by Iacopo Testi
Iacopo Testi è ricercatore affiliato al Massachusetts Institute of Technology dove conduce ricerca all’intersezione di sostenibilità urbana e data science. Nel 2021, Iacopo è stato nominato “Spatial Data Scientist of the Year” da Carto. Attualmente è consulente di URBAN AI, un think tank internazionale che promuove l’utilizzo di intelligenza artificiale per progettazione urbana sostenibile, e earth observation data scientist a RHEA Group.
Le immagini “street view” possono costituire una risorsa chiave per analizzare e monitorare le aree urbane. Inoltre, l’emergere dell’intelligenza artificiale (IA) consente di ispezionare dati visivi con una precisione e una velocità prima impensabili. Nel seguente articolo, viene presentato un lavoro di ricerca [1], condotto dell’Università di Cambridge e della Tsinghua University, che presenta modelli di computer vision [2] applicati ad acquisizioni stradali.
Dati disponibili sulle condizioni degli edifici sono fondamentali per dipartimenti di pianificazione che definiscono strategie e linee guida di gestione e rinnovamento urbano [3]. Tuttavia, un censimento dettagliato degli edifici comporta un consistente investimento di molteplici risorse. Pertanto, lo studio propone modelli IA per identificare automaticamente le caratteristiche fisiche dello scenario urbano: tipologie costruttive, manutenzione e continuità del perimetro stradale.
L’area dello studio è Pechino, in particolare il sito all’interno del quinto anello, che si estende per 670 km2, dove risiedono circa 11 milioni di persone. Le 360.796 immagini (800 x 500 pixel) utilizzate per l’indagine sono ottenute da Baidu Map [4], l’equivalente cinese di Google Map, collezionate ad intervalli di 200 metri lungo tutte le strade della città, nel febbraio 2016.
I suddetti dati sono campionati e classificati manualmente come “immagini di edifici” e “immagini di strade”. Il primo modello IA di qualifica viene applicato a tutti i dati visivi per estrarre solo quelli contenenti edifici. Successivamente, le immagini selezionate dal precedente modello vengono catalogate, da esperti del settore, con gli attributi rilevanti per la ricerca: costruzione, qualità della manutenzione e continuità del perimetro stradale (vedi fig.1). Infine, il secondo modello di IA, composto da una rete neurale convoluzionale [5] combinata con un support vector regression [6], viene addestrato alla classificazione automatica delle caratteristiche urbane considerate.
I due modelli IA mostrano prestazioni elevate per la classificazione degli attributi di qualità e continuità urbana, rispettivamente con un’accuratezza del 90 e del 75%. Inoltre, la figura 2 mostra l’inferenza eseguita su immagini del centro città, che identifica chiari pattern urbani. Ad esempio, in termini di qualità visiva, la parte settentrionale della città (Zona A) ha generalmente punteggi più elevati rispetto alla parte meridionale (Zona B), soprattutto ai margini urbani tra la quarta e la quinta circonvallazione. Pertanto, lo studio rivela potenziali indicazioni di rinnovamento urbano nella parte meridionale di Pechino, dal miglioramento manutentivo delle facciate su strada alla rigenerazione di strutture fatiscenti.
Infine, l’indagine mostra le potenziali prospettive dell’ IA a supporto dei dipartimenti responsabili della pianificazione e rigenerazione urbana. In particolare, avere una migliore comprensione del tessuto edificato può aiutare il rinnovamento urbano, la rivitalizzazione del quartiere, la conservazione del patrimonio culturale e le indagini socio-economiche. In conclusione, se pensiamo alle periferie e alle aree sub-urbane delle nostre città italiane, possiamo facilmente comprendere l’indubitabile potenziale delle metodologie di automazione intelligente applicate all’urbanistica.
___
Riferimenti
[1] Lun Liu, Elisabete A. Silva, Chunyang Wu, HuiWang (2017). A machine learning-based method for the large-scale evaluation of the qualities of the urban environment. https://www.sciencedirect.com/science/article/pii/S0198971516301831
[2] Lex Fridman (2018). MIT 6.S094: Computer Vision. https://www.youtube.com/watch?v=CLOAswsxudo
[3] Lynch, K.(1960). The Image of the city. MIT Press.
[4] Baidu Map website. https://map.baidu.com
[5] Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich (2014). Going Deeper with Convolutions. https://arxiv.org/abs/1409.4842
[6] Mariette AwadRahul Khanna (2015). Support Vector Regression. https://link.springer.com/chapter/10.1007/978-1-4302-5990-9_4