Vea la vida oculta de las ciudades a través de Street View
Resumen: La distribución y composición de elementos visuales como aceras, vegetación, fachadas de edificios, automóviles y peatones capturados en las imágenes de Street View fueron altamente predictivas de muchos atributos urbanos, como el uso del transporte, la pobreza, las tasas de criminalidad y los niveles de actividad física. Los algoritmos de visión por computadora solo han podido encontrar y cuantificar estas relaciones en función de los datos de imagen y han superado a los medios más tradicionales de recopilación de dichos datos de muchas maneras.
Las ciudades son sistemas complejos, pero sus características físicas brindan información sobre la vida dentro de ellas.
Un nuevo estudio titulado «Inteligencia visual urbana: detección de perfiles ocultos de ciudades con imágenes de calles», publicado el 23 de junio en Proceedings of the National Academy of Sciences, demuestra cómo los algoritmos de aprendizaje profundo pueden analizar imágenes de calles para revelar perfiles socioeconómicos ocultos de vecindarios. a través de los Estados Unidos.
Investigadores de la Universidad de Hong Kong, la Universidad de Ciencia y Tecnología de Hong Kong, la Universidad Normal de Jiangxi y el Instituto de Tecnología de Massachusetts han recopilado más de 27 millones de imágenes de Google Street View de 80 condados de EE. UU. en 7 áreas metropolitanas importantes. Usando un modelo de visión por computadora, extrajeron características de la ciudad como árboles, aceras, fachadas de edificios y automóviles de estas imágenes.
Las áreas urbanas incluidas en el estudio fueron Miami-Fort Lauderdale-Pompano Beach; Los Ángeles – Long Beach – Anaheim; Chicago-Naperville-Elgin; Filadelfia-Camden-Wilmington; Nueva York – Newark – Ciudad de Jersey; Boston-Cambridge-Newton; y San Francisco-Oakland-Berkeley.
Esta selección de aglomeraciones abarca una amplia gama de contextos geográficos y tamaños de población, desde grandes ciudades costeras como Nueva York hasta áreas metropolitanas del interior como Chicago. Los investigadores eligieron estas regiones para recopilar datos de Street View que reflejan la diversidad de entornos urbanos en los Estados Unidos.
La distribución espacial de estas características por sí sola explica hasta el 83% de la dispersión del kilometraje de los vehículos, el 64% de los delitos violentos y el 68% de la inactividad física.
La distribución de estas imágenes capturadas por los algoritmos de visión por computadora está altamente correlacionada con los datos económicos y criminales oficiales.
Y Los modelos de imágenes a menudo superaron a los modelos que usaban datos demográficos y de población más tradicionales.. Por ejemplo, al predecir las tasas de pobreza, los modelos que utilizan imágenes de Street View pueden representar el 62 % de la varianza, mientras que los modelos basados en datos demográficos y de población solo capturan alrededor del 56 % de la varianza.
¿Cómo se ve una alta tasa de criminalidad?
Los investigadores encontraron que en los vecindarios con niveles más altos de delitos violentos, las fachadas de los edificios no tenían rasgos distintivos y las ventanas eran menos visibles desde la calle. En otras palabras, una menor «permeabilidad visual» se asocia con tasas de criminalidad más altas.
En contraste, las áreas con edificios con más ventanas y transparencia a nivel de la calle para permitir la observación natural tendieron a ser más ricas.
Un ambiente caótico en la calle con mantenimiento deficiente, falta de inversión y menos servicios transitables pronosticó vecindarios con índices de criminalidad más altos y dificultades económicas. Por el contrario, los cruces peatonales, los bloques pequeños y las señales para peatones se asociaron con menos delitos.
No en vano, el deterioro de las fachadas de los edificios y los signos de abandono (como pintura descascarada, ventanas rotas, etc.) pronosticaron mayores niveles de pobreza. Y la presencia de edificios desocupados, abandonados o en ruinas visibles en las calles indicó un aumento en las tasas de pobreza y delincuencia.
Asimismo, el aumento de grafitis y basura en las calles se ha relacionado con un aumento de los niveles de delincuencia y pobreza. Y la falta de alumbrado público, bancas, paradas de autobús y otro mobiliario urbano se ha relacionado con índices más altos de delincuencia y pobreza.
Las áreas con aceras mal mantenidas o sin instalaciones para caminar tenían niveles más altos de pobreza y delincuencia. Y menos vegetación y árboles en las imágenes también se correlaciona con niveles más altos de delincuencia y pobreza.
“Proponemos la “inteligencia visual urbana” como un proceso de descubrimiento de perfiles ocultos de la ciudad, obteniendo y sintetizando información urbana mediante visión artificial e imágenes de calles”, explican los autores del artículo.
La mejor forma de recopilar datos urbanos
El análisis del entorno urbano con imágenes de Street View ofrece varias ventajas notables sobre los métodos tradicionales de recopilación de datos.
La visión por computadora aplicada a las escenas de Street View puede complementar las fuentes de datos urbanos tradicionales al capturar atributos subjetivos y experienciales de un lugar que son difíciles de medir de otra manera pero que aún influyen en las vidas y percepciones de los vecinos. La tecnología permite escalar estos análisis subjetivos, que antes solo estaban disponibles a través de la observación personal.
Las características visuales extraídas de las imágenes proporcionan una forma objetiva y escalable de medir los atributos del entorno construido, mientras que las medidas convencionales, como las encuestas sobre el uso del suelo y las auditorías personales, consumen más tiempo, requieren más trabajo y tienen un alcance limitado en comparación con las automatizadas. análisis informático de escenas callejeras.
Al aumentar los conjuntos de datos de imágenes de fuentes como Google Street View, este enfoque hace posible estudiar áreas urbanas en escala mucho mayor y mejor resolución espacial de lo que antes era posible.
La capacidad de discernir patrones visuales también captura detalles sutiles y cualidades intangibles que no se transmiten por completo en conjuntos de datos estadísticos o encuestas.
Además, debido a que las imágenes se pueden volver a adquirir durante un largo período de tiempo, las técnicas de visión artificial facilitan la evaluación de los cambios a lo largo del tiempo que los estudios de campo esporádicos.
Al complementar los indicadores tradicionales con inteligencia visual automatizada, los investigadores y planificadores pueden obtener una comprensión más completa y matizada de las tendencias socioeconómicas y las relaciones con el entorno construido.
Este nuevo método promete abrir nuevas posibilidades para entender las ciudades en reducción de costes y esfuerzos en comparación con los métodos existentes.
Inteligencia Visual Urbana: Próximos Pasos
“Con más herramientas de visión por computadora y datos de ciudades disponibles, los investigadores pueden extraer más significados semánticos de imágenes y videos de ciudades”, escriben los autores. «Estas herramientas y datos permiten que la investigación urbana capture micro cambios a gran escala en las ciudades, sintetice información oculta en las ciudades y saque conclusiones sobre tendencias futuras».
El análisis de imágenes de estas 7 áreas metropolitanas proporcionó un conjunto de datos sólido para probar qué tan bien los algoritmos de visión por computadora pueden extraer características socioeconómicas de los atributos visuales de diferentes ciudades y distritos.
Los resultados consistentes en todas las regiones también demuestran la potencial generalización del uso de imágenes de calles y visión por computadora para comprender la vida urbana.
El estudio proporciona un marco para el uso de imágenes de Street View y visión artificial para comprender las ciudades. Tal y como resumieron los investigadores, “la apariencia del entorno urbano se muestra aquí muy relacionada con el bienestar de la ciudad”.
Los planificadores urbanos pueden tomar medidas tempranas basadas en señales visuales en lugar de esperar los resultados de una investigación exhaustiva.
