26 اکتبر 2023 – توسط آوریل تولر، دانشگاه نوتردام-نمونه‌های خروجی تشخیص برای Tenderloin (چپ) و مکزیکو سیتی (راست). خروجی‌های تشخیص تصاویر Google Street View (GSV) توسط نویسندگان با استفاده از مخزن YOLOv5 که توسط Ultralytics در چارچوب PyTorch توسعه داده شده است، ایجاد شد. در سمت چپ، مدل به درستی یک نمونه چادر را شناسایی می کند. در سمت راست، از بین 10 پنجره کوچک ساختمان، مدل به درستی یک پنجره را تشخیص می دهد زیرا تنها پنجره میله ای است. اعتبار: گزارش های علمی (2023). DOI: 10.1038/s41598-023-44551-3
بر اساس گزارش سازمان ملل متحد، انتظار می رود بیش از دو سوم جمعیت جهان تا سال 2050 در شهرها زندگی کنند. با پیشرفت شهرنشینی در سراسر جهان، محققان دانشگاه نوتردام و دانشگاه استنفورد گفتند که کیفیت محیط فیزیکی شهری به طور فزاینده ای برای رفاه انسان و طرح های توسعه پایدار حیاتی خواهد شد.
با این حال، اندازه‌گیری و ردیابی کیفیت یک محیط شهری، تکامل آن و نابرابری‌های فضایی آن به دلیل مقدار داده‌های روی زمین مورد نیاز برای ثبت این الگوها دشوار است. برای پرداختن به این موضوع، یونگ سوک لی، استادیار فناوری، اقتصاد و امور جهانی در دانشکده امور جهانی Keough در دانشگاه نوتردام، و آندریا والبوئنو از دانشگاه استنفورد از یادگیری ماشینی برای توسعه روشی مقیاس‌پذیر برای اندازه‌گیری فرسودگی شهری در یک سطح تقیم بندی فضایی در طول زمان استفاده کردند..
یافته های آنها اخیراً در Scientific Reports منتشر شده است.
همزمان با شهرنشینی جهان، برنامه ریزان شهری و سیاست گذاران باید مطمئن شوند که طراحی و سیاست های شهری به اندازه کافی به مسائل مهمی مانند بهبود زیرساخت ها و حمل و نقل، فقر و سلامت و ایمنی شهرنشینان و همچنین افزایش نابرابری در داخل و بین شهرها می پردازد. لی گفت. با استفاده از یادگیری ماشینی برای شناخت الگوهای توسعه محله‌ای و نابرابری شهری، می‌توانیم به برنامه‌ریزان شهری و سیاست‌گذاران کمک کنیم تا بدتر شدن فضای شهری و اهمیت آن در برنامه‌ریزی‌های آینده را بهتر درک کنند.»
به طور سنتی، برای سنجش کیفیت زندگی شهری در فضاهای شهری از ویژگی‌های اجتماعی-جمعیت‌شناختی و اقتصادی مانند میزان جرم و جنایت و سطح درآمد، داده‌های نظرسنجی از ادراک شهرنشینان و ویژگی‌های ارزشی محیط شهری یا مجموعه داده‌های تصویری توصیف‌کننده فضای شهری و ویژگی های اجتماعی و اقتصادی آن لی گفت که در دسترس بودن رو به رشد تصاویر نمای خیابان، چشم اندازهای جدیدی را در شناسایی ویژگی های شهری ارائه می دهد، اما قابلیت اطمینان و سازگاری این روش ها در مکان ها و زمان های مختلف تا حد زیادی ناشناخته باقی مانده است.
در مطالعه خود، لی و والبوئنو از مدل YOLOv5 (شکلی از هوش مصنوعی که می‌تواند اشیا را تشخیص دهد) برای شناسایی هشت کلاس شی که نشان‌دهنده فرسودگی شهری یا کمک به فضای شهری نامناسب هستند – چیزهایی مانند چاله‌ها، گرافیتی، زباله، چادر، میله‌ها، استفاده کردند. یا پنجره های شکسته، نماهای تغییر رنگ یا فرسوده، علف های هرز و نشانه های تاسیساتی. آنها روی سه شهر متمرکز شدند: سانفرانسیسکو، مکزیکو سیتی و ساوت بند، ایندیانا. آنها محله های این شهرها را بر اساس عواملی از جمله تنوع شهری، مراحل زوال شهری و آشنایی نویسندگان با شهرها انتخاب کردند.
آنها با استفاده از داده های مقایسه ای، روش خود را در سه زمینه ارزیابی کردند: بی خانمانی در منطقه تندرلوین سانفرانسیسکو بین سال های 2009 تا 2021، مجموعه ای از پروژه های مسکن در مقیاس کوچک که در سال های 2017 تا 2019 در زیرمجموعه ای از محله های مکزیکوسیتی انجام شد. محله‌های ساوث بند در دوره 2011 تا 2019 – بخشی از شهر که دهه‌ها در حال کاهش بود، اما شاهد طرح‌های احیای شهری نیز بود.
محققان دریافتند که مدل آموزش‌دیده می‌تواند به اندازه کافی اشیایی را که در شهرها و محله‌های مختلف جستجو می‌کند شناسایی کند و به‌ویژه در جاهایی که جمعیت‌های متراکم‌تری وجود دارد، مانند سانفرانسیسکو، به خوبی عمل می‌کند.
به عنوان مثال، نقشه ها به محققان اجازه می دهد تا تغییرات زمانی و جغرافیایی بی خانمانی را در منطقه سانفرانسیسکو ارزیابی کنند، موضوعی که در طول سال ها افزایش یافته است.
به گفته لی، این مدل در منطقه حومه ای‌تر ساوث بند مشکل داشت و نیاز به تغییر مدل و انواع اشیاء شناسایی‌شده در جمعیت‌های کم‌تراکم را نشان می‌داد. علاوه بر این، محققان دریافتند هنوز خطر سوگیری وجود دارد که باید مورد توجه قرار گیرد.
«یافته‌های ما نشان می‌دهد که مدل‌های آموزش‌دیده‌شده مانند مدل ما قادر به تشخیص وقوع فرسودگی در محله‌ها و شهرهای مختلف هستند، و پتانسیل این رویکرد را برای مقیاس‌بندی برای ردیابی کیفیت و تغییر شهری برای مراکز شهری در سراسر ایالات متحده و شهرهای مختلف برجسته می‌کند. کشورهای دیگری که تصاویر نمای خیابان در آنها موجود است.”
لی گفت این مدل دارای پتانسیل ارائه اطلاعات ارزشمند با استفاده از داده هایی است که می تواند به روشی کارآمدتر در مقایسه با استفاده از منابع داده های اقتصادی درشت تر و سنتی جمع آوری شود.و اینکه می تواند ابزاری ارزشمند و به موقع برای دولت، سازمان های غیردولتی و مردم باشد.
لی گفت: «ما دریافتیم که رویکرد ما می‌تواند از یادگیری ماشینی برای ردیابی مؤثر کیفیت شهری و تغییرات در چندین شهر و مناطق شهری استفاده کند. سپس این نوع داده‌ها می‌تواند برای اطلاع‌رسانی به سیاست‌ها و برنامه‌ریزی شهری و مسائل اجتماعی که تحت تأثیر شهرنشینی است، از جمله بی‌خانمانی، مورد استفاده قرار گیرد.»
