A descobrir sinais de degradação urbana: o poder da IA no planeamento urbano

A medição precisa da qualidade dos espaços urbanos é um aspeto fundamental para criar políticas eficazes que enfrentem os vários desafios vividos pelos habitantes das cidades, como a pobreza, as infraestruturas, os transportes, a saúde e a segurança. No entanto, os métodos tradicionais de recolha de dados socioeconómicos, como as taxas de criminalidade, os níveis de rendimento e as condições habitacionais, através de inquéritos ocasionais à população, são inadequados, pois são pouco frequentes, dispendiosos e dependem da perceção humana, conduzindo a uma visão desatualizada das condições ao nível do bairro.

A utilização da IA neste campo está a ganhar popularidade rapidamente, com investigadores a experimentar imagens de satélite para quantificar a expansão urbana e projetos de aprendizagem automática para gerar mapas em grande escala da pobreza, da riqueza e dos rendimentos em países em desenvolvimento. Apesar destes avanços, a paisagem física dos ambientes urbanos e a forma como esta se altera ao longo do tempo ainda não foram totalmente exploradas.

Segundo Andrea Vallebueno, "não existe uma medida adequada que documente a qualidade do espaço urbano, a sua mudança ao longo do tempo e a desigualdade espacial que apresenta." Andrea trabalhou com o seu coautor, Yong Suk Lee, para preencher esta lacuna utilizando imagens de alta frequência do Google Street View e construindo dados em painel ao nível dos segmentos de rua, tornando-se pioneiros neste campo.

Andrea Vallebueno é investigadora de Ciência Computacional no Regulation, Evaluation, and Governance Lab da Stanford University.

Fazer o bem com IA#

A paixão de Andrea pela utilização da ciência de dados em aplicações de impacto social levou-a a explorar a aprendizagem automática e a IA de visão. Com formação em Economia e um mestrado em Ciência de Dados pela Stanford, Andrea utiliza o Ultralytics YOLOv5 há cerca de um ano e meio.

Quando era criança na Cidade do México, Andrea tinha plena consciência das diferenças dramáticas entre bairros como Santa Fe, onde um grande muro de betão separava os ricos dos pobres. Como investigadora na área da ciência de dados, Vallebueno começou a preocupar-se com a forma como os dados económicos tradicionais ignoram estas diferenças extremas, ocultando os indicadores de desigualdade e decadência urbana. Percebeu que, com o afluxo crescente de pessoas para as cidades em todo o mundo, a falta de dados detalhados se tornaria apenas um problema cada vez mais urgente.

Porquê o Ultralytics YOLOv5?#

Andrea e Yong tinham como objetivo criar uma medida objetiva da degradação urbana. Utilizaram a deteção de objetos em imagens do Google Street View para captar oito características urbanas indicadoras de degradação urbana. Escolheram o YOLOv5 devido à sua velocidade de inferência e à utilização de informação contextual, que era crucial para o seu caso de utilização.

O modelo treinado foi utilizado para executar inferências em 114 000 imagens do Street View de diferentes bairros de São Francisco, da Cidade do México e de South Bend. As deteções dos oito atributos foram agregadas ao nível dos segmentos de rua para gerar índices de degradação urbana e medir a alteração na incidência da degradação urbana ao longo do tempo.

Cidade do México, MX

São Francisco, CA

Andrea e a sua equipa consideraram o Ultralytics YOLOv5 extremamente fácil de utilizar, tendo passado a maior parte do tempo a selecionar o seu conjunto de dados e a treinar os seus modelos. Apreciaram a integração com ferramentas de acompanhamento de experiências e a aprendizagem automática das caixas delimitadoras, que tornou o processo muito mais acessível.

Andrea e a sua equipa estão entusiasmados por expandir a sua medida da qualidade urbana de modo a incluir atributos positivos do ambiente urbano físico e testar o desempenho destes índices num conjunto diversificado de bairros urbanos.

Visualização do conjunto de deteções do modelo de tendas/lonas utilizadas como alojamentos de pessoas sem-abrigo ao longo do tempo no bairro de Tenderloin, em São Francisco.

Conselhos para começar na IA#

Para quem está a começar na IA, Andrea recomenda encontrar um problema ou uma questão de investigação que desperte a sua paixão e percorrer todo o ciclo de vida da IA. Acredita que esta é uma das melhores formas de desenvolver a intuição e compreender as limitações do seu modelo.

A IA está a tornar-se cada vez mais uma ferramenta crucial para universidades e investigadores, pois permite-lhes explorar e compreender conjuntos de dados complexos, tornando as suas conclusões mais precisas e fiáveis. Ao tirar partido da IA, os investigadores podem criar uma compreensão mais abrangente dos espaços urbanos e dos desafios enfrentados pelos habitantes das cidades, conduzindo a políticas e soluções melhores.

Obrigado por leres sobre a experiência da Andrea com o YOLOv5! Gostarias de partilhar a tua experiência? Identifica-nos em todo o lado como @Ultralytics com o teu próprio caso de utilização do Ultralytics YOLO e promoveremos o teu trabalho junto da comunidade de ML.