图像与数据直观呈现城市状态

 

　　过去几十年里，城市的物理变迁，包括公共的、私人的基础设施的演变，一直都是决策者与经济学、社会学和城市规划学学者关注的领域。但是，在纳克与他的同伴看来，由于缺乏量化的、动态的、可衡量的方式，考察城市变迁存在一定的局限性。因此，他们开发了一种计算机视觉方法——“街道变化”（Streetchange），使研究者能够处理街景程序中的时间序列图像，量化城市变迁。从谷歌应用程序中获取的全景图都有唯一识别码，并与一个经度、纬度以及时间戳相关联。研究人员通过选择与图像相应的经纬度，并设置相同的街景车相机的角度，从全景图中剪辑出图像，从而获得同一地点相同视角下不同时间点的图像。

 

　　研究还采用了一种机器学习算法——“街道分数”（Streetscore），用于计算城市街景的安全度。这个算法分为三个步骤：将图像进行几何分层，包括地面、建筑、树以及天空；用图像处理技术对图像中的形状和纹理进行编码；通过以街道与建筑特点建立的模型为街区算出安全度分数。研究人员表示，利用这个算法计算，如果得出的是正值，表明街道景观得到了改善；如果是负值，则说明街道景观在变差。

 

　　“通过‘街道分数’，我们可以创造出高分辨率的地图，而训练集里只需要不到3000幅图像。”纳克说，研究表明，根据人工智能和地理空间数据，研究人员能够以前所未有的规模与分辨率，考察建筑环境、人口状况和城市研究。

 

　　在研究人员看来，越来越多的综合训练数据集和新的机器学习算法的应用，使得对街头景象的自动分类和标注图像的任务更加容易。同时，它们为计算机视觉、城市规划、城市社会学，以及城市经济学提供了新的交叉学科文献。

 

　　纽约大学城市科学与发展中心教授朱利娅·莱尼对该项研究评价说，高质量的测量、分析，以及对研究缺失的深度关注是未来研究的标准，希望能够看到更多这样的研究。此项研究成果发表于《美国国家科学院院刊》。