Un nuevo modelo de computadora de mapeo profundo puede detectar cambios visuales en propiedades individuales, lo que permite a los investigadores rastrear más rápidamente la gentrificación dentro de vecindarios y ciudades, según un estudio publicado el 13 de marzo de 2019 en la revista de acceso abierto PLOS UNO por Lazar Ilic, Michael Sawada y Amaury Zarzelli de la Universidad de Ottawa, Canadá.
La gentrificación se ha observado en muchas ciudades occidentales con efectos de amplio alcance. Estudios anteriores han tratado de utilizar datos del censo para identificar y analizar la gentrificación, pero su resolución es limitada en el espacio y el tiempo, y crea divisiones artificiales en los límites del censo. Los autoresafirman que el presente estudio es el primero en utilizar la apariencia de propiedades individuales, la unidad espacial más pequeña sobre la que puede actuar un proceso de gentrificación, para indicar una posible gentrificación.
Los autores accedieron a panoramas de 360 grados de Google Street View GSV de cada propiedad dentro del núcleo urbano de Ottawa, Canadá y regiones adyacentes, para cada año desde 2007-2016. Entrenaron un modelo de computadora de mapeo profundo para procesar estoDatos de GSV, que buscan cambios visuales en las propiedades a lo largo del tiempo que podrían indicar gentrificación: mejoras tales como cercas nuevas, repintado o reemplazo de ventanas. Después del entrenamiento, el modelo alcanzó un 95% de precisión en la detección de indicadores de gentrificación en comparación con un investigador humano.
Para el vecindario de Greenbelt, el modelo detectó 3483 instancias de indicadores de gentrificación en 2922 ubicaciones únicas. El mapa de densidad de gentrificación generado se alineó muy de cerca con un mapa que mostraba dónde se habían otorgado los permisos de desarrollo / construcción.
El modelo se basa en un conjunto de datos fotográficos que se mantiene y actualiza con el tiempo, como los mapas GSV utilizados aquí. Los cambios en la forma en que se recopilan estos conjuntos de datos fotográficos pueden reducir la precisión del modelo. Sin embargo, los autores señalan que su mapeo profundoEl modelo se puede recrear fácilmente en ubicaciones con conjuntos de datos similares disponibles: una inversión de tiempo relativamente modesta ahora puede producir mapas del proceso de gentrificación resueltos espacial y temporalmente.
Los autores agregan: "La gentrificación está remodelando nuestras ciudades, pero al mismo tiempo es difícil determinar dónde y qué tan rápido ocurre el fenómeno en grandes centros urbanos dinámicos. Utilizamos una inteligencia artificial de aprendizaje profundo para explorar cientos de miles de Google Street Viewimágenes de los edificios de Ottawa para indicar dónde y cuándo se produjeron mejoras visuales similares a la gentrificación de las propiedades y, por primera vez, proporcionaron los mapas más detallados de la evolución espacial de la gentrificación a través del tiempo en una ciudad importante. Estos mapas tienen implicaciones directas para la planificación,justicia social y abordar la desigualdad en este gran centro urbano ""
Fuente de la historia :
Materiales proporcionados por PLOS . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :