AI 可警示城市衰敗：對城市規劃者和政策制定者具有重要意義
背景
根據聯合國的預測，到 2050 年，全球超過三分之二的人口預計將居住在城市中。隨著全球城市化的推進，聖母大學和斯坦福大學的研究人員指出，城市物理環境的質量將對人類的幸福和可持續發展計劃越來越重要。然而由於需要大量實地資料來捕捉這些模式，測量和追蹤城市環境的質量、變化和空間差異是困難的。
為理解決這個問題，聖母大學國際關係學院科技、經濟和全球事務助理教授 Yong Suk Lee 以及斯坦福大學的 Andrea Vallebueno 使用機器學習方法，開發了一個可按空間細粒度進行量化城市衰化的可擴充套件方法。他們的研究成果最近發表在《科學報告》上。
研究方法和結果
在這項研究中，Lee 和 Vallebueno 使用了 YOLOv5 模型（一種可以檢測物體的人工智慧模型）來檢測城市衰化的八個物體類別，或導致城市空間難看的因素，例如坑洞、塗鴉、垃圾、帳篷、鐵窗或破窗、褪色或破敗的外牆、雜草和公用事業標記。他們選擇了三個城市：舊金山、墨西哥城和印第安納州的南本德。根據城市多樣性、城市衰退階段以及作者對城市的熟悉程度等因素，他們選擇了這些城市的若幹街區。透過比較資料，他們在三種情境下評估了自己的方法：舊金山坦德洛因區在 2009 年至 2021 年間的無家可歸問題，墨西哥城某些街區在 2017 年至 2019 年間進行的一系列小規模住房專案以及南本德在 2011 年至 2019 年期間的西部區域，該區域數十年來一直在衰退，但也見證了城市復甦計劃。
研究人員發現，訓練有素的模型能夠在不同城市和街區中充分檢測其所尋找的物件，並在人口密集的城市（例如舊金山）表現尤其良好。例如，該模型使研究人員能夠評估舊金山地區無家可歸問題的時間和地理變化，該問題多年來一直在惡化。據 Lee 稱，該模型在南本德這樣的郊區地區表現不佳，這表明需要對模型和在人口較稀疏地區識別的物件進行調整。此外研究人員還發現，這種方法仍存在著潛在的偏見風險，需要進一步解決。
意義和啟示
這項研究結果顯示，像 YOLOv5 這樣的訓練模型能夠在不同城市和街區中檢測城市衰退的情況，凸顯了這種方法在大範圍追蹤城市質量和變化方面的潛力，不僅適用於美國的城市中心，還適用於其他國家中具有街景影象資料的城市。
相比使用粗糙的傳統經濟資料來源，這種方法使用更高效率的資料收集方式，可以提供寶貴的訊息，並且有可能成為政府、非政府組織和公眾的重要工具。這種科學方法能夠有效地追蹤城市質量和變化，且可應用於城市政策和規劃以及受城市化影響的社會問題，包括無家可歸問題。
評論和建議
這項研究開拓了一種新的方法，可以幫助城市規劃者和政策制定者更好地理解城市空間的衰退情況以及這對未來的規劃工作的重要性。然而需要注意的是，機器學習模型在處理不同城市和街區的差異性時可能存在困難，這需要研究人員進一步最佳化和改進。
另外這種方法仍然存在偏見的風險，特別是在模型選擇和資料樣本方面。研究者需要確保模型的訓練資料來自多樣化的城市和社區，以減少對特定階層或地區的偏見。
此外這種機器學習方法只是城市規劃和政策制定的輔助工具，並不能完全取代人的專業判斷和審美觀。在利用這些技術時，我們應該保持對城市建設的整體目標和人們對城市環境質量的主觀感知的重視。不能單純追求資料和技術的發展，而忽視了人的需求和價值觀。
結論
使用機器學習來量化城市衰退對城市規劃者和政策制定者來說具有重要意義。這種方法可以幫助我們更好地理解城市空間的衰退模式和變化趨勢，並為城市政策制定和社會問題解決提供有價值的訊息。然而在應用這種技術時，我們應該謹慎使用，並充分考慮人的需求和價值觀。只有當科學技術與人文關懷相結合時，我們才能實現可持續、繁榮和人性化的城市發展。
