Secondo le Nazioni Unite, entro il 2050, più di due terzi della popolazione mondiale vivrà nelle città. Con l’avanzare dell’urbanizzazione in tutto il mondo, i ricercatori dell’Università di Notre Dame e dell’Università di Stanford hanno affermato che la qualità dell’ambiente fisico urbano diventerà sempre più fondamentale per il benessere umano e per le iniziative di sviluppo sostenibile.
Tuttavia, misurare e monitorare la qualità di un ambiente urbano, la sua evoluzione e le sue disparità spaziali è difficile a causa della quantità di dati sul campo necessari per catturare questi modelli. Per affrontare il problema, Yong Suk Lee, assistente professore di tecnologia, economia e affari globali alla Keough School of Global Affairs dell’Università di Notre Dame, e Andrea Vallebueno dell’Università di Stanford hanno utilizzato l’apprendimento automatico per sviluppare un metodo scalabile per misurare il degrado urbano a livello spazialmente granulare nel tempo.
I loro risultati sono stati recentemente pubblicati in Rapporti scientifici.
“Mentre il mondo si urbanizza, i pianificatori urbani e i politici devono assicurarsi che la progettazione e le politiche urbane affrontino adeguatamente questioni critiche come il miglioramento delle infrastrutture e dei trasporti, la povertà, la salute e la sicurezza degli abitanti delle città, nonché la crescente disuguaglianza all’interno e tra le città,” Ha detto Lee. “Utilizzando l’apprendimento automatico per riconoscere modelli di sviluppo dei quartieri e di disuguaglianza urbana, possiamo aiutare i pianificatori urbani e i politici a comprendere meglio il deterioramento dello spazio urbano e la sua importanza nella pianificazione futura.”
Tradizionalmente, la misurazione della qualità urbana e della qualità della vita negli spazi urbani ha utilizzato caratteristiche sociodemografiche ed economiche come tassi di criminalità e livelli di reddito, dati di indagini sulla percezione degli abitanti delle città e attributi apprezzati dell’ambiente urbano, o set di dati di immagini che descrivono lo spazio urbano e la qualità della vita negli spazi urbani. le sue qualità socioeconomiche. La crescente disponibilità di immagini di street view presenta nuove prospettive nell’identificazione delle caratteristiche urbane, ha affermato Lee, ma l’affidabilità e la coerenza di questi metodi in luoghi e tempi diversi rimane in gran parte inesplorata.
Nel loro studio, Lee e Vallebueno hanno utilizzato il modello YOLOv5 (una forma di intelligenza artificiale in grado di rilevare oggetti) per rilevare otto classi di oggetti che indicano degrado urbano o contribuiscono a creare uno spazio urbano sgradevole: cose come buche, graffiti, spazzatura, tende, finestre sbarrate o rotte, facciate scolorite o fatiscenti, erbacce e segnaletiche di servizio. Si sono concentrati su tre città: San Francisco, Città del Messico e South Bend, Indiana. Hanno scelto i quartieri di queste città sulla base di fattori tra cui la diversità urbana, le fasi di degrado urbano e la familiarità degli autori con le città.
Utilizzando dati comparativi, hanno valutato il loro metodo in tre contesti: i senzatetto nel distretto di Tenderloin di San Francisco tra il 2009 e il 2021, una serie di progetti abitativi su piccola scala realizzati dal 2017 al 2019 in un sottoinsieme di quartieri di Città del Messico e i quartieri occidentali quartieri di South Bend nel periodo dal 2011 al 2019 – una parte della città che era in declino da decenni ma che ha visto anche iniziative di rinascita urbana.
I ricercatori hanno scoperto che il modello addestrato poteva rilevare adeguatamente gli oggetti cercati in diverse città e quartieri, e ha funzionato particolarmente bene dove ci sono popolazioni più dense, come San Francisco.
Ad esempio, le mappe hanno permesso ai ricercatori di valutare la variazione temporale e geografica del numero dei senzatetto nell’area di San Francisco, un problema che è cresciuto nel corso degli anni.
Secondo Lee, il modello ha avuto difficoltà nell’area più suburbana di South Bend, dimostrando la necessità di modificare il modello e i tipi di oggetti identificati nelle popolazioni meno dense. Inoltre, i ricercatori hanno scoperto che esiste ancora un rischio di distorsione che dovrebbe essere affrontato.
“I nostri risultati indicano che modelli addestrati come il nostro sono in grado di rilevare l’incidenza del degrado in diversi quartieri e città, evidenziando il potenziale di questo approccio per essere scalato al fine di monitorare la qualità urbana e il cambiamento per i centri urbani negli Stati Uniti e le città in altri paesi in cui sono disponibili immagini Street View”, ha affermato.
Lee ha affermato che il modello ha il potenziale per fornire informazioni preziose utilizzando dati che possono essere raccolti in modo più efficiente rispetto all’utilizzo di fonti di dati economici tradizionali e grossolane e che potrebbe essere uno strumento prezioso e tempestivo per il governo, le organizzazioni non governative e il pubblico. .
“Abbiamo scoperto che il nostro approccio può utilizzare l’apprendimento automatico per monitorare in modo efficace la qualità urbana e il cambiamento in più città e aree urbane”, ha affermato Lee. “Questo tipo di dati potrebbe quindi essere utilizzato per informare la politica e la pianificazione urbana e le questioni sociali che sono influenzate dall’urbanizzazione, compresi i senzatetto”.
Da un’altra testata giornalistica. news de www.sciencedaily.com
