Modelli Fondazionali Spazio-Temporali Urbani per l'Abitazione Resiliente al Clima: Scalabilità dei Diffusion Transformer per la Previsione del Rischio Catastrofale

Urban Spatio-Temporal Foundation Models for Climate-Resilient Housing: Scaling Diffusion Transformers for Disaster Risk Prediction

February 5, 2026

Autori: Olaf Yunus Laitinen Imanov, Derya Umut Kulali, Taner Yilmaz

cs.AI

Abstract

I pericoli climatici perturbano sempre più le operazioni di trasporto urbano e di risposta alle emergenze, danneggiando il patrimonio abitativo, degradando le infrastrutture e riducendo l'accessibilità della rete. Questo articolo presenta Skjold-DiT, un framework diffusion-transformer che integra dati urbani spaziotemporali eterogenei per prevedere indicatori di rischio climatico a livello di edificio, incorporando esplicitamente la struttura della rete di trasporto e segnali di accessibilità rilevanti per i veicoli intelligenti (ad esempio, raggiungibilità di emergenza e vincoli sulle rotte di evacuazione). Nello specifico, Skjold-DiT abilita vincoli di routing condizionati al pericolo producendo layer di accessibilità calibrati e consapevoli dell'incertezza (raggiungibilità, incremento dei tempi di percorrenza e ridondanza dei percorsi) che possono essere utilizzati da sistemi di routing per veicoli intelligenti e di invio di emergenze. Skjold-DiT combina: (1) Fjell-Prompt, un'interfaccia di condizionamento basata su prompt progettata per supportare il trasferimento inter-cittadino; (2) Norrland-Fusion, un meccanismo di attenzione cross-modale che unisce mappe/immagini dei pericoli, attributi degli edifici, dati demografici e infrastrutture di trasporto in una rappresentazione latente condivisa; e (3) Valkyrie-Forecast, un simulatore controfattuale per generare traiettorie di rischio probabilistiche sotto l'input di prompt di intervento. Introduciamo il dataset Baltic-Caspian Urban Resilience (BCUR) con 847.392 osservazioni a livello di edificio in sei città, incluse annotazioni multi-pericolo (ad esempio, indicatori di alluvione e calore) e caratteristiche di accessibilità dei trasporti. Gli esperimenti valutano la qualità predittiva, la generalizzazione inter-cittadina, la calibrazione e gli outcome rilevanti per i trasporti a valle, inclusi la raggiungibilità e i tempi di percorrenza condizionati al pericolo sotto interventi controfattuali.

English

Climate hazards increasingly disrupt urban transportation and emergency-response operations by damaging housing stock, degrading infrastructure, and reducing network accessibility. This paper presents Skjold-DiT, a diffusion-transformer framework that integrates heterogeneous spatio-temporal urban data to forecast building-level climate-risk indicators while explicitly incorporating transportation-network structure and accessibility signals relevant to intelligent vehicles (e.g., emergency reachability and evacuation-route constraints). Concretely, Skjold-DiT enables hazard-conditioned routing constraints by producing calibrated, uncertainty-aware accessibility layers (reachability, travel-time inflation, and route redundancy) that can be consumed by intelligent-vehicle routing and emergency dispatch systems. Skjold-DiT combines: (1) Fjell-Prompt, a prompt-based conditioning interface designed to support cross-city transfer; (2) Norrland-Fusion, a cross-modal attention mechanism unifying hazard maps/imagery, building attributes, demographics, and transportation infrastructure into a shared latent representation; and (3) Valkyrie-Forecast, a counterfactual simulator for generating probabilistic risk trajectories under intervention prompts. We introduce the Baltic-Caspian Urban Resilience (BCUR) dataset with 847,392 building-level observations across six cities, including multi-hazard annotations (e.g., flood and heat indicators) and transportation accessibility features. Experiments evaluate prediction quality, cross-city generalization, calibration, and downstream transportation-relevant outcomes, including reachability and hazard-conditioned travel times under counterfactual interventions.