L’intelligence artificielle peut alerter les urbanistes et les décideurs politiques du déclin des villes

Échantillons de sortie de détection pour le filet (à gauche) et Mexico (à droite). L. a. sortie de détection d’symbol Google Side road View (GSV) a été générée par les auteurs à l’aide du dépôt YOLOv5 tel que développé par Ultralytics dans le framework PyTorch. À gauche, le modèle identifie correctement l’example de tente. À droite, sur les dix petites fenêtres du bâtiment, le modèle a correctement détecté une fenêtre automobile c’était l. a. seule à barreaux. crédit: Rapports scientifiques (2023). est ce que je: 10.1038/s41598-023-44551-3

Plus des deux tiers de l. a. inhabitants mondiale devraient vivre dans des villes d’ici 2050, selon les International locations Unies. À mesure que l’urbanisation progresse dans le monde, des chercheurs de l’Université de Notre Dame et de l’Université de Stanford affirment que l. a. qualité de l’environnement body urbain deviendra de plus en plus importante pour le bien-être humain et pour les projects de développement sturdy.

Cependant, mesurer et suivre l. a. qualité, l’évolution et les disparités spatiales de l’environnement urbain est difficile en raison de l. a. quantité de données de terrain nécessaires pour capturer ces modèles. Pour résoudre ce problème, Younger-Sook Lee, professeur adjoint de technologie, d’économie et d’affaires mondiales à l. a. Keough College of International Affairs de l’Université de Notre Dame, et Andrea Valbueno de l’Université de Stanford, ont utilisé l’apprentissage automatique pour développer une méthode évolutive de mesure. l. a. dégradation urbaine. Au niveau granulaire spatial au fil du temps.

Leurs conclusions ont été récemment publiées dans Rapports scientifiques.

« À mesure que le monde urbain se développe, les urbanistes et les décideurs politiques doivent veiller à ce que l. a. conception et les politiques urbaines répondent de manière adéquate à des problèmes reviews tels que l’amélioration des infrastructures et des transports, l. a. pauvreté, l. a. santé et l. a. sécurité des résidents urbains, ainsi que les inégalités croissantes au sein et entre les villes. .» il m’a dit. « En utilisant l’apprentissage automatique pour reconnaître les modèles de développement des quartiers et les inégalités urbaines, nous pouvons aider les urbanistes et les décideurs politiques à mieux comprendre l. a. dégradation de l’espace urbain et son significance dans l. a. planification long term. »

Traditionnellement, l. a. mesure de l. a. qualité urbaine et de l. a. qualité de vie urbaine utilise des caractéristiques sociodémographiques et économiques telles que les taux de criminalité et les niveaux de revenu, des données d’enquête sur les perceptions des résidents urbains et les attributs valorisés de l’environnement urbain, ou des ensembles de données d’photographs décrivant l’espace urbain et l. a. nature urbaine. Ses caractéristiques sociales et économiques. L. a. disponibilité croissante des photographies de rue ouvre de nouvelles frontières dans l’id des caractéristiques urbaines, mais l. a. fiabilité et l. a. cohérence de ces méthodes à différents endroits et à différentes époques restent largement inexplorées, a déclaré Lee.

Le jeune Suk Lee. Crédit : Université de Notre Dame

Dans leur étude, Li et Vallebueno ont utilisé le modèle YOLOv5 (une forme d’intelligence artificielle succesful de détecter des objets) pour découvrir huit catégories d’objets qui indiquent un déclin urbain ou contribuent à un espace urbain inesthétique – des éléments comme des nids-de-poule, des graffitis, des détritus, des tentes, et des passages bloqués. . Ou des vitres cassées, des façades décolorées ou délabrées, des mauvaises herbes et des panneaux utilitaires. Ils se sont concentrés sur trois villes : San Francisco, Mexico et South Bend, Indiana. Ils ont sélectionné les quartiers de ces villes en fonction de facteurs tels que l. a. diversité urbaine, les stades de déclin urbain et l. a. familiarité des auteurs avec les villes.

À l’aide de données comparatives, ils ont évalué leur méthode dans trois contextes : le sans-abrisme dans le district de Tenderloin à San Francisco entre 2009 et 2021, un ensemble de petits projets de logements mis en œuvre de 2017 à 2019 dans un sous-ensemble de quartiers de Mexico et l’Ouest. Les quartiers de South Bend de 2011 à 2019 – une partie de l. a. ville en déclin depuis des décennies mais qui a également connu des projects de revitalisation urbaine.

Les chercheurs ont découvert que le modèle entraîné pouvait détecter de manière adéquate les objets qu’il recherchait dans différentes villes et quartiers, et fonctionnait particulièrement bien dans les endroits à plus distinctiveness densité de inhabitants, comme San Francisco.

Par exemple, les cartes ont permis aux chercheurs d’évaluer l. a. variation temporelle et géographique du sans-abrisme dans l. a. région de San Francisco, un problème qui s’est accru au fil des années.

Le modèle a rencontré des difficultés dans l. a. banlieue de South Bend, a déclaré Lee, démontrant l. a. nécessité d’ajuster le modèle et les varieties de choses identifiées dans les populations moins denses. En outre, les chercheurs ont constaté qu’il existe toujours un risque de biais qui doit être pris en compte.

“Nos résultats indiquent que les modèles entraînés comme le nôtre sont capables de détecter les cas de dégradation dans les quartiers et les villes, soulignant le potentiel d’étendre cette approche pour suivre l. a. qualité et le changement urbains dans les centres urbains des États-Unis et dans les villes des États-Unis. ” will pay où les photographs Side road View sont disponibles.”

Lee a déclaré que le modèle a le potentiel de fournir des informations précieuses en utilisant des données qui peuvent être collectées de manière plus efficace que l’utilisation de assets de données économiques traditionnelles à gros grains, et qu’il peut être un outil précieux et opportun pour le gouvernement, les ONG et le public.

“Nous avons constaté que notre approche peut utiliser l’apprentissage automatique pour suivre efficacement l. a. qualité et les changements urbains dans plusieurs villes et zones métropolitaines”, a déclaré Lee. « Ce kind de données peut ensuite être utilisé pour éclairer les politiques, l. a. planification urbaine et les questions sociales touchées par l’urbanisation, y compris le sans-abrisme. »

Plus d’data:
Andrea Valbueno et al., Mesurer l. a. qualité et le changement urbains en détectant les caractéristiques physiques du déclin, Rapports scientifiques (2023). est ce que je: 10.1038/s41598-023-44551-3

Fourni par l’Université de Notre Dame

l. a. quotation: L’intelligence artificielle peut alerter les urbanistes et les décideurs politiques du déclin des villes (26 octobre 2023) Extrait le 31 octobre 2023 de

Ce report est soumis au droit d’auteur. Nonobstant toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre informatif uniquement.