28 okt.2023 (Nanowerk NieuwsVolgens de Verenigde Naties zal naar verwachting in 2050 ruim tweederde van de wereldbevolking in steden wonen. Naarmate de verstedelijking over de hele wereld voortschrijdt, zeggen onderzoekers van de Universiteit van Notre Dame en Stanford University dat de kwaliteit van de stedelijke fysieke omgeving steeds belangrijker zal worden voor het menselijk welzijn en voor duurzame ontwikkelingsinitiatieven. Het meten en volgen van de kwaliteit van een stedelijke omgeving, de evolutie ervan en de ruimtelijke verschillen zijn echter moeilijk vanwege de hoeveelheid gegevens ter plaatse die nodig zijn om deze patronen vast te leggen. Om dit probleem aan te pakken, gebruikten Yong Suk Lee, universitair docent technologie, economie en mondiale zaken aan de Keough School of Global Affairs van de Universiteit van Notre Dame, en Andrea Vallebueno van Stanford University machine learning om een ​​schaalbare methode te ontwikkelen om stedelijk verval te meten. op een ruimtelijk granulair niveau in de tijd.

Key Takeaways

De studie gebruikte het YOLOv5-model om tekenen van stedelijk verval te identificeren, zoals graffiti, kuilen en afval in San Francisco, Mexico City en South Bend, Indiana.

Het model presteerde goed in dichtere stedelijke gebieden zoals San Francisco, maar had het moeilijk in meer voorstedelijke omgevingen, wat aangeeft dat er ruimte is voor verfijning.

Ondanks het potentieel voor vertekening biedt de aanpak een efficiëntere en schaalbare manier om gegevens te verzamelen in vergelijking met traditionele methoden.

Het onderzoek onderstreept de groeiende behoefte aan geavanceerde hulpmiddelen om stedelijke omgevingen te begrijpen, aangezien naar verwachting in 2050 meer dan tweederde van de wereldbevolking in steden zal wonen.

Het Onderzoek

Hun bevindingen zijn onlangs gepubliceerd in Wetenschappelijke rapporten (“Het meten van stedelijke kwaliteit en verandering door de detectie van fysieke kenmerken van verval”). “Nu de wereld verstedelijkt, moeten stadsplanners en beleidsmakers ervoor zorgen dat het stadsontwerp en het stadsbeleid op adequate wijze kritieke kwesties aanpakken, zoals verbeteringen aan de infrastructuur en het transport, armoede en de gezondheid en veiligheid van stedelingen, evenals de toenemende ongelijkheid binnen en tussen steden.” zei Lee. “Door machinaal leren te gebruiken om patronen van buurtontwikkeling en stedelijke ongelijkheid te herkennen, kunnen we stadsplanners en beleidsmakers helpen de achteruitgang van de stedelijke ruimte en het belang ervan voor de toekomstige planning beter te begrijpen.” Traditioneel wordt bij het meten van de stedelijke kwaliteit en de levenskwaliteit in stedelijke ruimten gebruik gemaakt van sociodemografische en economische kenmerken zoals criminaliteitscijfers en inkomensniveaus, enquêtegegevens over de perceptie en gewaardeerde eigenschappen van de stedelijke omgeving door stedelingen, of beelddatasets die de stedelijke ruimte beschrijven en zijn sociaal-economische kwaliteiten. De toenemende beschikbaarheid van straatbeeldbeelden biedt nieuwe perspectieven bij het identificeren van stedelijke kenmerken, zei Lee, maar de betrouwbaarheid en consistentie van deze methoden op verschillende locaties en in verschillende tijden blijft grotendeels onontgonnen. In hun onderzoek gebruikten Lee en Vallebueno het YOLOv5-model (een vorm van kunstmatige intelligentie die objecten kan detecteren) om acht objectklassen te detecteren die duiden op stedelijk verval of bijdragen aan een lelijke stedelijke ruimte – zaken als kuilen, graffiti, afval, tenten, tralies. of kapotte ramen, verkleurde of vervallen gevels, onkruid en nutsmarkeringen. Ze concentreerden zich op drie steden: San Francisco, Mexico City en South Bend, Indiana. Ze kozen buurten in deze steden op basis van factoren als stedelijke diversiteit, stadia van stedelijk verval en de bekendheid van de auteurs met de steden. Met behulp van vergelijkende gegevens evalueerden ze hun methode in drie contexten: dakloosheid in het Tenderloin District van San Francisco tussen 2009 en 2021, een reeks kleinschalige huisvestingsprojecten die in 2017 tot en met 2019 werden uitgevoerd in een deel van de wijken van Mexico-Stad, en de westelijke buurten van South Bend in de periode 2011 tot en met 2019 – een deel van de stad dat al tientallen jaren in verval was, maar waar ook initiatieven voor stadsvernieuwing plaatsvonden. Onderzoekers ontdekten dat het getrainde model de objecten die het zocht in verschillende steden en buurten adequaat kon detecteren, en het vooral goed deed in gebieden met een grotere bevolkingsdichtheid, zoals San Francisco. Met de kaarten konden onderzoekers bijvoorbeeld de temporele en geografische variatie in dakloosheid in de omgeving van San Francisco beoordelen, een probleem dat in de loop der jaren is toegenomen. Volgens Lee had het model het moeilijk in het meer voorstedelijke gebied van South Bend, wat aantoont dat het model en de soorten objecten die in minder dichte populaties worden geïdentificeerd, moeten worden aangepast. Bovendien constateerden de onderzoekers dat er nog steeds een risico op vooringenomenheid bestaat dat moet worden aangepakt. “Onze bevindingen geven aan dat getrainde modellen zoals de onze in staat zijn om de incidentie van verval in verschillende buurten en steden te detecteren, wat het potentieel benadrukt van deze aanpak om te worden opgeschaald om de stedelijke kwaliteit en verandering voor stedelijke centra in de VS te volgen. en steden in andere landen waar straatbeelden beschikbaar zijn”, zei hij. Lee zei dat het model het potentieel heeft om waardevolle informatie te verschaffen met behulp van gegevens die op een efficiëntere manier kunnen worden verzameld in vergelijking met het gebruik van grovere, traditionele economische gegevensbronnen, en dat het een waardevol en actueel instrument zou kunnen zijn voor de overheid, niet-gouvernementele organisaties en het publiek. . “We ontdekten dat onze aanpak machine learning kan gebruiken om de stedelijke kwaliteit en verandering in meerdere steden en stedelijke gebieden effectief te volgen”, aldus Lee.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.nanowerk.com/news2/robotics/newsid=63957.php