Un nuevo modelo de computadora de mapeo profundo puede detectar cambios visuales en propiedades individuales, permitiendo a los investigadores rastrear más rápidamente la gentrificación dentro de los vecindarios y ciudades, según un estudio publicado el 13 de marzo, 2019 en la revista de acceso abierto MÁS UNO por Lazar Ilic, Michael Sawada, y Amaury Zarzelli de la Universidad de Ottawa, Canadá.

Se ha observado gentrificación en muchas ciudades occidentales con efectos de amplio alcance. Estudios anteriores han buscado utilizar datos del censo para identificar y analizar la gentrificación, pero su resolución es limitada en el espacio y el tiempo, y crea divisiones artificiales en los límites del censo. Los autores afirman que el presente estudio es el primero en utilizar la apariencia de propiedades individuales —la unidad espacial más pequeña sobre la que puede actuar un proceso de gentrificación— para indicar una posible gentrificación.

Los autores accedieron a panorámicas de 360 ​​grados de Google Street View (GSV) de todas las propiedades dentro del núcleo urbano de Ottawa. Canadá, y regiones adyacentes, por cada año desde 2007-2016. Entrenaron un modelo de computadora de mapeo profundo para procesar estos datos de GSV, buscando cambios visuales en las propiedades a lo largo del tiempo que podrían indicar gentrificación:mejoras como nuevas cercas, repintado o reemplazo de ventanas. Después de entrenar, el modelo logró una precisión del 95% en la detección de indicadores de gentrificación en comparación con un investigador humano.

Para el vecindario Greenbelt, el modelo detectó 3483 instancias de indicadores de gentrificación en 2922 ubicaciones únicas. El mapa de densidad de gentrificación generado se alineó muy de cerca con un mapa que muestra dónde se habían otorgado los permisos de desarrollo / construcción.

El modelo se basa en un conjunto de datos fotográficos que se mantiene y actualiza con el tiempo, como los mapas GSV utilizados aquí. Los cambios en la forma en que se recopilan estos conjuntos de datos fotográficos pueden reducir la precisión del modelo. Sin embargo, Los autores señalan que su modelo de mapeo profundo se puede recrear fácilmente en ubicaciones con conjuntos de datos similares disponibles:una inversión de tiempo relativamente modesta ahora puede producir mapas del proceso de gentrificación altamente resueltos espacial y temporalmente.

Los autores añaden:"La gentrificación está remodelando nuestras ciudades, pero al mismo tiempo es difícil determinar dónde y qué tan rápido ocurren los fenómenos en los grandes centros urbanos dinámicos. Usamos una inteligencia artificial de aprendizaje profundo para rastrear cientos de miles de imágenes de Google Street View de Los edificios de Ottawa marcarán dónde y cuándo se llevaron a cabo mejoras visuales similares a la gentrificación en las propiedades y, por primera vez, proporcionó los mapas más detallados de la evolución espacial de la gentrificación a través del tiempo en una ciudad importante. Estos mapas tienen implicaciones directas para la planificación, justicia social y abordar la desigualdad en este gran centro urbano ".