城镇的“巴黎端”？基于机器学习的城市类型学研究
计算机视觉与模式识别
2020-06-03 v1 计算机与社会
摘要
地理空间信息可用性、计算能力和人工智能近期进展的交汇为理解城市之间在何处及如何存在差异或相似提供了新机遇。本项目脱离传统的“自上而下”城市设计特征分析，分析了数百万张城市形态图像（包括街景、卫星影像和街道地图），以寻找共同特征。一个（新颖的）基于神经网络的框架使用全球最大1692个城市的图像进行训练，所得模型用于比较墨尔本和悉尼的市内区位，以确定这些区域与其国际参照对象之间最紧密的联系。本工作展示了一种新颖、一致且客观的方法，用以初步理解城市及其设计在健康、交通和环境后果方面的关系。结果表明了使用各类影像的具体优势与劣势。用地图影像训练的神经网络将高度受道路、公共交通、绿地与蓝绿空间混合及其结构的影响。自然与人工地物的颜色在卫星影像中作为主导特征凸显。街景影像的使用将强调以人为尺度的街道景观视觉地理特征。最后，或许也是最重要的一点，本研究还回答了那个古老的问题：“你的城市真的有一个‘巴黎端’吗？”。
引用
@article{arxiv.1910.03220,
title = {The 'Paris-end' of town? Urban typology through machine learning},
author = {Kerry A. Nice and Jason Thompson and Jasper S. Wijnands and Gideon D. P. A. Aschwanden and Mark Stevenson},
journal= {arXiv preprint arXiv:1910.03220},
year = {2020}
}