近日，同济大学上海自主智能无人系统科学中心冯恺睿研究员作为第一作者，与美国普林斯顿大学、罗格斯大学合作，在《美国科学院院刊》（PNAS）发表题为《基于强化学习的自适应气候适应策略：纽约曼哈顿海岸洪水风险管理应用》的研究论文。该研究创新性地将强化学习（Reinforcement Learning, RL）技术引入气候变化适应决策领域，为全球沿海城市应对海平面上升及极端气候风险提供了高效动态解决方案。
突破传统局限，强化学习优化动态决策
传统气候适应模型多依赖静态风险评估，难以动态整合实时观测数据与决策优化。冯恺睿团队将强化学习技术应用于纽约曼哈顿海岸防护策略设计，通过构建智能决策代理系统，模拟海平面上升（SLR）观测数据与防护工程（如防波堤高度调整）、多策略协同（撤退、改造、防护）的动态关联。研究表明，与传统动态规划等基线方法相比，强化学习模型在中等排放情景（SSP2-4.5）下可降低预期总成本6%-36%，在高排放情景（SSP5-8.5）下成本降幅达9%-77%。同时，该模型显著减少极端气候事件的尾部风险，并在应对“深度不确定性”（如冰盖融化预测偏差）时展现出更强鲁棒性。
图1. 不同沿海防护策略和海平面、风暴潮的不确定演化
多维度策略协同，赋能韧性城市建设
研究进一步验证了强化学习在复杂多策略协同中的优势。通过整合“防护工程修建”“低洼区建筑改造”及“风险区居民撤退”三类措施，模型在单一防护策略基础上实现额外5%-15%的成本优化。例如，针对曼哈顿海岸线，强化学习推荐动态调整防波堤高度（2100年中位值达20.9英尺），并分阶段推进高风险区建筑改造与撤退计划，避免早期过度投资的同时降低长期灾害损失。冯恺睿指出：“强化学习的核心在于持续学习与动态响应，这为城市应对气候不确定性提供了‘自适应工具箱’。”
图2 多种气候变化策略基于场景的协同演化
该成果为全球海岸带管理提供了方法论创新，是“AI for Climate”的一个典型成功案例，为人工智能技术应对气候变化带来的挑战，包括减缓气候变化、适应气候变化以及优化资源配置等方面提供理论支撑。研究团队开发的强化学习框架可扩展至洪涝、热浪等多类气候风险场景，并兼容电网、交通网络规划等场景。冯恺睿表示：“同济团队正探索将模型应用于中国长三角等沿海城市群，助力‘双碳’目标下的气候韧性规划。”此项研究不仅彰显了中国青年科学家在交叉学科前沿的创新能力，也为全球气候治理贡献了同济智慧。
本研究后期得到了同济大学上海自主智能无人系统科学中心在云边算力、环境模拟等方面的平台支撑。未来，团队将进一步开发开源决策支持平台，依托科学中心已有平台，推动强化学习与区域气候模型的深度融合，为政策制定者提供实时、可操作的动态适应方案。
合作作者：Ning Lin （普林斯顿大学），Robert E. Kopp（罗格斯大学）, Siyuan Xian（普林斯顿大学）, Michael Oppenheimer（普林斯顿大学）
本项目受到国家自然科学基金基础科学中心，上海市人工智能市级科技重大专项等基金的资助。
