Sporing af urban gentrificering, en bygning ad gangen

En ny deep-mapping computermodel kan registrere visuelle ændringer af individuelle egenskaber, giver forskere mulighed for hurtigere at spore gentrificering i kvarterer og byer, ifølge en undersøgelse offentliggjort 13. marts, 2019 i open access-journalen PLOS ONE af Lazar Ilic, Michael Sawada, og Amaury Zarzelli fra University of Ottawa, Canada.

Gentrificering er blevet observeret i mange vestlige byer med vidtrækkende effekter. Tidligere undersøgelser har søgt at bruge folketællingsdata til at identificere og analysere gentrificering, men dens opløsning er begrænset i rum og tid, og skaber kunstige opdelinger ved folketællingsgrænser. Forfatterne hævder, at denne undersøgelse er den første, der i stedet bruger udseendet af individuelle egenskaber - den mindste rumlige enhed, som en gentrificeringsproces kan virke på - til at indikere mulig gentrificering.

Forfatterne fik adgang til Google Street View (GSV) 360-graders panoramaer af hver ejendom i den urbane kerne af Ottawa, Canada, og tilstødende regioner, for hvert år fra 2007-2016. De uddannede en dybkortlægningsmodel til at behandle disse GSV-data, på udkig efter visuelle ændringer af ejendommene over tid, der kan indikere gentrifikation:forbedringer såsom nye hegn, ommaling eller udskiftning af vinduer. Efter træning, modellen opnåede 95 % nøjagtighed i detektering af gentrifikationsindikatorer sammenlignet med en menneskelig efterforsker.

For Greenbelt-kvarteret, modellen opdagede 3483 forekomster af gentrificeringsindikatorer på 2922 unikke lokationer. Det genererede gentrifikationstæthedskort var meget tæt på et kort, der viser, hvor der var givet udviklings-/byggetilladelser.

Modellen er afhængig af et fotografisk datasæt, der vedligeholdes og opdateres over tid, såsom de GSV-kort, der bruges her. Ændringer i måden, hvorpå disse fotografiske datasæt indsamles, kan reducere modellens nøjagtighed. Imidlertid, forfatterne bemærker, at deres dybe kortlægningsmodel let kan genskabes på steder med lignende datasæt tilgængelige:en relativt beskeden tidsinvestering kan nu producere meget rumligt og tidsmæssigt løste kort over gentrificeringsprocessen.

Forfatterne tilføjer:"Gentrifikation er ved at omforme vores byer, men på samme tid er det svært at afgøre, hvor og hvor hurtigt fænomenerne forekommer i store dynamiske bycentre. Vi brugte en dyb lærings -AI til at skure hundredtusinder af Google Street View -billeder af Ottawas bygninger for at markere, hvor og hvornår gentrifikationslignende visuelle forbedringer af ejendomme fandt sted, og, for første gang, leverede de mest detaljerede kort over den rumlige udvikling af gentrificering gennem tiden i en større by. Disse kort har direkte konsekvenser for planlægning, social retfærdighed og håndtering af ulighed i dette store bycentrum."