Een nieuw deep-mapping computermodel kan visuele veranderingen in individuele eigenschappen detecteren, waardoor onderzoekers sneller gentrificatie in buurten en steden kunnen volgen, volgens een studie gepubliceerd op 13 maart, 2019 in het open access tijdschrift PLOS EEN door Lazar Ilic, Michael Sawada, en Amaury Zarzelli van de Universiteit van Ottawa, Canada.

Gentrificatie is waargenomen in veel westerse steden met verstrekkende effecten. Eerdere studies hebben getracht censusgegevens te gebruiken om gentrificatie te identificeren en te analyseren, maar de resolutie is beperkt in ruimte en tijd, en creëert kunstmatige scheidingen aan de grenzen van de volkstelling. De auteurs beweren dat de huidige studie de eerste is die in plaats daarvan het uiterlijk van individuele eigenschappen gebruikt - de kleinste ruimtelijke eenheid waarop een gentrificatieproces kan werken - om mogelijke gentrificatie aan te geven.

De auteurs gebruikten Google Street View (GSV) 360-graden panorama's van elk pand in de stedelijke kern van Ottawa, Canada, en aangrenzende gebieden, voor elk jaar van 2007-2016. Ze hebben een deep-mapping computermodel getraind om deze GSV-gegevens te verwerken, op zoek naar visuele veranderingen in de eigendommen in de loop van de tijd die kunnen wijzen op gentrificatie:verbeteringen zoals nieuwe hekken, schilderen of kozijnen vervangen. Na het trainen, het model bereikte een nauwkeurigheid van 95% bij het detecteren van gentrificatie-indicatoren in vergelijking met een menselijke onderzoeker.

Voor de Groengordelbuurt, het model detecteerde 3483 gevallen van gentrificatie-indicatoren op 2922 unieke locaties. De gegenereerde gentrificatiedichtheidskaart kwam nauw overeen met een kaart die aangeeft waar de ontwikkelings-/bouwvergunningen waren verleend.

Het model is gebaseerd op een fotografische dataset die in de loop van de tijd wordt onderhouden en bijgewerkt, zoals de GSV-kaarten die hier worden gebruikt. Wijzigingen in de manier waarop deze fotografische datasets worden verzameld, kunnen de nauwkeurigheid van het model verminderen. Echter, de auteurs merken op dat hun deep-mapping-model gemakkelijk opnieuw kan worden gemaakt op locaties met vergelijkbare datasets:een relatief bescheiden tijdsinvestering kan nu zeer ruimtelijk en tijdelijk opgeloste kaarten van het gentrificatieproces produceren.

De auteurs voegen toe:"Gentrificatie hervormt onze steden, maar tegelijkertijd is het moeilijk te bepalen waar en hoe snel het fenomeen zich voordoet in grote dynamische stedelijke centra. We gebruikten een deep learning AI om honderdduizenden Google Street View-afbeeldingen van Ottawa's gebouwen om aan te geven waar en wanneer gentrificatie-achtige visuele verbeteringen aan eigendommen plaatsvonden en, Voor de eerste keer, leverde de meest gedetailleerde kaarten van de ruimtelijke evolutie van gentrificatie door de tijd in een grote stad. Deze kaarten hebben directe gevolgen voor de planning, sociale rechtvaardigheid en het aanpakken van ongelijkheid in dit grote stedelijke centrum."