Harvard-forskare är bland medförfattarna till en ny studie som använder datorvisionsalgoritmer för att undersöka miljontals Google Street View-bilder för att mäta om och hur stadsområden förändras. Studien fann båda att två viktiga demografiska egenskaper - hög densitet och hög utbildning - spelar viktiga roller för stadsförbättringar, och visade stöd för tre klassiska teorier om stadsförändringar.

Nikhil Naik, Scott Duke Kominers, och deras medarbetare hoppas kunna förändra hur forskare studerar stadsmiljöer - med hjälp av Google.

I gemensamt arbete med Edward L. Glaeser, Fred och Eleanor Glimp professor i ekonomi vid Harvard och César A. Hidalgo och Ramesh Raskar, docenter vid MIT Media Lab, Kominers, docent vid entreprenörsledningsenheten vid HBS och Institutionen för ekonomi och Naik, en pristagare i ekonomi, Historia och politik, skrev en studie som använder datorsynalgoritmer för att undersöka miljontals bilder från Google Street View i ett försök att mäta om och hur stadsområden förändras.

Förutom att demonstrera teknikens effektivitet, studien fann båda att två viktiga demografiska egenskaper - hög densitet och hög utbildning - spelar viktiga roller för stadsförbättringar, och visade stöd för tre klassiska teorier om stadsförändringar. Studien beskrivs i en artikel från 6 juli Förfaranden från National Academy of Sciences .

"Massor av människor, inklusive samhällsvetare och stadsplanerare, är intresserade av att studera varför platser utvecklas och hur mycket förändring som händer i olika städer, "Naik sa." Men det saknas data om de fysiska aspekterna av stadsförändringar. "

Det är där Google Street View -bilder kommer in.

Under det senaste decenniet har Naik sa, teknikjätten har samlat in miljontals Street View -bilder från hela landet som en del av sin kartläggningstjänst. Vad mer, de håller dessa kartor uppdaterade genom att regelbundet fotografera samma platser i större städer. Följaktligen, Street View innehåller en rik databas med stadsbilder som forskare kan använda för att följa städer genom tiden.

Att använda Street View -bilder för att spåra stadsförändringar är ingen ny idé, fastän.

Under 2014, dåvarande doktoranden Jackelyn Hwang och Robert Sampson, Henry Ford II -professor i samhällsvetenskap, publicerade en banbrytande studie som använde ett team av volontärer för att analysera Street View -bilder och hitta tecken på gentrifiering över 3, 000 stadsblock i Chicago.

Naik och medförfattare tog denna idé ett steg längre genom att använda artificiell intelligens för att automatisera processen.

"Genom att låta en dator göra det, vi kunde verkligen skala upp analysen, så vi undersökte bilder av cirka 1,6 miljoner gatukvarter från fem städer - Boston, New York, Washington, DC, Baltimore och Detroit, Sa Naik.

I hjärtat av systemet finns en artificiell intelligensalgoritm som kollaboratörerna ”lärde” att se gatuscener på samma sätt som människor gör.

Ursprungligen utvecklad i arbete mellan Naik, Raskar, och Hidalgo under Naiks doktorandstudier vid MIT Media Lab, algoritmen beräknar "Streetscore" - en poäng för upplevd säkerhet i gatumiljöer, baserade Street View -foton och bildinställningar som samlats in från tusentals volontärer online.

"Vi byggde på denna algoritm för att beräkna Streetchange - förändringen i Streetscore för par Street View -bilder på samma plats med sju års mellanrum, "Naik sa." Ett positivt värde av Streetchange är förknippat med nybyggnation eller uppgraderingar, och ett negativt värde är förknippat med en total nedgång. "

I två valideringsstudier - den ena med bilder av människor, och en annan som använder kommunal data från staden Boston - författarna visade att deras algoritm exakt upptäcker om och hur block ändrades mellan 2007 och 2014.

Beväpnad med Streetchange -data genererad av algoritmen, Naik et al. tittade sedan på "gatunivå" på flera långvariga teorier om stadsförändringar från stadsekonomi, planera, och sociologi.

"Vi hittade mycket stöd för det som kallas" teorin om agglomerering av humankapital, 'som hävdar att du tenderar att se stadsförbättringar när du har en betydande täthet av högutbildade individer, "Kominers sa." Data tyder på att andra demografiska egenskaper - faktorer som inkomst, boendekostnader, eller etnisk sammansättning - verkar inte ha så stor betydelse som densitet och utbildning gör. "

Studien visade också ett visst stöd för en teori som kallas "tipping, "där stadsdelar som redan har utvecklats tenderar att utvecklas ytterligare. Författarna hittade också bevis för" invasion "-teorin, som hävdar att områden kring framgångsrika stadsdelar - eller nära centrala affärsdistrikt - tenderar att se större förbättringar över tiden.

Detta belyser, Kominers tillade, att ojämlikhet i städerna är verklig. "Våra resultat förstärker den extrema betydelsen av humankapital och utbildning i alla utvecklingsstadier, "Kominers sa." Det spelar roll för människors tillgång till jobb och försörjning, men det är också viktigt för deras förmåga att förbättra sina miljöer. Och mönstren för stadsförändringar som vi ser hjälper till att illustrera varför ojämlikhet i städerna kvarstår. "

I sista hand, Naik sa, studien visar att artificiell intelligens och geospatial data kan användas för att mäta den byggda miljön och befolkningen och göra stadsvetenskap i en aldrig tidigare skådad upplösning och skala. "Vi har fokuserat på stadsförändringar här, men det finns många möjligheter för framtiden. "

Denna forskning stöddes med finansiering från International Growth Center, Alfred P. Sloan Foundation, ett Star Family Challenge -bidrag, National Science Foundation, Harvard Milton Fund, Ng -fonden för Harvard Center of Mathematical Sciences and Applications, arbetsgruppen för humankapital och ekonomisk möjlighet sponsrad av Institute for New Economic Thinking, Taubman Center for State and Local Government, Google Living Labs Award och en gåva från Facebook.