將老地圖轉換為失落社區的三維數位模型
概述
在數位時代，研究人員開發了一種利用機器學習和歷史 Sanborn 消防保險地圖建立歷史社區的三維數位模型的方法。這項研究有望成為研究者進行此前幾乎不可能的研究的資源，例如估計拆除歷史建築區所造成的經濟損失。這項研究的結果發表在《PLOS ONE》期刊上。
機器學習技術的應用
研究從 Sanborn 地圖開始，這些地圖在 19 世紀和 20 世紀時被建立，用於火災保險公司評估他們在美國約 12,000 個城鎮的責任。研究人員使用機器學習工具從地圖中提取了關於個別建築的詳細訊息，包括它們的位置和佔地面積、樓層數量、建築材料和主要用途等。這種機器學習技術能夠將這些 Sanborn 地圖中的資料提取出來，並建立三維數位模型。
實際應用與影響
研究人員將這項機器學習技術應用於哥倫布市東部的兩個社區，這兩個社區在 20 世紀 60 年代為 I-70 高速公路的建設而被大部分摧毀。研究結果顯示，這種機器學習模型在重建地圖中的訊息方面非常準確，建築的佔地面積和建築材料的精確性約為 90%。
這項研究的應用不僅僅是一種新奇的技術，它為研究者提供了一個寶貴的資源，讓他們能夠重現消失的社區並進行研究，這之前幾乎是不可能的。這種技術可以應用於幾乎任何擁有 Sanborn 地圖的城市和鎮，尤其是研究那些因自然災害、城市更新、人口減少和其他變化而失去的社區。
透過分析這些消失的社區，我們可以理解被城市更新和其他因素所造成的經濟影響。此外我們還可以研究用高速公路代替住宅造成的城市熱島效應。這項研究將成為城市歷史學家和其他研究者寶貴的資源，並為他們的研究提供更多的視覺資料。
評論與建議
這項研究展示了機器學習技術在重建歷史社區方面的潛力。透過將老地圖轉換為數位模型，我們可以重現過去，深入理解消失的社區，並分析其影響。在進行機器學習研究時，保證資料的準確性和完整性至關重要。研究人員應該確保其機器學習模型足夠準確，並且能夠在不同城市和鎮上進行重現。此外他們還應該進行交叉取證，以取證模型的準確性和可靠性。
這項研究的應用僅限於 Sanborn 地圖，未來可以進一步應用於其他歷史地圖和資料源。例如，可以使用類似的機器學習技術來重建其他時期的地圖，如航拍照片、地籍調查和人口普查等，這樣可以更全面地瞭解歷史上的城市發展和社區變化。
最後我們應該善於運用這些三維數位模型，讓更多人受益。例如，可以將這些模型應用於教育領域，讓學生透過虛擬現實技術親臨歷史社區。此外政府和城市規劃者也可以使用這些模型來研究城市發展策略，考慮保護歷史社區和文化遺產的重要性。
