[ad_1]
(noticias nanowerk) Según las Naciones Unidas, se espera que en 2050 más de dos tercios de la población mundial vivan en ciudades. A medida que avanza la urbanización en todo el mundo, la calidad del entorno físico urbano se vuelve cada vez más importante para el bienestar humano y las iniciativas de desarrollo sostenible, según investigadores de la Universidad de Notre Dame y la Universidad de Stanford.
Sin embargo, medir y rastrear la calidad de un entorno urbano, su evolución y sus variaciones espaciales es difícil debido a la cantidad de datos in situ necesarios para capturar estos patrones. Para abordar este problema, Yong Suk Lee, profesor asistente de tecnología, economía y asuntos globales en la Escuela de Asuntos Globales Keough de la Universidad de Notre Dame, y Andrea Vallebueno de la Universidad de Stanford utilizaron el aprendizaje automático para desarrollar un método escalable para medir el deterioro urbano para desarrollar a un nivel espacialmente granular a lo largo del tiempo.
Las tesis centrales
Investigación
Sus resultados fueron publicados recientemente en Informes científicos (“Medición de la calidad y el cambio urbano mediante la detección de características físicas del deterioro”).
“A medida que el mundo se urbaniza, los planificadores urbanos y los formuladores de políticas deben garantizar que la planificación y las políticas urbanas aborden adecuadamente cuestiones críticas como las mejoras en infraestructura y transporte, la pobreza y la salud y seguridad de los residentes de las ciudades, así como la creciente desigualdad dentro y entre las ciudades”. dijo Lee. «Al utilizar el aprendizaje automático para identificar patrones de desarrollo vecinal y desigualdad urbana, podemos ayudar a los planificadores urbanos y a los formuladores de políticas a comprender mejor el deterioro urbano y su importancia para la planificación futura».
Tradicionalmente, para medir la calidad urbana y la calidad de vida en las zonas urbanas se han utilizado características sociodemográficas y económicas como las tasas de criminalidad y los niveles de ingresos, datos de encuestas sobre las percepciones de los residentes urbanos y las características estimadas del entorno urbano, o conjuntos de datos de imágenes que describen el entorno urbano. las cualidades socioeconómicas de la zona. La creciente disponibilidad de imágenes de Street View ofrece nuevas oportunidades para identificar características urbanas, dijo Lee, pero la confiabilidad y consistencia de estos métodos en diferentes ubicaciones y períodos de tiempo sigue en gran medida inexplorada.
En su estudio, Lee y Vallebueno utilizaron el modelo YOLOv5 (una forma de inteligencia artificial que puede reconocer objetos) para detectar ocho clases de objetos que indican decadencia urbana o contribuyen al espacio urbano antiestético: cosas como baches, graffitis, basura, tiendas de campaña, rejas. o cristales rotos, fachadas descoloridas o destartaladas, malas hierbas y señales de uso. Se centraron en tres ciudades: San Francisco, Ciudad de México y South Bend, Indiana. Seleccionaron los vecindarios de estas ciudades en función de factores como la diversidad urbana, las etapas de declive urbano y la familiaridad de los autores con las ciudades.
Utilizando datos comparativos, evaluaron su método en tres contextos: personas sin hogar en el distrito Tenderloin de San Francisco entre 2009 y 2021, una serie de pequeños proyectos de vivienda implementados en un subconjunto de colonias de la Ciudad de México de 2017 a 2019, y las colonias occidentales de South Bend de 2011 a 2019, una parte de la ciudad que había estado en declive durante décadas pero que también vio iniciativas de renovación urbana.
Los investigadores descubrieron que el modelo entrenado podía reconocer adecuadamente los objetos buscados en diferentes ciudades y vecindarios, y funcionó particularmente bien en áreas con poblaciones más densas, como San Francisco.
Por ejemplo, los mapas permitieron a los investigadores evaluar la variación temporal y geográfica de las personas sin hogar en el área de San Francisco, un problema que ha aumentado a lo largo de los años.
Lee dijo que el modelo tuvo problemas en el área más suburbana de South Bend, lo que muestra la necesidad de optimizar el modelo y los tipos de objetos identificados en poblaciones menos densas. Además, los investigadores observaron que todavía existe un riesgo de sesgo que debe abordarse.
«Nuestros resultados sugieren que modelos entrenados como el nuestro son capaces de detectar la frecuencia del deterioro en diferentes vecindarios y ciudades, destacando el potencial de este enfoque a escala para mejorar la calidad urbana y el cambio de los centros urbanos en las «imágenes de Street View están disponibles en otros países», afirmó.
Lee dijo que el modelo tiene el potencial de proporcionar información valiosa utilizando datos que se pueden recopilar de manera más eficiente en comparación con el uso de fuentes de datos económicos tradicionales más burdas, y que podría ser una herramienta valiosa y oportuna para el gobierno, las organizaciones no gubernamentales y el público. .
«Descubrimos que nuestro enfoque puede utilizar el aprendizaje automático para rastrear eficazmente la calidad y los cambios urbanos en múltiples ciudades y áreas urbanas», dijo Lee. «Este tipo de datos podría utilizarse para informar la política y la planificación urbanas, así como los problemas sociales afectados por la urbanización, incluida la falta de vivienda».
[ad_2]