Study bruger computervisionsalgoritme til at studere Google Street View-billeder for tegn på byændringer

Harvard-forskere er blandt medforfatterne til en ny undersøgelse, der bruger computervisionsalgoritmer til at undersøge millioner af Google Street View-billeder for at måle, om og hvordan byområder ændrer sig. Undersøgelsen fandt begge, at to vigtige demografiske karakteristika - høj tæthed og høj uddannelse - spiller en vigtig rolle i byforbedring, og viste støtte til tre klassiske teorier om byændringer.

Nikhil Naik, Scott Duke Kominer, og deres samarbejdspartnere håber på at ændre den måde, videnskabsmænd studerer bymiljøer på - med hjælp fra Google.

I samarbejde med Edward L. Glaeser, Fred og Eleanor Glimp professor i økonomi ved Harvard og César A. Hidalgo og Ramesh Raskar, lektorer ved MIT Media Lab, Kominers, en lektor i Entrepreneurial Management Unit på HBS og Institut for Økonomi og Naik, en prisstipendiat i økonomi, Historie og politik, forfattet en undersøgelse, der bruger computervisionsalgoritmer til at undersøge millioner af Google Street View-billeder i et forsøg på at måle, om og hvordan byområder ændrer sig.

Ud over at demonstrere effektiviteten af ​​teknologien, undersøgelsen fandt begge, at to vigtige demografiske karakteristika - høj tæthed og høj uddannelse - spiller en vigtig rolle i byforbedring, og viste støtte til tre klassiske teorier om byændringer. Undersøgelsen er beskrevet i et papir den 6. juli i Proceedings of the National Academy of Sciences .

"Mange mennesker, herunder samfundsforskere og byplanlæggere, er interesseret i at studere, hvorfor steder udvikler sig, og hvor meget forandring der sker i forskellige byer, " sagde Naik. "Men der er mangel på data om de fysiske aspekter af byændringer."

Det er her, Google Street View-billeder kommer ind.

I det sidste årti, Naik sagde, teknologigiganten har samlet millioner af Street View-billeder fra hele landet som en del af sin korttjeneste. Hvad mere er, de holder disse kort opdaterede ved med jævne mellemrum at genfotografere de samme steder i større byer. Følgelig, Street View indeholder en rig database med bybilleder, som forskere kan bruge til at følge byer gennem tiden.

At bruge Street View-billeder til at spore byændringer er ikke en ny idé, selvom.

I 2014 daværende doktorand Jackelyn Hwang og Robert Sampson, Henry Ford II professor i samfundsvidenskab, udgivet en banebrydende undersøgelse, der ansatte et team af frivillige til at analysere Street View-billeder og lokalisere tegn på gentrificering på tværs af 3, 000 byblokke i Chicago.

Naik og medforfattere tog denne idé et skridt videre ved at bruge kunstig intelligens til at automatisere processen.

"Ved at lade en computer gøre det, vi var i stand til virkelig at opskalere analysen, så vi undersøgte billeder af omkring 1,6 millioner gadeblokke fra fem byer - Boston, New York, Washington, DC, Baltimore og Detroit, " sagde Naik.

Kernen i systemet er en kunstig intelligens-algoritme, som samarbejdspartnerne "lærte" til at se gadebilleder på samme måde som mennesker gør.

Oprindeligt udviklet i arbejde mellem Naik, Raskar, og Hidalgo under Naiks kandidatstudier ved MIT Media Lab, algoritmen beregner "Streetscore" - en score for opfattet sikkerhed i gadebilleder, baseret Street View-billeder og billedpræferencer indsamlet fra tusindvis af onlinefrivillige.

"Vi byggede på denne algoritme til at beregne Streetchange - ændringen i Streetscore for par af Street View-billeder af det samme sted taget med syv års mellemrum, " Naik sagde. "En positiv værdi af Streetchange er forbundet med nybyggeri eller opgraderinger, og en negativ værdi er forbundet med et samlet fald."

I to valideringsstudier - den ene ved hjælp af billeder scoret af mennesker, og en anden ved hjælp af kommunale data fra byen Boston - forfatterne viste, at deres algoritme nøjagtigt registrerer, om og hvordan blokke ændrede sig mellem 2007 og 2014.

Bevæbnet med Streetchange-data genereret af algoritmen, Naik et al. tog derefter et kig på "gadeplan" på flere langvarige teorier om byændringer fra byøkonomi, planlægning, og sociologi.

"Vi fandt en masse støtte til det, der kaldes 'human capital agglomeration theory', ' som hævder, at du har en tendens til at se byforbedring, når du har en betydelig tæthed af højtuddannede individer, " sagde Kominers. "Dataene tyder på, at andre demografiske karakteristika - faktorer som indkomst, boligudgifter, eller etnisk sammensætning - synes ikke at have så stor betydning, som tæthed og uddannelse gør."

Undersøgelsen viste også en vis støtte til en teori kaldet "tipping, "hvor kvarterer, der allerede har udviklet sig, har tendens til at udvikle sig yderligere. Forfatterne fandt også beviser for "invasion"-teorien, som argumenterer for, at områder omkring succesrige kvarterer - eller tæt på centrale forretningsdistrikter - har en tendens til at se større forbedringer over tid.

Dette fremhæver, Kominers tilføjede, at byernes ulighed er reel. "Vores resultater forstærker den ekstreme betydning af menneskelig kapital og uddannelse på alle udviklingsstadier, " sagde Kominer. "Det betyder noget for folks adgang til job og levebrød, men det er også vigtigt for deres evner til at forbedre deres miljøer. Og de mønstre af byændringer, vi ser, hjælper med at illustrere, hvorfor byernes ulighed fortsætter."

Ultimativt, Naik sagde, undersøgelsen viser, at kunstig intelligens og geospatiale data kan bruges til at måle det byggede miljø og befolkninger og udføre urban videnskab i hidtil uset opløsning og skala. "Vi har fokuseret på byændringer her, men der er mange muligheder for fremtiden."

Denne forskning blev støttet med midler fra International Growth Center, Alfred P. Sloan Foundation, et Star Family Challenge-stipendium, National Science Foundation, Harvard Milton Fund, Ng Fund fra Harvard Center of Mathematical Sciences and Applications, arbejdsgruppen for menneskelig kapital og økonomiske muligheder sponsoreret af Instituttet for ny økonomisk tænkning, Taubman Center for Stats- og Lokalforvaltning, Google Living Labs Award og en gave fra Facebook.