Reshaping urban resilience: trustworthy AI-driven frameworks for strengthening public health, critical infrastructure and crisis management from climate change effects

Abstract

Climate Change (CC) hazards pose escalating threats to urban environments, affecting infrastructure, public health and overall environmental sustainability. To effectively mitigate their effects and with the ultimate goal of enhancing urban resilience, Artificial Intelligence (AI) and Remote Sensing (RS) are widely employed in the information communication technology infrastructures by urban planners to strengthen disaster management procedures. In response to the continuously growing demands to learn, adapt and handle complex, unstructured problems in urban environments, this PhD dissertation couples RS, AI, and eXplainable AI (XAI) to contribute to four main pillars being critical for urban resilience. In the first pillar, public health and urban dynamics monitoring, LIME and SHAP XAI techniques are used to intelligently link environmental parameters with public health data, including demographic and socioeconomic factors, enabling the understanding of complex spatio-temporal transmissions in epidemiological models, emphasizing on COVID-19 morbidity and mortality rates. In the second pillar, urban infrastructure monitoring for damage assessment, Deep Learning (DL) architectures based on U-Net and its variations are explored for rapid and cost-effective assessment of urban infrastructure by automatically detecting and localizing buildings. In the third pillar, focused on land use and land cover (LULC) monitoring, an XAI-enabled framework is introduced that employs several deep learning classifiers alongside SHAP to identify optimal spectral band combinations for improved LULC classification, including pixel-level explanations. In the fourth pillar, Environmental Data Management for Crisis Response, the development of a context-aware adaptive Data Cube (DC) structure is presented. It is an analysis-ready structure of diverse sensing sources harmonically aligned under a unique coordinate system and is adaptable to the varying requirements of different environmental crisis scenarios. This is achieved by incorporating data acquisition, processing, and AI-driven decision-making layers along with Earth Observation (EO) data, ensuring that environmental monitoring and crisis management are both precise and responsive and enhancing the ability to address the challenges posed by CC hazards and natural disasters. Together, these pillars directly address the immediate needs of disaster response and urban health monitoring, setting the foundation for long-term sustainable development and planning in urban environments with utmost goal of reshaping urban resilience.

Η επιδείνωση των επιπτώσεων της κλιματικής αλλαγής εντείνει όλο ένα και περισσότερο την τρωτότητα των πόλεων, επηρεάζοντας σημαντικά πτυχές όπως είναι η δημόσια υγεία, η αντοχή των ανθρωπογενών κατασκευών και τη βιωσιμότητα του περιβάλλοντος. Για την αποτελεσματική αντιμετώπιση των επιπτώσεών τους, με απώτερο στόχο την ενίσχυση της αστικής ανθεκτικότητας, η τεχνητή νοημοσύνη και η τηλεπισκόπηση εφαρμόζονται ευρέως σε πληροφοριακά συστήματα ενημέρωσης και επικοινωνίας από τους σχεδιαστές αστικού χώρου, με σκοπό την ενδυνάμωση των διαδικασιών διαχείρισης καταστροφών. Για την κατανόηση, προσαρμογή και αντιμετώπιση σύνθετων, μη δομημένων προκλήσεων που δημιουργούν οι επιπτώσεις της κλιματικής αλλαγής σε αστικά κέντρα, η παρούσα διδακτορική διατριβή συνδυάζει την τηλεπισκόπηση, την τεχνητή νοημοσύνη και την επεξηγήσιμη τεχνητή νοημοσύνη για να συμβάλει σε τέσσερις βασικούς πυλώνες που είναι κρίσιμοι για την αστική ανθεκτικότητα. Στον πρώτο πυλώνα, που αφορά την παρακολούθηση της δημόσιας υγείας σε επίπεδο πόλης, οι τεχνικές επεξηγήσιμης τεχνητής νοημοσύνης όπως είναι η SHAP και η LIME χρησιμοποιούνται για την έξυπνη σύνδεση περιβαλλοντικών παραμέτρων με δεδομένα δημόσιας υγείας (συμπεριλαμβανομένων δημογραφικών και κοινωνικοοικονομικών παραγόντων), ώστε να επιτευχθεί η κατανόηση σύνθετων χωροχρονικών μεταδόσεων σε επιδημιολογικά μοντέλα, με έμφαση στα ποσοστά νοσηρότητας και θνησιμότητας λόγω COVID-19. Στον δεύτερο πυλώνα, που αφορά την παρακολούθηση υποδομών για εκτίμηση καταστροφών, διερευνώνται αρχιτεκτονικές Βαθιάς Μάθησης βασισμένες στο U-Net και στις παραλλαγές του, ώστε να επιτευχθεί ταχεία και οικονομικά εφικτή αποτίμηση των αστικών υποδομών μέσω αυτόματης ανίχνευσης και εντοπισμού των κτιρίων. Στον τρίτο πυλώνα, ο οποίος επικεντρώνεται στη παρακολούθηση χρήσεων και κάλυψης γης, παρουσιάζεται ένα πλαίσιο με χρήση επεξηγήσιμης τεχνητής νοημοσύνης που ενσωματώνει ταξινομητές βαθιάς μάθησης με το SHAP, επιτρέποντας την αναγνώριση βέλτιστων συνδυασμών φασματικών καναλιών και προσφέροντας επεξηγήσεις σε επίπεδο εικονοστοιχείου για τη βελτίωση της ταξινόμησης. Στον τέταρτο πυλώνα, που αφορά τη διαχείριση περιβαλλοντικών δεδομένων για ανταπόκριση σε κρίσεις, παρουσιάζεται η ανάπτυξη ενός προσαρμοστικού πλαισίου εναρμόνισης ετερογενών δεδομένων τηλεπισκόπησης για τη χωροχρονική ανάλυση σε μεγάλη κλίμακα κλιματικών και φυσικών καταστροφών. Αυτό επιτυγχάνεται με την ενσωμάτωση επιπέδων διαχείρισης δεδομένων, επεξεργασίας και λήψης αποφάσεων βάσει μοντέλων τεχνητής νοημοσύνης, διασφαλίζοντας την ακριβή και ευέλικτη περιβαλλοντική παρακολούθηση και διαχείριση κρίσεων, ενισχύοντας παράλληλα την ικανότητα αντιμετώπισης των προκλήσεων που θέτουν οι κίνδυνοι κλιματικής αλλαγής και οι φυσικές καταστροφές. Συνολικά, αυτοί οι πυλώνες ανταποκρίνονται άμεσα στις τρέχουσες ανάγκες για διαχείριση καταστροφών και παρακολούθηση δημόσιας υγείας, ενώ παράλληλα θέτουν τις βάσεις για μακροπρόθεσμη βιώσιμη ανάπτυξη και σχεδιασμό σε αστικά περιβάλλοντα, με τελικό στόχο την αναδιαμόρφωση της αστικής ανθεκτικότητας.