Zephyrnet-Logo

Generative Datenintelligenz

Nanotechnologie

KI kann Stadtplaner und politische Entscheidungsträger auf den Verfall von Städten aufmerksam machen

Neuauflage von Plato
Neuauflage von Plato

Datum:

Views: 130
28. Oktober 2023 (Nanowerk-Neuigkeiten) Nach Angaben der Vereinten Nationen werden bis 2050 voraussichtlich mehr als zwei Drittel der Weltbevölkerung in Städten leben. Während die Urbanisierung weltweit voranschreitet, wird die Qualität der städtischen physischen Umwelt laut Forschern der University of Notre Dame und der Stanford University immer wichtiger für das menschliche Wohlbefinden und für Initiativen zur nachhaltigen Entwicklung. Allerdings ist die Messung und Verfolgung der Qualität einer städtischen Umgebung, ihrer Entwicklung und ihrer räumlichen Unterschiede aufgrund der Menge an Daten vor Ort, die zur Erfassung dieser Muster erforderlich sind, schwierig. Um dieses Problem anzugehen, nutzten Yong Suk Lee, Assistenzprofessor für Technologie, Wirtschaft und globale Angelegenheiten an der Keough School of Global Affairs der University of Notre Dame, und Andrea Vallebueno von der Stanford University maschinelles Lernen, um eine skalierbare Methode zur Messung des städtischen Verfalls zu entwickeln auf einer räumlich granularen Ebene im Laufe der Zeit.

Key Take Away

  • Die Studie verwendete das YOLOv5-Modell, um Anzeichen städtischen Verfalls wie Graffiti, Schlaglöcher und Müll in San Francisco, Mexiko-Stadt und South Bend, Indiana, zu identifizieren.
  • Das Modell funktionierte in dichteren städtischen Gebieten wie San Francisco gut, hatte jedoch in vorstädtischeren Umgebungen Probleme, was auf Raum für Verbesserungen schließen lässt.
  • Trotz des Potenzials für Verzerrungen bietet der Ansatz im Vergleich zu herkömmlichen Methoden eine effizientere und skalierbarere Möglichkeit zur Datenerfassung.
  • Die Forschung unterstreicht den wachsenden Bedarf an fortschrittlichen Werkzeugen zum Verständnis städtischer Umgebungen, da bis 2050 voraussichtlich mehr als zwei Drittel der Weltbevölkerung in Städten leben werden.

    • Das Forschungs

    Ihre Ergebnisse wurden kürzlich in veröffentlicht Wissenschaftliche Berichte („Messung der städtischen Qualität und des Wandels durch die Erkennung physischer Merkmale des Verfalls“). „Während die Welt urbanisiert wird, müssen Stadtplaner und politische Entscheidungsträger sicherstellen, dass Stadtplanung und -politik kritische Probleme wie Infrastruktur- und Verkehrsverbesserungen, Armut sowie Gesundheit und Sicherheit der Stadtbewohner sowie die zunehmende Ungleichheit innerhalb und zwischen Städten angemessen berücksichtigen.“ Sagte Lee. „Durch den Einsatz von maschinellem Lernen zur Erkennung von Mustern der Nachbarschaftsentwicklung und städtischen Ungleichheit können wir Stadtplanern und politischen Entscheidungsträgern helfen, den Verfall des städtischen Raums und seine Bedeutung für die zukünftige Planung besser zu verstehen.“ Traditionell wurden für die Messung der städtischen Qualität und der Lebensqualität in städtischen Räumen soziodemografische und wirtschaftliche Merkmale wie Kriminalitätsraten und Einkommensniveaus, Umfragedaten zur Wahrnehmung der Stadtbewohner und geschätzten Merkmalen der städtischen Umwelt oder Bilddatensätze verwendet, die den städtischen Raum beschreiben seine sozioökonomischen Qualitäten. Die zunehmende Verfügbarkeit von Street View-Bildern biete neue Möglichkeiten zur Identifizierung städtischer Merkmale, sagte Lee, aber die Zuverlässigkeit und Konsistenz dieser Methoden über verschiedene Orte und Zeiträume hinweg sei noch weitgehend unerforscht. In ihrer Studie verwendeten Lee und Vallebueno das YOLOv5-Modell (eine Form künstlicher Intelligenz, die Objekte erkennen kann), um acht Objektklassen zu erkennen, die auf städtischen Verfall hinweisen oder zu einem unansehnlichen städtischen Raum beitragen – Dinge wie Schlaglöcher, Graffiti, Müll, Zelte, Gitter oder zerbrochene Fenster, verfärbte oder marode Fassaden, Unkraut und Gebrauchsmarkierungen. Sie konzentrierten sich auf drei Städte: San Francisco, Mexiko-Stadt und South Bend, Indiana. Sie wählten die Stadtteile in diesen Städten auf der Grundlage von Faktoren wie städtischer Vielfalt, Stadien des städtischen Verfalls und der Vertrautheit der Autoren mit den Städten aus. Mithilfe von Vergleichsdaten bewerteten sie ihre Methode in drei Kontexten: Obdachlosigkeit im Tenderloin District von San Francisco zwischen 2009 und 2021, einer Reihe kleiner Wohnprojekte, die von 2017 bis 2019 in einer Untergruppe von Vierteln von Mexiko-Stadt durchgeführt wurden, und im Westen Viertel von South Bend im Zeitraum 2011 bis 2019 – ein Teil der Stadt, der jahrzehntelang im Niedergang begriffen war, in dem es aber auch Stadterneuerungsinitiativen gab. Die Forscher fanden heraus, dass das trainierte Modell die gesuchten Objekte in verschiedenen Städten und Stadtteilen angemessen erkennen konnte und sich besonders gut dort bewährte, wo eine dichtere Bevölkerung herrscht, wie etwa in San Francisco. Die Karten ermöglichten es den Forschern beispielsweise, die zeitliche und geografische Variation der Obdachlosigkeit im Raum San Francisco zu beurteilen, ein Problem, das im Laufe der Jahre immer größer wurde. Laut Lee hatte das Modell in der eher vorstädtischen Gegend von South Bend Schwierigkeiten, was zeigt, dass das Modell und die in weniger dichten Populationen identifizierten Objekttypen optimiert werden müssen. Darüber hinaus stellten die Forscher fest, dass immer noch das Risiko einer Verzerrung besteht, das angegangen werden sollte. „Unsere Ergebnisse deuten darauf hin, dass trainierte Modelle wie unseres in der Lage sind, den Verfall in verschiedenen Stadtteilen und Städten zu erkennen, was das Potenzial dieses Ansatzes für die Skalierung unterstreicht, um die städtische Qualität und den Wandel städtischer Zentren in den USA zu verfolgen.“ und Städte in anderen Ländern, in denen Street View-Bilder verfügbar sind“, sagte er. Lee sagte, das Modell habe das Potenzial, wertvolle Informationen mithilfe von Daten bereitzustellen, die im Vergleich zur Verwendung gröberer, traditioneller Wirtschaftsdatenquellen effizienter erfasst werden könnten, und dass es ein wertvolles und zeitgemäßes Instrument für die Regierung, Nichtregierungsorganisationen und die Öffentlichkeit sein könnte . „Wir haben herausgefunden, dass unser Ansatz maschinelles Lernen nutzen kann, um die städtische Qualität und Veränderungen in mehreren Städten und städtischen Gebieten effektiv zu verfolgen“, sagte Lee.
    spot_img

    Neueste Intelligenz

    spot_img

    Copyright @ 2024 Plato Technologies Inc.