理解社区韧性与风险状况，被认为是降低飓风、地震等自然灾害对平民与关键基础设施影响的重要环节。研究人员指出，人工智能可用于更高效地评估社区韧性与脆弱性，但现有方法往往基于对单一因素影响的预设判断，对电网、通信系统等指标进行相对独立的排序与加权。

德州农工大学城市韧性人工智能实验室的研究人员开发了一套新的深度学习框架Resili-Net，旨在通过刻画影响社区韧性的多类因素之间的相互依赖关系，提升社区脆弱性评级的准确性。相关成果已发表于《npj城市可持续性》。

研究团队表示，Resili-Net可帮助利益相关方同时审视基础设施条件、社会因素与环境风险之间的联动关系。研究人员称，传统评估在权重分配上可能存在偏向，常对医院邻近度、洪泛区暴露等指标赋予较高权重；而Resili-Net基于数据识别因素间的依赖性，使同一指标在不同社区中可能呈现不同影响。

城市韧性人工智能实验室博士后研究员、研究联合负责人李博表示，社区韧性不存在“放之四海而皆准”的方案；在模型中纳入风险影响因素的相互依赖性，可能改变城市在洪水、风暴及其他自然灾害方面的规划方式。

研究人员通过情景模拟进一步说明，向不同社区施加相同的改善措施并不必然带来韧性提升。例如，增设医院在部分情境下未必能显著提高社区韧性。研究团队据此强调，需要制定更具针对性、符合社区差异的韧性提升策略。

研究还指出，一些社区在指标层面可能显示出较强韧性，但在现实压力下表现并不一致。借助Resili-Net对韧性与风险进行更精细的识别后，研究人员发现部分社区呈现“风险评级较高、韧性评级较低”的特征，并将其界定为脆弱社区，认为可据此制定更聚焦于关键影响因素的优化改进方案。

城市韧性人工智能实验室博士生、联合负责人尹凯表示，在大休斯顿地区的部分区域，存在高洪水暴露与低恢复能力的重叠，这类社区可能面临更严重影响但缺乏快速适应或恢复能力；城市规划者可利用Resili-Net对高风险地区的投资与支持进行优先排序。

研究团队称，目前尚未与相关机构开展直接合作，但该研究为更智能的基础设施发展提供了可参考的框架。Resili-Net支持将韧性与风险进行综合分析，以更全面的方式纳入社会技术因素。

在后续工作方面，研究人员计划将Resili-Net扩展至更多灾害类型（如野火），并整合生态数据，以构建更完整的社区韧性模型。团队也希望将多智能体系统纳入框架，实现自动评估与情景的实时更新，但指出当前挑战之一在于数据可用性不足。

城市韧性人工智能实验室主任、土木与环境工程教授阿里·莫斯塔法维表示，影响风险与韧性的关键特征常因数据获取受限而无法纳入，从而限制分析深度；未来工作将受益于更高水平的数据透明度与共享。

研究人员认为，人工智能驱动工具在提升社区抵御灾害能力方面具备优势，类似Resili-Net的模型有望在纳入更多因素的同时，通过数据更无偏地识别对特定社区最关键的影响因素。