Los científicos de Harvard se encuentran entre los coautores de un nuevo estudio que utiliza algoritmos de visión por computadora para examinar millones de imágenes de Google Street View para medir si las áreas urbanas están cambiando y cómo. Ambos estudios encontraron que dos características demográficas clave, alta densidad y alta educación, juegan un papel importante en la mejora urbana, y mostró apoyo a tres teorías clásicas del cambio urbano.

Nikhil Naik, Scott Duke Kominers, y sus colaboradores esperan transformar la forma en que los científicos estudian los entornos urbanos, con la ayuda de Google.

En trabajo conjunto con Edward L. Glaeser, el profesor Fred y Eleanor Glimp de Economía en Harvard y César A. Hidalgo y Ramesh Raskar, profesores asociados en el MIT Media Lab, Kominers, profesor asociado en la Unidad de Gestión Empresarial de HBS y el Departamento de Economía y Naik, un premio Fellow en Economía, Historia y Política, fue autor de un estudio que utiliza algoritmos de visión por computadora para examinar millones de imágenes de Google Street View en un esfuerzo por medir si las áreas urbanas están cambiando y cómo.

Además de demostrar la efectividad de la tecnología, Ambos estudios encontraron que dos características demográficas clave - alta densidad y alta educación - juegan un papel importante en la mejora urbana, y mostró apoyo a tres teorías clásicas del cambio urbano. El estudio se describe en un artículo del 6 de julio en procedimientos de la Academia Nacional de Ciencias .

"Mucha gente, incluidos los científicos sociales y los planificadores urbanos, están interesados ​​en estudiar por qué evolucionan los lugares y cuánto cambio ocurre en diferentes ciudades, ", Dijo Naik." Pero hay una falta de datos sobre los aspectos físicos del cambio urbano ".

Ahí es donde entran en juego las imágenes de Google Street View.

Durante la última década, Naik dijo, el gigante tecnológico ha recopilado millones de imágenes de Street View de todo el país como parte de su servicio de mapas. Y lo que es más, mantienen esos mapas actualizados al volver a fotografiar periódicamente los mismos lugares en las principales ciudades. Como consecuencia, Street View contiene una rica base de datos de imágenes urbanas que los investigadores pueden utilizar para seguir las ciudades a través del tiempo.

Usar imágenes de Street View para rastrear el cambio urbano no es una idea nueva, aunque.

En 2014, entonces estudiante de doctorado Jackelyn Hwang y Robert Sampson, el Profesor Henry Ford II de Ciencias Sociales, publicó un estudio pionero que empleó a un equipo de voluntarios para analizar imágenes de Street View y localizar signos de gentrificación en 3, 000 manzanas de la ciudad de Chicago.

Naik y sus coautores llevaron esta idea un paso más allá al utilizar inteligencia artificial para automatizar el proceso.

"Al tener una computadora que lo haga, pudimos ampliar realmente el análisis, por lo que examinamos imágenes de aproximadamente 1,6 millones de cuadras de cinco ciudades:Boston, Nueva York, Washington, CORRIENTE CONTINUA, Baltimore y Detroit, "Dijo Naik.

En el corazón del sistema hay un algoritmo de inteligencia artificial que los colaboradores "enseñaron" a ver escenas de la calle de la misma manera que lo hacen los humanos.

Desarrollado originalmente en el trabajo entre Naik, Raskar, e Hidalgo durante los estudios de posgrado de Naik en el MIT Media Lab, el algoritmo calcula "Streetscore", una puntuación de la seguridad percibida de los paisajes urbanos, fotos basadas en Street View y preferencias de imágenes recopiladas de miles de voluntarios en línea.

"Nos basamos en este algoritmo para calcular Streetchange:el cambio en Streetscore para pares de imágenes de Street View de la misma ubicación capturadas con siete años de diferencia. ", Dijo Naik." Un valor positivo de Streetchange está asociado con nuevas construcciones o mejoras, y un valor negativo se asocia con la disminución general ".

En dos estudios de validación, uno que utilizó imágenes puntuadas por humanos, y otro con datos municipales de la ciudad de Boston:los autores demostraron que su algoritmo detecta con precisión si los bloques cambiaron entre 2007 y 2014 y cómo lo hicieron.

Armado con datos de Streetchange generados por el algoritmo, Naik y col. luego echó un vistazo "a nivel de calle" a varias teorías de larga data sobre el cambio urbano a partir de la economía urbana, planificación, y sociología.

"Encontramos mucho apoyo para lo que se llama la 'teoría de la aglomeración del capital humano, ', que sostiene que se tiende a ver mejoras urbanas cuando hay una densidad significativa de personas con un alto nivel de educación, ", Dijo Kominers." Los datos sugieren que otras características demográficas, como los ingresos, costos de vivienda, o composición étnica, no parecen importar tanto como la densidad y la educación ".

El estudio también mostró cierto apoyo a una teoría llamada "propina, "en el que los vecindarios que ya se han desarrollado tienden a desarrollarse más. Los autores también encontraron evidencia de la teoría de la" invasión ", que argumenta que las áreas alrededor de vecindarios exitosos, o cerca de distritos comerciales centrales, tienden a ver una mayor mejora con el tiempo.

Esto destaca, Kominers agregado, que la desigualdad urbana es real. "Nuestros hallazgos refuerzan la extrema importancia del capital humano y la educación en todas las etapas del desarrollo, ", Dijo Kominers." Es importante para el acceso de las personas a los trabajos y los medios de vida, pero también es importante para sus habilidades para mejorar sus entornos. Y los patrones de cambio urbano que vemos ayudan a ilustrar por qué persiste la desigualdad urbana ".

Por último, Naik dijo, El estudio muestra que la inteligencia artificial y los datos geoespaciales se pueden utilizar para medir el entorno construido y las poblaciones y hacer ciencia urbana con una resolución y escala sin precedentes. "Nos hemos centrado en el cambio urbano aquí, pero hay muchas posibilidades para el futuro ".

Esta investigación fue apoyada con fondos del International Growth Center, la Fundación Alfred P. Sloan, una subvención de Star Family Challenge, la Fundación Nacional de Ciencias, el Fondo Harvard Milton, el Fondo Ng del Centro de Ciencias y Aplicaciones Matemáticas de Harvard, el Grupo de Trabajo sobre Capital Humano y Oportunidades Económicas patrocinado por el Institute for New Economic Thinking, el Taubman Center for State and Local Government, el premio Google Living Labs y un regalo de Facebook.