTU/maat_qol_framework。
引用
@article{arxiv.2511.03243,
title = {Climate Adaptation with Reinforcement Learning: Economic vs. Quality of Life Adaptation Pathways},
author = {Miguel Costa and Arthur Vandervoort and Martin Drews and Karyn Morrissey and Francisco C. Pereira},
journal= {arXiv preprint arXiv:2511.03243},
year = {2025}
}
备注
Accepted for presentation at AI for Climate and Conservation Workshop at EurIPS 2025