Post-wildfire Housing Recovery Simulation via an Agent-based Model
Notice bibliographique
Résumé
As climate change increases the frequency and severity of disasters, proactive planning for post-disaster housing recovery is essential to mitigate long-term social and economic disruption. Computational models can support this planning by simulating potential recovery trajectories, yet many existing approaches are limited by overwhelming data requirements or narrow applicability to past events. Here, we introduce RAAbIT (Recovery Assessment using Agent-based Tools), a novel agent-based model designed to simulate housing recovery using data available within weeks of a disaster. RAAbIT models individual households, insurers, and contractors as agents governed by empirical behavior rules, and incorporates modifiable system-level constraints, such as contractor availability, to reflect context-specific recovery dynamics. We demonstrate the model's utility by hindcasting two California wildfires-the 2017 Tubbs Fire in Santa Rosa and the 2018 Camp Fire in Paradise-and capturing their divergent recovery trajectories. Despite similar hazards, the two communities experienced significantly different reconstruction outcomes, with Santa Rosa rebuilding 57% of destroyed homes and Paradise only 9% within five years. RAAbIT can reproduce temporal and spatial patterns of recovery observed in building permit and construction data. By balancing generalizability with data realism, RAAbIT provides a flexible and transferable tool for post-disaster recovery planning, supporting more effective decision-making under uncertainty and enhancing community resilience in the face of escalating climate risks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».