En ny djupkartläggande datormodell kan upptäcka visuella förändringar av enskilda egenskaper, låta forskare snabbare spåra gentrifiering inom stadsdelar och städer, enligt en studie publicerad 13 mars, 2019 i open access journal PLOS ONE av Lazar Ilic, Michael Sawada, och Amaury Zarzelli från University of Ottawa, Kanada.

Gentrifiering har observerats i många väststäder med vidsträckta effekter. Tidigare studier har försökt använda folkräkningsdata för att identifiera och analysera gentrifiering, men dess upplösning är begränsad i utrymme och tid, och skapar konstgjorda uppdelningar vid folkräkningsgränserna. Författarna hävdar att den här studien är den första som istället använder utseendet på enskilda egenskaper - den minsta rumsliga enhet som en gentrifieringsprocess kan verka på - för att indikera möjlig gentrifiering.

Författarna kom åt Google Street View (GSV) 360-graders panoramabilder av varje fastighet i Ottawa stadskärna, Kanada, och angränsande regioner, för varje år från 2007-2016. De utbildade en djupkartläggande datormodell för att bearbeta dessa GSV-data, letar efter visuella förändringar av egenskaperna över tid som kan indikera gentrifiering:förbättringar som nya staket, ommålning eller byte av fönster. Efter träning, modellen uppnådde 95% noggrannhet vid detektering av gentrifikationsindikatorer jämfört med en mänsklig utredare.

För Greenbelt -kvarteret, modellen upptäckte 3483 fall av gentrifikationsindikatorer på 2922 unika platser. Den genererade gentrifikeringstäthetskartan stämde mycket nära en karta som visar var utvecklings-/bygglov hade beviljats.

Modellen bygger på en fotografisk datamängd som underhålls och uppdateras över tiden, t.ex. GSV -kartorna som används här. Ändringar i hur dessa fotografiska datamängder samlas in kan minska modellens noggrannhet. Dock, författarna noterar att deras djupkartläggningsmodell enkelt kan återskapas på platser med liknande datamängder:en relativt blygsam tidsinvestering kan nu producera kartor över gentrifieringsprocessen som är mycket rumsligt och tidsmässigt lösta.

Författarna tillägger:"Gentrifiering omformar våra städer men samtidigt är det svårt att avgöra var och hur snabbt fenomenen uppstår i stora dynamiska stadscentrum. Vi använde en djup inlärnings -AI för att skura hundratusentals Google Street View -bilder av Ottawas byggnader för att markera var och när gentrifikationsliknande visuella förbättringar av fastigheter ägde rum och, för första gången, gav de mest detaljerade kartorna över rumslig utveckling av gentrifiering genom tiden i en storstad. Dessa kartor har direkta konsekvenser för planering, social rättvisa och att hantera ojämlikhet i detta stora stadscentrum. "