L’IA peut alerter les urbanistes et les décideurs politiques du déclin des villes

Plus des deux tiers de la population mondiale devraient vivre dans des villes d’ici 2050, selon les Nations Unies. À mesure que l’urbanisation progresse dans le monde, des chercheurs de l’Université de Notre Dame et de l’Université de Stanford affirment que la qualité de l’environnement physique urbain deviendra de plus en plus essentielle au bien-être humain et aux initiatives de développement durable.

Cependant, mesurer et suivre la qualité d’un environnement urbain, son évolution et ses disparités spatiales est difficile en raison de la quantité de données de terrain nécessaires pour capturer ces modèles. Pour résoudre ce problème, Yong Suk Lee, professeur adjoint de technologie, d’économie et d’affaires mondiales à la Keough School of Global Affairs de l’Université de Notre Dame, et Andrea Vallebueno de l’Université de Stanford ont utilisé l’apprentissage automatique pour développer une méthode évolutive pour mesurer la dégradation urbaine. à un niveau spatialement granulaire au fil du temps.

Leurs conclusions ont été récemment publiées dans Rapports scientifiques.

“À mesure que le monde s’urbanise, les urbanistes et les décideurs politiques doivent s’assurer que la conception et les politiques urbaines répondent de manière adéquate aux problèmes critiques tels que l’amélioration des infrastructures et des transports, la pauvreté, la santé et la sécurité des citadins, ainsi que les inégalités croissantes au sein et entre les villes.” dit Lee. “En utilisant l’apprentissage automatique pour reconnaître les modèles de développement des quartiers et les inégalités urbaines, nous pouvons aider les urbanistes et les décideurs politiques à mieux comprendre la détérioration de l’espace urbain et son importance dans la planification future.”

Traditionnellement, la mesure de la qualité urbaine et de la qualité de vie dans les espaces urbains a utilisé des caractéristiques sociodémographiques et économiques telles que les taux de criminalité et les niveaux de revenu, des données d’enquête sur la perception des citadins et les attributs valorisés de l’environnement urbain, ou des ensembles de données d’images décrivant l’espace urbain et ses qualités socio-économiques. La disponibilité croissante d’images de vue de rue présente de nouvelles perspectives dans l’identification des caractéristiques urbaines, a déclaré Lee, mais la fiabilité et la cohérence de ces méthodes à différents endroits et à différents moments restent largement inexplorées.

Dans leur étude, Lee et Vallebueno ont utilisé le modèle YOLOv5 (une forme d’intelligence artificielle capable de détecter des objets) pour détecter huit classes d’objets qui indiquent un déclin urbain ou contribuent à un espace urbain inesthétique – des éléments comme des nids-de-poule, des graffitis, des ordures, des tentes, des barreaux. ou des vitres cassées, des façades décolorées ou délabrées, des mauvaises herbes et des marquages ​​utilitaires. Ils se sont concentrés sur trois villes : San Francisco, Mexico et South Bend, Indiana. Ils ont choisi les quartiers de ces villes en fonction de facteurs tels que la diversité urbaine, les stades de déclin urbain et la familiarité des auteurs avec les villes.

À l’aide de données comparatives, ils ont évalué leur méthode dans trois contextes : les sans-abri dans le district de Tenderloin à San Francisco entre 2009 et 2021, un ensemble de projets de logements à petite échelle réalisés de 2017 à 2019 dans un sous-ensemble de quartiers de la ville de Mexico, et l’ouest de la ville. quartiers de South Bend entre 2011 et 2019, une partie de la ville en déclin depuis des décennies mais qui a également connu des initiatives de renaissance urbaine.

Les chercheurs ont découvert que le modèle formé pouvait détecter de manière adéquate les objets qu’il recherchait dans différentes villes et quartiers, et qu’il fonctionnait particulièrement bien là où les populations étaient plus denses, comme San Francisco.

Par exemple, les cartes ont permis aux chercheurs d’évaluer la variation temporelle et géographique du sans-abrisme dans la région de San Francisco, un problème qui s’est développé au fil des années.

Le modèle a connu des difficultés dans la zone plus suburbaine de South Bend, selon Lee, démontrant la nécessité de peaufiner le modèle et les types d’objets identifiés dans les populations moins denses. En outre, les chercheurs ont découvert qu’il existe toujours un risque de biais qui doit être pris en compte.

“Nos résultats indiquent que les modèles entraînés tels que les nôtres sont capables de détecter les incidences de dégradation dans différents quartiers et villes, soulignant le potentiel de cette approche à être étendue afin de suivre la qualité et le changement urbains dans les centres urbains des États-Unis et dans les villes des États-Unis. d’autres pays où les images Street View sont disponibles”, a-t-il déclaré.

Lee a déclaré que le modèle a le potentiel de fournir des informations précieuses en utilisant des données qui peuvent être collectées de manière plus efficace que l’utilisation de sources de données économiques traditionnelles plus grossières, et qu’il pourrait être un outil précieux et opportun pour le gouvernement, les organisations non gouvernementales et le public. .

“Nous avons constaté que notre approche peut utiliser l’apprentissage automatique pour suivre efficacement la qualité et les changements urbains dans plusieurs villes et zones urbaines”, a déclaré Lee. “Ce type de données pourrait ensuite être utilisé pour éclairer la politique et la planification urbaines ainsi que les problèmes sociaux touchés par l’urbanisation, y compris le sans-abrisme.”