Однако измерение и отслеживание качества городской среды, ее эволюции и пространственных диспропорций затруднено из-за большого объема данных, необходимых для фиксации этих закономерностей на местах. Для решения этой проблемы Йонг Сук Ли, доцент кафедры технологий, экономики и глобальных отношений Школы глобальных отношений Keough при Университете Нотр-Дам, и Андреа Валлебуэно из Стэнфордского университета использовали машинное обучение для разработки масштабируемого метода измерения упадка городской среды на пространственно гранулированном уровне во времени.
Результаты исследования были недавно опубликованы в журнале Scientific Reports.
По мере урбанизации мира градостроителям и политикам необходимо убедиться в том, что городское проектирование и политика адекватно решают такие важнейшие проблемы, как улучшение инфраструктуры и транспорта, бедность, здоровье и безопасность горожан, а также растущее неравенство внутри городов и между ними, — сказал Ли.
Используя машинное обучение для распознавания закономерностей развития районов и неравенства в городах, мы можем помочь градостроителям и политикам лучше понять ухудшение качества городского пространства и его значение для будущего планирования.
Традиционно для измерения качества городской среды и качества жизни в ней используются социально-демографические и экономические характеристики, такие как уровень преступности и уровень доходов, данные опросов о восприятии и оценке горожанами атрибутов городской среды или наборы изображений, описывающих городское пространство и его социально-экономические качества. По словам Ли, растущая доступность изображений с видом на улицу открывает новые перспективы для выявления городских особенностей, однако надежность и согласованность этих методов в разных местах и в разное время остается практически неизученной.
В своем исследовании Ли и Валлебуэно использовали модель YOLOv5 (разновидность искусственного интеллекта, позволяющая обнаруживать объекты) для выявления восьми классов объектов, указывающих на упадок города или способствующих созданию неприглядного городского пространства, — таких, как выбоины, граффити, мусор, палатки, зарешеченные или разбитые окна, обесцвеченные или обветшалые фасады, сорняки и разметка коммуникаций. В центре внимания исследователей были три города: Сан-Франциско, Мехико и Саут-Бенд, штат Индиана. При выборе районов этих городов учитывались такие факторы, как городское разнообразие, стадии упадка и знакомство авторов с этими городами.
Используя сравнительные данные, авторы оценили свой метод в трех контекстах: бездомность в районе Тендерлойн в Сан-Франциско в период с 2009 по 2021 год, набор небольших жилищных проектов, реализованных в 2017-2019 годах в подгруппе районов Мехико, и западные районы Саут-Бенда в период с 2011 по 2019 год — часть города, которая десятилетиями приходила в упадок, но в то же время видела инициативы по возрождению города.
Исследователи обнаружили, что обученная модель способна адекватно обнаруживать искомые объекты в разных городах и районах, причем особенно хорошо она справляется с задачей там, где население более плотное, например, в Сан-Франциско.
Например, карты позволили исследователям оценить временные и географические колебания бездомности в районе Сан-Франциско, которая с годами становится все более распространенной проблемой.
По словам Ли, в более пригородном районе Саут-Бенд модель оказалась неэффективной, что свидетельствует о необходимости корректировки модели и типов объектов, выявляемых в менее плотных населенных пунктах. Кроме того, исследователи пришли к выводу, что существует риск погрешности, который необходимо устранить.
Наши результаты свидетельствуют о том, что обученные модели, подобные нашей, способны выявлять случаи упадка в различных районах и городах, что подчеркивает возможность масштабирования данного подхода для отслеживания качества и изменений в городских центрах США и городов других стран, где доступны снимки с камер уличного обзора, — сказал он.
По словам Ли, модель способна предоставить ценную информацию, используя данные, которые могут быть собраны более эффективным способом по сравнению с использованием более грубых, традиционных источников экономических данных, и может стать ценным и своевременным инструментом для правительства, неправительственных организаций и общественности.
Мы обнаружили, что наш подход может использовать машинное обучение для эффективного отслеживания качества городской среды и ее изменений в нескольких городах и городских районах, — заключает Ли.
Такие данные можно использовать для обоснования городской политики и планирования, а также для решения социальных проблем, на которые влияет урбанизация, включая проблему бездомности.
