GraphVSSM：基于图变分状态空间模型的动态暴露与脆弱性概率时空推断用于区域灾害韧性评估
摘要
区域灾害韧性衡量物理风险的变化情况，以信息论导向从地方性紧急恢复到国际可持续发展等政策工具。虽然许多现有方法在动态映射暴露与灾害方面取得了很大进展，但我们对大规模物理脆弱性的了解仍然停留在静态、成本高昂、有限、地区特定、粗糙且不足以校准的水平。随着时间序列卫星影像及其衍生产品在暴露与灾害方面的可获得性显著增长，我们聚焦于风险方程中同样重要且具有挑战性的要素：物理脆弱性。我们利用机器学习方法在统一的概率时空推断框架中灵活捕获空间语境关系、有限的观测和不确定性。因此，我们提出了图变分状态空间模型(GraphVSSM)，一种新型模块化时空方法，独特地将图深度学习、状态空间建模和变分推断集成到时间序列数据和先前专家信念系统中，以弱监督或粗到细的层次方式实现。我们提出了三个主要结果：首次在菲律宾马尼拉城的Quezon City 进行城市范围内示范；调查了受台风影响的孛舍克尔社区(Bangladesh)和泥石流灾区Freetown(Sierra Leone)的突然变化；以及发布开放地理空间数据集 METEOR 2.5D，将现有的全球静态数据集（2020）提升为时空增强版本，用于联合国最不发达国家。除了推动区域灾害韧性评估并增进我们对全球灾害风险减少进展的理解外，我们的方法还提供了一种概率深度学习方法，为那些需要在弱监督条件下进行组成数据分析的更广泛城市研究贡献。
引用
@article{arxiv.2508.01310,
title = {GraphVSSM: Graph Variational State-Space Model for Probabilistic Spatiotemporal Inference of Dynamic Exposure and Vulnerability for Regional Disaster Resilience Assessment},
author = {Joshua Dimasaka and Christian Geiß and Emily So},
journal= {arXiv preprint arXiv:2508.01310},
year = {2026}
}
备注
Non-peer-reviewed Preprint | Keywords: graph state-space model, building exposure, physical vulnerability, weak supervision, probabilistic model, disaster resilience, risk audit | Code: https://github.com/riskaudit/GraphVSSM | Quezon City (Philippines) Dataset: https://doi.org/pzj2 | METEOR 2.5D Dataset, https://doi.org/pzq4, https://doi.org/pzrd | Khurushkul-Freetown Dataset: https://doi.org/pzkw