Khám phá dấu hiệu suy giảm đô thị: Sức mạnh của AI trong quy hoạch đô thị

Đo lường chính xác chất lượng không gian đô thị là một khía cạnh quan trọng trong việc tạo ra các chính sách hiệu quả giải quyết các thách thức khác nhau mà cư dân đô thị phải đối mặt như nghèo đói, cơ sở hạ tầng, giao thông, sức khỏe và an toàn. Tuy nhiên, các phương pháp truyền thống để thu thập dữ liệu kinh tế xã hội như tỷ lệ tội phạm, mức thu nhập và điều kiện nhà ở thông qua các cuộc điều tra công dân không thường xuyên là không đầy đủ, vì chúng không thường xuyên, tốn kém và dựa vào nhận thức của con người, dẫn đến một bức tranh lỗi thời về các điều kiện ở cấp độ khu phố.

Việc sử dụng AI trong lĩnh vực này đang nhanh chóng trở nên phổ biến, với các nhà nghiên cứu thử nghiệm hình ảnh vệ tinh để định lượng các dự án mở rộng đô thị và học máy để tạo ra các bản đồ quy mô lớn về nghèo đói, giàu có và thu nhập ở các nước đang phát triển. Bất chấp những tiến bộ này, cảnh quan vật lý trong môi trường đô thị và cách nó thay đổi theo thời gian vẫn chưa được khám phá đầy đủ.

Theo Andrea Vallebueno, "không có biện pháp thích hợp nào ghi lại chất lượng của không gian đô thị, sự thay đổi của nó theo thời gian và sự bất bình đẳng không gian mà nó thể hiện." Andrea đã làm việc với đồng tác giả của mình, Yong Suk Lee, để lấp đầy khoảng trống này bằng cách sử dụng tần số cao Google Hình ảnh Chế độ xem phố và xây dựng dữ liệu bảng điều khiển ở cấp độ phân khúc đường phố, khiến chúng trở thành những người tiên phong trong lĩnh vực này.

Andrea Vallebueno là Nghiên cứu viên Khoa học Tính toán tại Phòng thí nghiệm Quy định, Đánh giá và Quản trị của Đại học Stanford.

Làm tốt với AI

Niềm đam mê của Andrea trong việc sử dụng khoa học dữ liệu cho các ứng dụng xã hội tốt đã khiến cô khám phá việc sử dụng học máy và AI thị giác. Với nền tảng kinh tế và bằng Thạc sĩ Khoa học Dữ liệu của Stanford, Andrea đã sử dụng YOLOv5 trong khoảng một năm rưỡi.

Khi còn là một đứa trẻ ở Mexico City, Andrea đã nhận thức sâu sắc về sự chênh lệch đáng kể giữa các khu phố như Santa Fe, nơi một bức tường bê tông lớn ngăn cách người giàu với người nghèo. Là một nhà nghiên cứu khoa học dữ liệu, Vallebueno trở nên lo ngại về cách dữ liệu kinh tế truyền thống bỏ qua những khác biệt cực đoan này, che khuất các chỉ số về bất bình đẳng và suy giảm đô thị. Cô nhận ra rằng với dòng người ngày càng tăng di chuyển vào các thành phố trên toàn thế giới, việc thiếu dữ liệu chi tiết sẽ chỉ trở thành một vấn đề cấp bách hơn.

Tại sao YOLOv5?

Andrea và Yong nhằm mục đích tạo ra một thước đo khách quan về sự phân rã đô thị. Họ đã sử dụng tính năng phát hiện đối tượng trong Google Hình ảnh Chế độ xem phố để chụp tám đặc điểm đô thị cho thấy sự phân rã của đô thị. Họ đã chọn YOLOv5 do tốc độ suy luận của nó và việc sử dụng thông tin theo ngữ cảnh, điều này rất quan trọng đối với trường hợp sử dụng của họ.

Mô hình được đào tạo đã được sử dụng để chạy suy luận trên 114.000 hình ảnh chế độ xem phố từ các khu phố khác nhau ở San Francisco, Mexico City và South Bend. Các phát hiện của tám thuộc tính được tổng hợp ở cấp độ phân khúc đường phố để tạo ra các chỉ số phân rã đô thị và đo lường sự thay đổi tỷ lệ phân rã đô thị theo thời gian.

‍

‍

‍
Andrea và nhóm của cô đã tìm thấy YOLOv5 cực kỳ dễ làm việc, với phần lớn thời gian của họ dành cho việc quản lý tập dữ liệu và đào tạo các mô hình của họ. Họ đánh giá cao việc tích hợp với các công cụ theo dõi thử nghiệm và học tự động các hộp giới hạn, giúp quá trình này dễ tiếp cận hơn nhiều.

Andrea và nhóm của cô rất vui mừng được mở rộng thước đo chất lượng đô thị của họ để bao gồm các thuộc tính tích cực của môi trường đô thị vật lý và kiểm tra hiệu suất của các chỉ số này trong một tập hợp các khu phố đô thị đa dạng.

Hình dung tập hợp các phát hiện mô hình của lều / bạt được sử dụng làm nhà ở cho người vô gia cư theo thời gian trong khu phố Tenderloin, San Francisco.

Lời khuyên để bắt đầu với AI

Đối với những người mới làm quen với AI, Andrea khuyên bạn nên tìm một vấn đề hoặc câu hỏi nghiên cứu mà họ đam mê và trải qua vòng đời AI đầy đủ. Cô tin rằng đây là một trong những cách tốt nhất để xây dựng trực giác và hiểu những hạn chế của mô hình của họ.

AI đang ngày càng trở thành một công cụ quan trọng đối với các trường đại học và nhà nghiên cứu, vì nó cho phép họ khám phá và hiểu các tập dữ liệu phức tạp, làm cho phát hiện của họ chính xác và đáng tin cậy hơn. Bằng cách tận dụng AI, các nhà nghiên cứu có thể tạo ra sự hiểu biết toàn diện hơn về không gian đô thị và những thách thức mà cư dân đô thị phải đối mặt, dẫn đến các chính sách và giải pháp tốt hơn.

Cảm ơn bạn đã đọc về trải nghiệm của Andrea với YOLOv5! Bạn có muốn chia sẻ kinh nghiệm của bạn? Gắn thẻ chúng tôi ở mọi nơi @Ultralytics với chính của bạn Ultralytics YOLO trường hợp sử dụng và chúng tôi sẽ quảng bá công việc của bạn đến cộng đồng ML.

‍