Мы проанализировали уличные сцены Филадельфии и выявили признаки джентрификации с помощью машинного обучения Исследователи из Филадельфии разработали метод анализа гентрификации с использованием Google Street View и машинного обучения, основываясь на наблюдениях местных жителей. Это позволяет лучше понимать изменения в городской среде. В последние годы гентрификация становится все более актуальной темой для многих городов, и Филадельфия не исключение. Группа исследователей из местных университетов решила использовать современные технологии для изучения этого процесса. Они собрали мнения долгожителей из гентрифицирующихся районов и сопоставили их с изображениями из Google Street View, чтобы выявить визуальные признаки изменений. В ходе работы команда провела фокус-группы в трех районах Филадельфии, где гентрификация происходит особенно активно. Местные жители делились своими наблюдениями о новых зданиях, которые, по их мнению, не вписываются в традиционную архитектуру. Они описывали современные многоэтажки, которые, по их словам, выглядят чуждыми на фоне старинных рядных домов. Используя машинное обучение, исследователи разработали модель, способную распознавать визуальные признаки гентрификации. Эта модель анализирует изображения зданий, сравнивая их с данными из разных временных периодов. Результаты показали, что модель может с высокой точностью различать гентрифицированные и не гентрифицированные районы. Гентрификация часто приводит к повышению цен на жилье и вытеснению местных жителей, что вызывает обеспокоенность по поводу утраты уникальности районов. Исследование также выявило, что изменения в архитектуре могут влиять на экологическую ситуацию, например, через снос старых зданий, содержащих опасные вещества. С помощью глубокого картирования исследователи могут собирать данные о изменениях в городской среде и предсказывать будущие тенденции. Это может помочь местным сообществам лучше понимать происходящие изменения и обосновывать свои опасения перед властями. Важно отметить, что прозрачность в подготовке данных для машинного обучения помогает избежать предвзятости и делает результаты более надежными. Исследователи стремятся улучшить понимание того, как гентрификация влияет на жизнь в городах и как технологии могут помочь выявить скрытые паттерны изменений.