人工智能可以提醒城市规划者和决策者注意城市的衰落

据联合国统计，预计2050年全球将有超过三分之二的人口进入城市随着世界各地城市化的进步，北美大学和斯坦福大学的研究人员认为，城市物理环境的质量将成为人类健康和可持续发展举措的关键

然而，测量和跟踪城市环境的质量，它的进化和空间碎片是很困难的，因为需要大量的地面数据来捕捉这些模式为了解决这个问题，荷兰大学Keough全球事务学院的技术、经济和全球事务助理教授YongSukLee和斯坦福大学的AndreaVallebeno使用机器学习开发了一种问题方法来测量城市和空间的颗粒水平

他们的发现最近发表在科学报告中

李说：“无论何时，城市规划者和政策制定者都需要确保城市的信号和政策能够充分解决关键问题，如基础设施和交通改善、贫困、居民的健康和安全，以及城市内部质量的提高。”“利用机器学习来识别周边发展和城市质量的模式，我们可以帮助城市规划者和决策者更好地了解和了解城市空间的不断恶化及其对未来规划的重要性。”

传统上，衡量城市空间的人口数量和质量使用社会人口学去组学特征，如人口数量和水平、城市居民对城市环境贡献的感知和价值的调查数据，或描述城市空间和相关经济质量的图像数据集Lee说，越来越多的立体图像在识别城市特征方面成为一项新的研究，但这些方法的可靠性和一致性在不同的位置和时间上仍有待探索

在这项研究中，Leeand Vallebeno使用YOLOv5模型（一个相当于检测对象的物理集成电路）来检测正确的对象类别，这些对象类别表示城市和城市，或是构成一个不明亮的城市空间的组成部分，如坑洞、涂鸦、垃圾、帐篷、栏杆或破碎的窗户、褪色或褪色的aç；广告、杂草和公用设施标志他们关注三个城市：墨西哥的旧金山和印第安纳州的南本德这些城市的周边地区是基于各种因素，包括大学、舞台剧和作者与他们的家庭关系

使用比较数据，他们在三个背景下评估了他们的方法：2009年至2021年旧金山南部地区的家庭压力，2017年至2019年墨西哥城市社区的小型住房项目短缺，以及2011年至2019年间南部本德的西部高区——这是因为城市生活水平下降

研究人员发现，训练模型能够充分检测不同城市和外国的物体，尤其是在有固定人群的地方，如旧金山

例如，研究人员评估了旧金山地区的时间和地理变化，这些变化近年来一直在增长

根据Lee的说法，模型在南本德的最终负荷范围内进行了调整，证明了在人口密度较低的情况下可以调整对象的延迟和类型此外，还发现了一些应该镶珠的零件

他说：“我们的发现表明，像这样的保留模型能够检测不同周边地区和城市之间的死亡事件，这突出了这种方法的潜力，可以扩展到规模，以跟踪美国和其他国家城市之间的城市流动性和变化。”

Lee说，与使用更粗糙的传统经济数据源相比，该模型有可能使用更有效地收集的数据提供有价值的信息，并且它可能是政府、非政府组织和公众的有价值和及时的工具

李说：“我们发现，我们的方法可以让中国人有效地跟踪城市的质量以及多个城市和地区的变化。”“然后，这种类型的数据可以用于制定城市政策和规划，以及受城市化影响的社会化，包括无障碍。”

来源:

Materials provided by
University of Notre Dame. Original written by April Toler.
注明: Content may be edited for style and length.

参考:

1. Andrea Vallebueno, Yong Suk Lee.
   Measuring urban quality and change through the detection of physical attributes of decay. Scientific Reports, 2023; 13 (1) DOI: 10.1038/s41598-023-44551-3

---