28 년 2023 월 XNUMX 일 (나노 워크 뉴스) UN에 따르면 2050년에는 세계 인구의 XNUMX분의 XNUMX 이상이 도시에 거주할 것으로 예상됩니다. 전 세계적으로 도시화가 진행됨에 따라 노트르담 대학교와 스탠포드 대학교의 연구원들은 도시의 물리적 환경의 질이 인간의 행복과 지속 가능한 개발 계획에 점점 더 중요해질 것이라고 말했습니다. 그러나 이러한 패턴을 포착하는 데 필요한 현장 데이터의 양으로 인해 도시 환경의 품질, 진화 및 공간적 차이를 측정하고 추적하는 것은 어렵습니다. 이 문제를 해결하기 위해 노트르담 대학교 Keough School of Global Affairs의 기술, 경제 및 글로벌 문제 조교수인 이용석과 스탠포드 대학교의 Andrea Vallebueno는 머신러닝을 사용하여 도시 붕괴를 측정하는 확장 가능한 방법을 개발했습니다. 시간이 지남에 따라 공간적으로 세분화된 수준에서.

주요 요점

이 연구에서는 YOLOv5 모델을 사용하여 샌프란시스코, 멕시코시티 및 인디애나주 사우스벤드에서 낙서, 움푹 들어간 곳, 쓰레기와 같은 도시 부패의 징후를 식별했습니다.

이 모델은 샌프란시스코와 같이 밀도가 높은 도시 지역에서는 잘 작동했지만 교외 환경에서는 성능이 좋지 않아 개선의 여지가 있음을 나타냅니다.

편향 가능성에도 불구하고 이 접근 방식은 기존 방법에 비해 데이터를 수집하는 더 효율적이고 확장 가능한 방법을 제공합니다.

이 연구는 2050년까지 전 세계 인구의 XNUMX/XNUMX 이상이 도시에 거주할 것으로 예상됨에 따라 도시 환경을 이해하기 위한 고급 도구에 대한 필요성이 커지고 있음을 강조합니다.

연구

그들의 연구 결과는 최근에 출판되었습니다. 과학 보고서 (“쇠퇴의 물리적 특성을 탐지하여 도시의 질과 변화를 측정한다”). "세계가 도시화됨에 따라 도시 계획자와 정책 입안자들은 도시 설계와 정책이 인프라 및 교통 개선, 빈곤, 도시인의 건강과 안전, 도시 내외의 증가하는 불평등과 같은 중요한 문제를 적절하게 다루도록 해야 합니다." 이씨는 말했다. "기계 학습을 사용하여 지역 개발 및 도시 불평등의 패턴을 인식함으로써 도시 계획자와 정책 입안자가 도시 공간의 악화와 미래 계획에서의 중요성을 더 잘 이해하도록 도울 수 있습니다." 전통적으로 도시 공간의 질과 삶의 질을 측정하려면 범죄율, 소득 수준 등 사회인구학적, 경제적 특성, 도시인의 인식과 도시 환경에 대한 가치 속성에 대한 조사 데이터, 도시 공간과 도시 환경을 설명하는 이미지 데이터세트를 사용해 왔습니다. 사회 경제적 특성. 스트리트 뷰 이미지의 가용성이 높아지면서 도시 특징을 식별하는 데 새로운 전망이 제시되지만 다양한 위치와 시간에 걸쳐 이러한 방법의 신뢰성과 일관성은 아직 탐구되지 않은 상태로 남아 있다고 Lee는 말했습니다. 연구에서 Lee와 Vallebueno는 YOLOv5 모델(물체를 감지할 수 있는 인공 지능의 일종)을 사용하여 도시의 쇠퇴를 나타내거나 보기 흉한 도시 공간에 기여하는 XNUMX가지 물체 클래스(움푹 들어간 곳, 낙서, 쓰레기, 텐트, 빗장 등)를 감지했습니다. 또는 깨진 창문, 변색되거나 낡은 외관, 잡초 및 유틸리티 표시. 그들은 샌프란시스코, 멕시코시티, 인디애나주 사우스벤드 등 세 도시에 초점을 맞췄습니다. 그들은 도시 다양성, 도시 쇠퇴 단계, 도시에 대한 저자의 친숙도 등의 요인을 바탕으로 이들 도시의 인근 지역을 선택했습니다. 그들은 비교 데이터를 사용하여 2009년부터 2021년까지 샌프란시스코 텐더로인 지역의 노숙자, 2017년부터 2019년까지 멕시코시티 인근 지역의 하위 집합에서 수행된 일련의 소규모 주택 프로젝트, 서부 지역의 세 가지 맥락에서 방법을 평가했습니다. 2011년부터 2019년까지 사우스 벤드 인근 지역은 수십 년 동안 쇠퇴해 왔지만 도시 부흥 계획도 본 도시의 일부입니다. 연구원들은 훈련된 모델이 다양한 도시와 동네에서 검색한 객체를 적절하게 감지할 수 있으며 특히 샌프란시스코와 같이 인구 밀도가 높은 곳에서 잘 작동한다는 사실을 발견했습니다. 예를 들어, 이 지도를 통해 연구자들은 샌프란시스코 지역의 노숙자 문제가 수년에 걸쳐 증가한 시간적, 지리적 변화를 평가할 수 있었습니다. Lee에 따르면 이 모델은 사우스 벤드(South Bend)의 교외 지역에서 어려움을 겪었으며, 이는 밀도가 낮은 인구에서 식별된 객체 유형과 모델을 조정할 필요성을 보여주었습니다. 또한 연구진은 해결해야 할 편견의 위험이 여전히 존재한다는 사실을 발견했습니다. "우리의 연구 결과에 따르면 우리와 같은 훈련된 모델은 다양한 동네와 도시에서 부패 발생률을 감지할 수 있으며, 미국 전역 도시 중심지의 도시 품질과 변화를 추적하기 위해 확장될 수 있는 이 접근 방식의 잠재력을 강조합니다. 스트리트 뷰 이미지를 이용할 수 있는 다른 국가의 도시도 포함됩니다.”라고 그는 말했습니다. Lee는 이 모델이 조잡하고 전통적인 경제 데이터 소스를 사용하는 것보다 더 효율적인 방법으로 수집할 수 있는 데이터를 사용하여 가치 있는 정보를 제공할 수 있는 잠재력이 있으며 정부, 비정부 기구 및 대중을 위한 가치 있고 시의적절한 도구가 될 수 있다고 말했습니다. . Lee는 “우리의 접근 방식은 기계 학습을 사용하여 여러 도시와 도시 지역의 도시 품질과 변화를 효과적으로 추적할 수 있다는 것을 발견했습니다.”라고 말했습니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://www.nanowerk.com/news2/robotics/newsid=63957.php