Logo Zephyrnet

Trí thông minh dữ liệu tạo

Công nghệ Nano

AI có thể cảnh báo các nhà quy hoạch đô thị và các nhà hoạch định chính sách về sự suy thoái của thành phố

Được xuất bản lại bởi Plato
Được xuất bản lại bởi Plato

Ngày:

Lượt xem: 130
28 tháng 2023, XNUMX (Tin tức Nanowerk) Hơn 2050/XNUMX dân số thế giới dự kiến ​​sẽ sống ở các thành phố vào năm XNUMX, theo Liên Hợp Quốc. Khi quá trình đô thị hóa tiến triển trên toàn cầu, các nhà nghiên cứu tại Đại học Notre Dame và Đại học Stanford cho biết chất lượng môi trường vật chất đô thị sẽ ngày càng trở nên quan trọng đối với sự thịnh vượng của con người và các sáng kiến ​​phát triển bền vững. Tuy nhiên, việc đo lường và theo dõi chất lượng môi trường đô thị, sự phát triển và sự chênh lệch về không gian của nó rất khó khăn do lượng dữ liệu thực tế cần thiết để nắm bắt các mô hình này. Để giải quyết vấn đề này, Yong Suk Lee, trợ lý giáo sư về công nghệ, kinh tế và các vấn đề toàn cầu tại Trường Quan hệ Toàn cầu Keough thuộc Đại học Notre Dame và Andrea Vallebueno từ Đại học Stanford đã sử dụng máy học để phát triển một phương pháp có thể mở rộng nhằm đo lường sự phân rã của đô thị. ở mức độ chi tiết về mặt không gian theo thời gian.

Chìa khóa chính

  • Nghiên cứu đã sử dụng mô hình YOLOv5 để xác định các dấu hiệu suy thoái đô thị như hình vẽ bậy, ổ gà và rác thải ở San Francisco, Thành phố Mexico và South Bend, Indiana.
  • Mô hình này hoạt động tốt ở các khu vực đô thị đông đúc hơn như San Francisco nhưng gặp khó khăn ở các khu vực ngoại ô hơn, cho thấy vẫn còn chỗ để cải tiến.
  • Mặc dù có khả năng sai lệch, nhưng cách tiếp cận này mang lại một cách thu thập dữ liệu hiệu quả và có thể mở rộng hơn so với các phương pháp truyền thống.
  • Nghiên cứu nhấn mạnh nhu cầu ngày càng tăng về các công cụ tiên tiến để hiểu môi trường đô thị, vì hơn 2050/XNUMX dân số toàn cầu dự kiến ​​sẽ cư trú tại các thành phố vào năm XNUMX.

    • Nghiên cứu

    Phát hiện của họ gần đây đã được công bố trên Báo cáo khoa học (“Đo lường chất lượng đô thị và sự thay đổi thông qua việc phát hiện các thuộc tính vật lý của sự phân hủy”). “Khi thế giới đô thị hóa, các nhà quy hoạch đô thị và các nhà hoạch định chính sách cần đảm bảo rằng thiết kế và chính sách đô thị giải quyết thỏa đáng các vấn đề quan trọng như cải thiện cơ sở hạ tầng và giao thông, nghèo đói, sức khỏe và an toàn của người dân đô thị, cũng như sự bất bình đẳng ngày càng tăng trong và giữa các thành phố.” Lý nói. “Sử dụng công nghệ học máy để nhận biết các mô hình phát triển khu dân cư và sự bất bình đẳng trong đô thị, chúng tôi có thể giúp các nhà quy hoạch đô thị và nhà hoạch định chính sách hiểu rõ hơn về sự suy thoái của không gian đô thị cũng như tầm quan trọng của nó trong quy hoạch tương lai”. Theo truyền thống, việc đo lường chất lượng đô thị và chất lượng cuộc sống trong không gian đô thị sử dụng các đặc điểm kinh tế và nhân khẩu xã hội như tỷ lệ tội phạm và mức thu nhập, dữ liệu khảo sát về nhận thức của người dân thành thị và các thuộc tính có giá trị của môi trường đô thị hoặc bộ dữ liệu hình ảnh mô tả không gian đô thị và chất kinh tế xã hội của nó. Lee cho biết, sự sẵn có ngày càng tăng của hình ảnh chế độ xem phố mang lại triển vọng mới trong việc xác định các đặc điểm đô thị, nhưng độ tin cậy và tính nhất quán của các phương pháp này ở các địa điểm và thời gian khác nhau vẫn chưa được khám phá. Trong nghiên cứu của họ, Lee và Vallebueno đã sử dụng mô hình YOLOv5 (một dạng trí tuệ nhân tạo có thể phát hiện vật thể) để phát hiện tám lớp đối tượng cho thấy sự suy thoái của đô thị hoặc góp phần tạo nên một không gian đô thị khó coi – những thứ như ổ gà, hình vẽ bậy, rác thải, lều trại, rào chắn hoặc cửa sổ bị vỡ, mặt tiền bị bạc màu hoặc đổ nát, cỏ dại và các dấu hiệu tiện ích. Họ tập trung vào ba thành phố: San Francisco, Mexico City và South Bend, Indiana. Họ chọn các khu dân cư ở những thành phố này dựa trên các yếu tố bao gồm sự đa dạng của đô thị, các giai đoạn suy tàn của đô thị và sự quen thuộc của tác giả với các thành phố. Sử dụng dữ liệu so sánh, họ đã đánh giá phương pháp của mình trong ba bối cảnh: tình trạng vô gia cư ở Quận Tenderloin của San Francisco từ năm 2009 đến năm 2021, một tập hợp các dự án nhà ở quy mô nhỏ được thực hiện từ năm 2017 đến năm 2019 tại một tập hợp con các khu dân cư của Thành phố Mexico và khu vực phía Tây. các khu dân cư của South Bend trong giai đoạn 2011 đến 2019 - một phần của thành phố đã suy thoái trong nhiều thập kỷ nhưng cũng chứng kiến ​​​​các sáng kiến ​​​​hồi sinh đô thị. Các nhà nghiên cứu nhận thấy rằng mô hình đã được huấn luyện có thể phát hiện đầy đủ các vật thể mà nó tìm kiếm ở các thành phố và vùng lân cận khác nhau, đồng thời hoạt động đặc biệt hiệu quả ở những nơi có mật độ dân số dày đặc hơn, chẳng hạn như San Francisco. Ví dụ, các bản đồ cho phép các nhà nghiên cứu đánh giá sự thay đổi theo thời gian và địa lý về tình trạng vô gia cư ở khu vực San Francisco, một vấn đề đã gia tăng qua nhiều năm. Theo Lee, mô hình này gặp khó khăn ở khu vực ngoại ô hơn của South Bend, cho thấy sự cần thiết phải điều chỉnh mô hình và các loại đối tượng được xác định trong các quần thể ít mật độ hơn. Ngoài ra, các nhà nghiên cứu nhận thấy vẫn còn nguy cơ sai lệch cần được giải quyết. “Phát hiện của chúng tôi chỉ ra rằng các mô hình được đào tạo như của chúng tôi có khả năng phát hiện tỷ lệ hư hỏng ở các vùng lân cận và thành phố khác nhau, nêu bật tiềm năng mở rộng quy mô của phương pháp này để theo dõi chất lượng đô thị và sự thay đổi đối với các trung tâm đô thị trên khắp Hoa Kỳ.” và các thành phố ở các quốc gia khác có sẵn hình ảnh ở chế độ xem phố,” ông nói. Lee cho biết mô hình này có tiềm năng cung cấp thông tin có giá trị bằng cách sử dụng dữ liệu có thể được thu thập theo cách hiệu quả hơn so với việc sử dụng các nguồn dữ liệu kinh tế truyền thống, thô hơn và nó có thể là một công cụ có giá trị và kịp thời cho chính phủ, các tổ chức phi chính phủ và công chúng. . Lee cho biết: “Chúng tôi nhận thấy rằng phương pháp tiếp cận của chúng tôi có thể sử dụng máy học để theo dõi hiệu quả chất lượng đô thị và sự thay đổi trên nhiều thành phố và khu vực đô thị”.
    tại chỗ_img

    Tin tức mới nhất

    tại chỗ_img

    Bản quyền @ 2024 Plato Technologies Inc.