Ein Forschungsteam unter der Leitung von Rumi Chunara – einem Associate Professor von NYU mit Ernennungen sowohl an der Tandon School of Engineering als auch an der School of Global Public Health – hat ein neues System für künstliche Intelligenz (AI) vorgestellt, das Satellitenbilder verwendet, um urbane grüne Räume zu verfolgen genauer als frühere Methoden, die für die Gewährleistung gesunder Städte von entscheidender Bedeutung sind.
Um ihren Ansatz zu validieren, testeten die Forscher das System in Karachi, der größten Stadt Pakistans, in der mehrere Teammitglieder ansässig sind. Karachi erwies sich als idealer Testfall mit seiner Mischung aus dichten städtischen Gebieten und unterschiedlichen Vegetationsbedingungen.
Akzeptiert zur Veröffentlichung durch die ACM Journal über Computer und nachhaltige GesellschaftenDie Analyse des Teams enthüllte eine starke Umweltunterscheidung: In einigen Bereichen verfügen über baumbedingte Straßen, während viele Stadtteile fast überhaupt keine Vegetation haben.
Die Städte haben lange Zeit, ihre grünen Räume genau zu verfolgen, von Parks bis hin zu einzelnen Straßenbäumen, wobei die traditionelle Satellitenanalyse bis zu etwa 37% der städtischen Vegetation fehlte.
Da Städte dem Klimawandel und einer schnellen Urbanisierung ausgesetzt sind, insbesondere in Asien und Afrika, ist eine genaue Messung von entscheidender Bedeutung geworden. Grüne Räume können dazu beitragen, die städtischen Temperaturen zu reduzieren, die Luftverschmutzung zu filtern und wesentliche Räume für Bewegung und psychische Gesundheit bereitzustellen.
Diese Vorteile können jedoch ungleich verteilt sein. Gebiete mit niedrigem Einkommen fehlen oft Vegetation, was sie heißer und verschmutzter macht als von Bäumen gesäumte Viertel.
Das Forschungsteam entwickelte ihre Lösung durch die Verbesserung der KI -Segmentierungsarchitekturen wie Deeptlabv3+. Mit hochauflösenden Satellitenbildern aus Google Earth haben sie das System geschult, indem sie ihre Trainingsdaten erweiterten, um verschiedene Versionen der grünen Vegetation unter verschiedenen Beleuchtung und saisonalen Bedingungen aufzunehmen-ein Prozess, den sie als „grüne Augmentation“ bezeichnen. Diese Technik verbesserte die Genauigkeit der Vegetationserkennung um 13,4% im Vergleich zu bestehenden KI -Methoden – ein signifikanter Fortschritt auf diesem Gebiet.
Bei der Messung, wie oft das System die Vegetation korrekt identifiziert, erreichte es eine Genauigkeit von 89,4% mit einer Zuverlässigkeit von 90,6%, was wesentlich besser ist als herkömmliche Methoden, die nur 63,3% Genauigkeit mit 64,0% Zuverlässigkeit erreichen.
„Frühere Methoden stützten sich auf einfache Messungen der leichten Wellenlängen“, sagte Chunara, der als Direktor des NYU Center for Health Data Science fungiert und Mitglied des Visualisierungs- und Datenanalysezentrums von NYU Tandon (VIDA) ist. „Unser System lernt, subtilere Muster zu erkennen, die Bäume von Gras unterscheiden, selbst in herausfordernden städtischen Umgebungen. Diese Art von Daten ist für städtische Planer erforderlich .
Die Karachi -Analyse ergab, dass die Stadt durchschnittlich nur 4,17 Quadratmeter Grün pro Person beträgt, weniger als die Hälfte der (WHO) der Weltgesundheitsorganisation mindestens 9 Quadratmeter pro Kopf empfohlen. Die Ungleichheit in den Nachbarschaften ist dramatisch: Während einige abgelegene Gewerkschaftsräte – die pakistanische kleinste lokale Regierungsbehörde, insgesamt 173 in die Studie einbezogen wurden – über mehr als 80 Quadratmeter pro Person verfügen, haben fünf Gewerkschaftsräte weniger als 0,1 Quadratmeter pro Meter pro Person. Capita.
Die Studie ergab, dass Gebiete mit mehr asphaltierten Straßen – typischerweise ein Marker der wirtschaftlichen Entwicklung – tendenziell mehr Bäume und Gras haben. Noch wichtiger ist, dass in acht verschiedenen untersuchten Gewerkschaftsräten Gebiete mit mehr Vegetation deutlich niedrigere Oberflächentemperaturen zeigten, was die Rolle der grünen Räume in Kühlstädten zeigt.
Singapur bietet einen Kontrast und zeigt, was mit absichtlicher Planung möglich ist. Obwohl es eine ähnliche Bevölkerungsdichte wie Karachi hat, liefert es 9,9 Quadratmeter Grünfläche pro Person, was das WHO -Ziel überschreitet.
Die Forscher haben ihre Methodik öffentlich gemacht, obwohl sie auf andere Städte angewendet werden müsste, um das System auf lokalen Satellitenbildern umzuschicken.
Diese Studie trägt dazu bei, dass Chunaras Arbeiten zur Entwicklung von rechnerischen und statistischen Methoden, einschließlich Data -Mining und maschinellem Lernen, soziale Determinanten von Gesundheits- und Gesundheitsunterschieden verstehen. Frühere Studien umfassen die Verwendung von Social-Media-Posts, um systemischen Rassismus und Homophobie auf Nachbarschaftsebene zu kartieren und ihre psychischen Auswirkungen auf die psychische Gesundheit zu bewerten sowie elektronische Gesundheitsakten zu analysieren, um den Zugangsunterschieden in den telemedizinischen Zugang während Covid-19 zu verstehen.
Neben Chunara sind die Autoren der Papier Miao Zhang, Doktorandin in der Abteilung für Informatik und Ingenieurwesen und VIDA in NYU Tandon. und Hajra Arshad, Manzar Abbas, Hamzah Jeherzeb, Izza Tahir, Javerya Hassan und Zainab Samad vom Medizinischen Abteilung für Medizin der Aga Khan in Karachi. Samad hat auch eine Ernennung im Citrc Health Data Science Center der Aga Khan University.
Die Finanzierung der Studie wurde von der National Science Foundation und der National Institutes of Health bereitgestellt.
