TX, 26/10/2023
Por April Toler
Espera-se que mais de dois terços da população mundial viva em cidades até 2050, segundo as Nações Unidas. À medida que a urbanização avança em todo o mundo, investigadores da Universidade de Notre Dame e da Universidade de Stanford, afirmaram que a qualidade do ambiente físico urbano se tornará cada vez mais crítica para o bem-estar humano, e para iniciativas de desenvolvimento sustentável.
No entanto, medir e acompanhar a qualidade de um ambiente urbano, a sua evolução e as suas disparidades espaciais é difícil devido à quantidade de dados no terreno necessários para capturar estes padrões. Para resolver o problema, Yong Suk Lee, professor assistente de tecnologia, economia e assuntos globais na Escola Keough de Assuntos Globais da Universidade de Notre Dame, e Andrea Vallebueno, da Universidade de Stanford, usaram o aprendizado de máquina para desenvolver um método escalável para medir a decadência urbana em um nível espacialmente granular ao longo do tempo.
Suas descobertas foram publicadas recentemente na Scientific Reports.
“À medida que o mundo se urbaniza, os planejadores urbanos e os decisores políticos precisam garantir que o desenho e as políticas urbanas abordam adequadamente questões críticas, como as melhorias nas infraestruturas e nos transportes, a pobreza e a saúde e segurança dos habitantes urbanos, bem como a crescente desigualdade dentro e entre as cidades”, Lee disse. “Usando a aprendizagem automática para reconhecer padrões de desenvolvimento de bairros e desigualdade urbana, podemos ajudar os planejadores urbanos e os decisores políticos a compreender melhor a deterioração do espaço urbano, e a sua importância no planejamento futuro”.
Tradicionalmente, a medição da qualidade urbana e da qualidade de vida em espaços urbanos tem utilizado características sociodemográficas e econômicas, tais como taxas de criminalidade e níveis de rendimento, dados de inquéritos sobre a percepção dos habitantes urbanos e atributos valorizados do ambiente urbano, ou conjuntos de dados de imagens que descrevem o espaço urbano e suas qualidades socioeconômicas. A crescente disponibilidade de imagens de visualização de rua apresenta novas perspectivas na identificação de características urbanas, disse Lee, mas a confiabilidade e a consistência desses métodos em diferentes locais e horários permanecem em grande parte inexploradas.
 |
| Young Suk Lee da Universidade de Notre Dame |
Em seu estudo, Lee e Vallebueno usaram o modelo YOLOv5 (uma forma de inteligência artificial que pode detectar objetos) para detectar oito classes de objetos que indicam decadência urbana ou contribuem para um espaço urbano feio – coisas como buracos, grafites, lixo, barracas, grades. ou janelas quebradas, fachadas descoloridas ou dilapidadas, ervas daninhas e marcações de utilidades. Eles se concentraram em três cidades: São Francisco, Cidade do México e South Bend, Indiana. Eles escolheram bairros nessas cidades com base em fatores que incluem a diversidade urbana, os estágios de decadência urbana e a familiaridade dos autores com as cidades.
Usando dados comparativos, eles avaliaram seu método em três contextos: falta de moradia no distrito de Tenderloin, em São Francisco, entre 2009 e 2021, um conjunto de projetos habitacionais de pequena escala realizados de 2017 a 2019 em um subconjunto de bairros da Cidade do México, e no oeste dos bairros de South Bend no período de 2011 a 2019 – uma parte da cidade que estava em declínio há décadas, mas também viu iniciativas de revitalização urbana.
Os pesquisadores descobriram que o modelo treinado poderia detectar adequadamente os objetos que procurava em diferentes cidades e bairros, e teve um desempenho especialmente bom onde há populações mais densas, como São Francisco.
Por exemplo, os mapas permitiram aos investigadores avaliar a variação temporal e geográfica dos sem-abrigo na área de São Francisco, uma questão que tem crescido ao longo dos anos.
O modelo teve dificuldades na área mais suburbana de South Bend, segundo Lee, demonstrando a necessidade de ajustar o modelo e os tipos de objetos identificados em populações menos densas. Além disso, os investigadores descobriram que ainda existe um risco de preconceito que deve ser abordado.
"Nossas descobertas indicam que modelos treinados como o nosso são capazes de detectar a incidência de decadência em diferentes bairros e cidades, destacando o potencial desta abordagem para ser dimensionada a fim de rastrear a qualidade urbana, e a mudança para centros urbanos nos EUA e cidades em outros países onde as imagens do Street View estão disponíveis", disse ele.
Lee disse que o modelo tem potencial para fornecer informações valiosas usando dados que podem ser coletados de uma forma mais eficiente, em comparação com o uso de fontes de dados econômicos tradicionais mais grosseiros, e que poderia ser uma ferramenta valiosa e oportuna para o governo, organizações não-governamentais e o público. .
“Descobrimos que nossa abordagem pode empregar aprendizado de máquina para rastrear com eficácia a qualidade e as mudanças urbanas em várias cidades e áreas urbanas”, disse Lee. “Este tipo de dados poderia então ser usado para informar a política e o planejamento urbano e as questões sociais que são impactadas pela urbanização, incluindo os sem-abrigo”.
Artigos recomendados: Urbano e Civilização
Fonte:https://techxplore.com/news/2023-10-ai-urban-planners-policymakers-cities.html
Nenhum comentário:
Postar um comentário