Stedelijke Spatio-Temporele Foundation Modellen voor Klimaatbestendige Woningbouw: Het Opschalen van Diffusion Transformers voor Rampenrisicovoorspelling

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

February 5, 2026

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

cs.AI

Samenvatting

Klimaatrisico's verstoren in toenemende mate het stedelijk vervoer en de hulpverleningsoperaties door schade aan woningvoorraden, aantasting van infrastructuur en verminderde bereikbaarheid van netwerken. Dit artikel presenteert Skjold-DiT, een diffusie-transformer raamwerk dat heterogene ruimte-temporele stedelijke data integreert om klimaatrisico-indicatoren op gebouwniveau te voorspellen, waarbij expliciet de structuur van het vervoersnetwerk en bereikbaarheidssignalen relevant voor intelligente voertuigen worden meegenomen (bijvoorbeeld bereikbaarheid voor hulpdiensten en evacuatieroutebeperkingen). Concreet maakt Skjold-DiT risicogestuurde routebeperkingen mogelijk door gekalibreerde, onzekerheidsbewuste bereikbaarheidslagen te produceren (bereikbaarheid, reistijntoename en routeredundantie) die kunnen worden gebruikt door routingsystemen voor intelligente voertuigen en systemen voor noodcentrales. Skjold-DiT combineert: (1) Fjell-Prompt, een op prompts gebaseerde conditioneringsinterface ontworpen voor overdracht tussen steden; (2) Norrland-Fusion, een cross-modale aandachtmechanisme dat risicokaarten/beelden, gebouwkenmerken, demografie en vervoersinfrastructuur verenigt in een gedeelde latente representatie; en (3) Valkyrie-Forecast, een contrafeitelijke simulator voor het genereren van probabilistische risicotrajecten onder interventieprompts. We introduceren de Baltic-Caspian Urban Resilience (BCUR) dataset met 847.392 observaties op gebouwniveau verspreid over zes steden, inclusief multi-risicoannotaties (bijvoorbeeld overstromings- en hitte-indicatoren) en vervoersbereikbaarheidskenmerken. Experimenten evalueren de voorspellingskwaliteit, generalisatie tussen steden, kalibratie en downstream vervoersrelevante uitkomsten, waaronder bereikbaarheid en risicogestuurde reistijden onder contrafeitelijke interventies.

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.