Thay đổi đô thị bao gồm sự chuyển đổi về diện mạo vật lý và cấu trúc xã hội của các khu vực dân cư. Thế nhưng, mối quan hệ giữa các thành phần vật lý và xã hội trong thay đổi đô thị chưa được hiểu một cách kỹ lưỡng do sự thiếu thốn các thước đo đầy đủ về diện mạo khu dân cư. Ở bài nghiên cứu này, chúng tôi giới thiệu một phương pháp thị giác máy tính để định lượng thay đổi về diện mạo của khu phố và tạo ra một tệp dữ liệu về thay đổi về mặt vật lý tại năm đô thị lớn của Hoa Kỳ. Chúng tôi tổng hợp tệp dữ liệu này với các chỉ số xã hội kinh tế nhằm khám phá liệu thay đổi cư dân và kinh tế có đến trước, hay theo sau hay đồng thời với thay đổi về mặt diện mạo vật lý của đô thị. Chúng tôi nhận ra chỉ số cải thiện mạnh nhất của thay đổi vật lý là mật độ dân số và tỷ lệ người lớn có bằng đại học. Các đặc tính kinh tế xã hội khác như thu nhập trung bình, tỷ lệ nhà ở trống, tiền thuê nhà, không dự đoán được sự cải thiện trong diện mạo vật lý. Chúng tôi cũng nhận thấy rằng diện mạo đô thị hội tụ tại những đường biên của đô thị, củng cố lý thuyết “xâm lấn” của Burgess. Thêm nữa, diện mạo vật lý có xu hướng cải thiện tại khu dân cư gần với trung tâm kinh doanh. Cuối cùng, chúng tôi nhận thấy những củng cố khiêm tôn cho lý thuyết “chuyển hóa – tipping” và “thanh lọc- filtering” của thay đổi đô thị.
Các tác giả:
Nikhil Naik
Scott Duke Kominers
Ramesh Raskar
Edward L. Glaeser
César A. Hidalgo
>> Đọc thêm: Combo sách Đô thị nền tảng – Book Hunter Lyceum
4.3 Ba Thuyết Về Sự Thay Đổi Trong Khu Dân Cư Lân Cận
Giờ chúng tôi sẽ tiến hành kiểm thử ba thuyết phổ biến về sự thay đổi trong khu dân cư lân cận: thuyết xâm lấn, thuyết chuyển hóa và thuyết thanh lọc.
4.3.1 Thuyết Xâm lấn
Trước tiên chúng tôi kiểm tra mô hình thuyết xâm lấn của Burgess (1925). Phép thử tự nhiên cho thuyết xâm lấn là tiến hành hồi quy những thay đổi về đặc điểm của các khu dân cư lân cận giáp ranh, cũng như của khoảng cách để đi tới trung tâm thành phố. Chúng tôi bắt đầu bằng cách đối chứng khoảng cách tới Khu thương mại trung tâm (CBD) ở mỗi thành phố, với vị trí của các CBD dựa trên thuật mã hóa của Holian và Kahn (2012). Như trong Bảng 2, mỗi mục nhập ở Bảng 6 đại diện cho một hệ số ước tính trong một hồi quy độc lập.
Cột bên trái hiển thị kết quả cho tất cả các thành phố không có đối chứng nào. Trong trường hợp này, hệ số về cơ bản là 0. Cột tiếp theo bao gồm các biến số chỉ thị cấp độ đô thị, và hệ số ước tính rơi xuống một mức có ý nghĩa về mặt thống kê là -0.07. Sự chuyển đổi này phản ánh thực tế rằng New York có mức tăng lớn về chỉ số Streetscore, và khoảng cách trung bình đến CBD ở đó lớn hơn nhiều so với các thành phố nhỏ hơn như Baltimore hay Boston.
Điều này có nghĩa rằng khi khoảng cách đến CBD tăng thêm một dặm, mức tăng dự kiến trong chỉ số Streetscore sẽ giảm 0.07 điểm. Cột thứ ba cho thấy hệ số thay đổi ít nếu chúng tôi cũng tiến hành đối chứng về trình độ học vấn, mật độ và chỉ số Streetscore. Cột thứ tư cho thấy rằng hệ số trở nên âm hơn chút khi chúng tôi loại bỏ New York ra khỏi mẫu. (Chúng tôi loại bỏ New York vì thành phố này chiếm hơn 50% dữ liệu của chúng tôi, và điều quan trọng rằng cần đảm bảo cho kết quả không chỉ phản ánh dữ liệu của một thành phố lớn duy nhất).
Thuyết xâm chiến ban đầu giả định một quá trình mà theo đó các khu ổ chuột trong đô thị sẽ dần di chuyển thoát ra khỏi khu trung tâm để đến các vùng ngoại ô lân cận. Mô hình hiện tại là mô hình trong đó đô thị trung tâm chứng kiến những nâng cấp lớn đáng kể trong mức độ nhận thức về an toàn trên đường phố. Kết quả của chúng tôi tương tự như kết quả của Kolko (2010), khi cho rằng quá trình chỉnh trang đô thị có tương quan chặt chẽ với khoảng cách đến trung tâm thành phố (mặc dù đây có thể là đặc điểm của các thành phố ở các nước phát triển chứ không phải của mọi thành phố nói chung). Có thể diễn giải điều đó là do chúng ta hiện đang chứng kiến sự đảo ngược của quá trình đã được mô tả bởi Park và Burgess. Những khu trung tâm của đô thị, nơi luôn sở hữu một lợi thế rõ rệt – là nơi tập trung nhiều việc làm – đang trở lại với điều cơ bản đó.
Mặc dù dữ liệu không cho thấy sự phân rã bắt đầu từ trung tâm, tuy nhiên ý tưởng cốt lõi của thuyết xâm lấn – rằng các khu dân cư lân cận mở rộng tràn lan vào nhau – đã được chứng minh bởi tập dữ liệu. Hàng tiếp theo của Bảng 6 chạy hồi quy hệ số UCC trên chỉ số Streetscore trung bình ở các khu vực xung quanh. Hệ số khi thiếu các chỉ số cấp độ đô thị là 0.14, nhưng trong cả ba thông số khác, hệ số này trong khoảng 0.09. Đáng chú ý, hệ số điểm của khu dân cư lân cận cao hơn gấp đôi tác động mà hệ số đó đem lại, có nghĩa rằng gần 1/10 sự chênh lệch về chỉ số Streetscore giữa một khu dân cư và các khu vực lân cận quanh đó bị loại bỏ trong khoảng thời gian bảy năm. Vì hầu hết các tác động trong khoảng thời gian lấy mẫu là dương, hồi quy nên được hiểu là tốc độ tăng trưởng nhanh hơn ở những nơi có khu vực lân cận hấp dẫn hơn. Thuyết xâm lấn đã dự đoán chính xác sự hội tụ mạnh mẽ này.
Hàng thứ ba của Bảng 6 xem xét các tác động của mật độ liền kề. Vì mật độ liền kề có tương quan cao với chỉ số Streetscore nên không ngạc nhiên khi thấy rằng ở đây cũng có mối tương quan chặt chẽ, dù đó là sự liên kết không mạnh như với các chỉ Streetscore khác. Hàng thứ tư xem xét giá nhà trung bình ở các khu vực liền kề. Trong trường hợp này, mối tương quan có ý nghĩa về mặt thống kê khi thiếu đi các đối chứng, nhưng điều đó chứng tỏ nó không đủ mạnh để tiến hành đối chứng các thuộc tính ban đầu của khu vực.
Cuối cùng, hàng thứ năm xem xét tỷ lệ trung bình của dân số có trình độ đại học ở các khu vực liền kề. Mối liên hệ là thuận và chặt chẽ. Khi tỷ lệ tăng 20% thì chỉ số Streetscore cũng tăng 0.12 điểm. Điều này một lần nữa chứng thực kết quả của Kolko (2010), người đã phát hiện ra rằng quá trình chỉnh trang đô thị xảy ra nhanh hơn ở những khu vực có hàng xóm có trình độ học vấn cao hơn. Những kết quả này chỉ ra một quá trình hội tụ của khu dân cư lân cận, và theo một nghĩa nào đó chính là trọng tâm của thuyết xâm lấn.
4.3.2 Thuyết Chuyển Hóa
Trong những mô hình chuyển hóa, các khu dân cư lân cận có thể rơi vào vòng xoáy đi xuống hoặc leo lên bậc thang phát triển. Trong các phiên bản vực đoan của mô hình, có duy nhất một ngưỡng mà ở dưới đó thì khu dân cư hướng xuống, còn ở trên đó thì khu dân cư hướng lên.
Để kiểm tra thuyết chuyển hóa, chúng tôi xem xét mối liên hệ giữa chỉ số Streetscore năm 2007 và sự thay đổi của chỉ số Streetscore từ năm 2007 đến năm 2014. Thử nghiệm đầu tiên của chúng tôi chỉ đơn giản là chạy hồi quy sự thay đổi về chỉ số Streetscore giữa hai năm 2007 và 2014 trên mức độ Streetscore ban đầu. Nếu thuyết chuyển hóa là đúng thì hệ số này phải là số dương. Chúng tôi chạy hồi quy này với các biến số chỉ thị ở đô thị, từ đó có được 2514 hình ảnh quan sát. Chúng tôi ước tính:
Hệ số của Streetscore năm 2007 chắc chắn là dương. Đối với mỗi điểm cộng thêm của chỉ số Streetscore trong năm 2007, mức tăng trưởng của Streetscore cao hơn 0.04 điểm trong bảy năm tiếp theo. Tuy nhiên, vẫn chưa rõ liệu điều này thể hiện sự chuyến hóa hay một mô hình trong đó các khu vực an toàn hơn về mặt trực quan đang được nâng cấp sớm hơn và mau chóng hơn.
Để có được một mô hình chuyển hóa, chúng tôi trình bày dữ liệu một cách trực quan trong Hình 3. Chúng tôi nhóm dữ liệu thành mười sáu nhóm dựa trên giá trị ban đầu của chỉ số Streetscore. Chúng tôi nhận định mức tăng Streetscore trung bình trong mỗi nhóm và vẽ biểu đồ kết quả. Mô hình cho thấy mối quan hệ thuận được thể hiện trong hồi quy dù có tính chất lõm đáng kể. Nếu một khu dân cư bắt đầu với điểm số đủ cao, nó có ít khả năng tăng lên. Tuy nhiên, trong khi dường như tồn tại một vòng xoáy đi lên thì có rất ít bằng chứng về một vòng xoáy đi xuống, do mức tăng trưởng trung bình vẫn là dương đối với các khu dân cư lân cận có điểm số ban đầu thấp nhất.
Chúng tôi ngờ rằng xu hướng không đi xuống chỉ mang tính thời điểm đối với khoảng thời gian đang được xem xét. Bất chấp cuộc Đại suy thoái, 2007-2014 là quãng thời gian tương đối phát triển với nhiều thành phố phía đông của nước Mỹ, điều này có thể giải thích tại sao chúng ta không thấy sự sụt giảm ngay cả đối với những khu dân cư lân cận kém hấp dẫn. Tuy nhiên, dữ liệu dường như ủng hộ cho mô hình được dự đoán bởi thuyết chuyển hóa, trong đó cho rằng tăng trưởng đi lên nhanh hơn ở những khu vực ban đầu có điều kiện sống tốt hơn.
4.3.3 Thuyết Thanh Lọc
Cuối cùng, chúng tôi xem xét về thuyết thanh lọc, giả thuyết này đề cập đến tuổi thọ của khu nhà ở: mọi khu vực sẽ giảm dần chất lượng cho đến khi chúng được nâng cấp. Để kiểm thử giả thuyết rằng tuổi thọ của khu nhà ở định hình sự thay đổi về cảnh quan đường phố, chúng tôi tiến hành hồi quy chỉ số Streetscore và các thay đổi trong chỉ số Streetscore trên tỷ lệ các khu nhà ở (tính đến năm 2000) được xây dựng trong các thập kỷ khác nhau. Tập dữ liệu từ đó phân nhóm các tòa nhà được xây dựng trước năm 1939.
Hồi quy đầu tiên trong Bảng 7 cho ra kết quả của chỉ số Streetscore năm 2007 với các biến số chỉ thị cấp độ đô thị. Hồi quy thứ hai thể hiện kết quả của năm 2014. Hệ số trên tỷ lệ khu nhà ở được xây dựng trong khoảng thời gian 1990-2000 là dương trong cả hai hồi quy. Các hệ số trên tỷ lệ khu nhà ở được xây dựng trong những năm 1980 cũng dương dù không rõ rệt bằng. Thuyết thanh lọc cho thấy rằng các khu vực được xây dựng gần đây hơn được coi là hấp dẫn hơn.
Tỷ lệ các khu nhà ở từ những năm 1970 có hệ số trung lập, nhưng tỷ lệ đó từ những năm 1940, 1950 và 1960 về cơ bản có mối liên hệ nghịch với chỉ số Streetscore. Hệ số từ những năm 1950 có phần âm hơn hệ số từ những năm 1960, nhưng hệ số từ những năm 1940 ít âm hơn một chút so với hệ số từ những năm 1950.
Tuy nhiên sau đó hệ số từ những năm 1940 dương trở lại. Các tòa nhà sờn cũ sau chiến tranh dường như ảnh hưởng nghịch đến mức độ nhận thức về an toàn, trong khi đó các tòa nhà trước chiến tranh tạo ảnh hưởng thuận. Một lý giải hợp lý cho sự chuyển đổi này – như được đưa ra bởi thuyết thanh lọc – là các khu nhà ở sau chiến tranh thường đủ “mới” để không bị phá dỡ. Các khu nhà được xây trước chiến tranh đã đủ lâu đời để bị phá dỡ, trừ khi các khu nhà đó vẫn có giá trị về mặt thẩm mỹ. Nếu đây là lời giải thích đúng thì việc cải tạo sẽ diễn ra sao cho các khu nhà cũ còn chưa bị phá dỡ là những khu nhà vẫn đủ chất lượng để sinh sống.
Hồi quy thứ ba trong Bảng 7 xem xét những thay đổi trong chỉ số Streetscore. Ở đây chúng ta thấy một hệ số khá dương cho các tòa nhà mới được xây dựng gần đây, và một hệ số âm cho các tòa nhà cũ được xây dựng sau chiến tranh. Điều này cũng phù hợp với nhận định cho rằng các tòa nhà lâu đời đang trong quá trình phân rã. Hệ số dương của các tòa nhà được xây dựng trước chiến tranh cũng có thể được diễn giải rằng một số tòa nhà trong số này đã ở giai đoạn cần được “tái sinh” bằng các tòa nhà mới hoặc cần được nâng cấp sửa sang.
Hồi quy thứ tư đối chứng các mức ban đầu của chỉ số Streetscore, tỷ lệ dân số có bằng đại học và mật độ. Các kết quả trở nên thiếu thuyết phục hơn, tuy vậy hệ số tỷ lệ các khu nhà ở được xây dựng trong những năm 1980 vẫn dương và có ý nghĩa về mặt thống kê, đồng thời hệ số tỷ lệ các khu nhà ở được xây dựng trong những năm 1940 vẫn âm và cũng có ý nghĩa thống kê. Những kết quả này một lần nữa củng cố ý tưởng của thuyết thanh lọc rằng các khu dân cư lâu đời đang dần bị phân rã.
- Kết Luận
Chúng tôi đã sử dụng một thước đo mới mang tên Streetscore để đánh giá mối liên kết giữa đô thị vật lý và đô thị xã hội. Trước tiên chúng tôi tiến hành kiểm thử các đặc tính xã hội của một khu dân cư lân cận, bao gồm: thu nhập, trình độ học vấn, yếu tố chủng tộc, cùng các dự báo về thay đổi trong mức độ nhận thức về an toàn. Các kết quả chúng tôi nhận được là hỗn tạp. Trình độ học vấn và mật độ dân số đưa ra dự báo mạnh mẽ về những thay đổi trong môi trường vật chất, nhưng các biến khác lại cho thấy ít sự tương quan hơn. Sau đó chúng tôi kiểm thử xem liệu môi trường vật chất có dự đoán được những thay đổi về đặc điểm của cư dân sống tại khu vực không, từ đó chúng tôi tìm được mối liên kết chặt chẽ giữa những thay đổi trong đặc tính của cộng đồng với diện mạo thực tế của cộng đồng đó (dù rằng chúng tôi có vài băn khoăn về dữ liệu ACS). Cả hai yếu tố là thu nhập và mật độ dân số tăng đáng kể ở những nơi ban đầu được nhìn nhận là an toàn. Cuối cùng, chúng tôi ghi nhận sự tương quan về những thay đổi trong đô thị vật lý và đô thị xã hội.
Chúng tôi cũng tiến hành kiểm thử và tìm được bằng chứng để củng cố cho ba giả thuyết lâu đời về sự thay đổi của khu dân cư. Chúng tôi kiểm thử thuyết xâm lấn bằng cách xác nhận chính xác rằng các yếu tố như khoảng cách di chuyển tới khu trung tâm thành phố, hay các thuộc tính của khu dân cư, có khả năng dự đoán được những thay đổi trong môi trường vật chất. Chúng tôi nhận thấy sự gia tăng về mức độ nhận thức về an toàn trong khu dân cư lân cận sẽ lớn hơn ở những khu vực ban đầu được coi là an toàn hơn. Kết quả này củng cố cho thuyết chuyển hóa, mặc dù chúng tôi tìm thấy rất ít bằng chứng về sự phân rã nhanh chóng ở những khu vực có chỉ số Streetscore ban đầu thấp. Chúng tôi cũng đã kiểm thử thuyết thanh lọc và nhận thấy rằng yếu tố tuổi thọ của khu nhà ở có liên quan đến không chỉ mức độ nhận thức về an toàn mà còn liên quan đến những thay đổi trong mức độ nhận thức về an toàn.
Chúng tôi thấy rằng những phát hiện của chúng tôi đặt ra lượng câu hỏi cũng nhiều như số câu trả lời mà chúng tôi đã tìm được. Có tồn tại mối tương quan giữa mật độ dân số và mức độ nhận thức về an toàn không? Mối tương quan giữa môi trường vật chất và xã hội có phản ánh sự di cư hoặc thay đổi đối với những cư dân đang sinh sống lâu dài tại đó không? Chúng tôi hy vọng rằng các nghiên cứu trong tương lai có thể giải quyết những câu hỏi này và có thể tiếp tục khám phá các mối liên hệ giữa đô thị vật lý và người dân sống ở đó.
Tài Liệu Bổ Sung
Phương Pháp Xử Lý Dữ Liệu
Ở đây chúng tôi mô tả phương pháp tính Hệ số thay đổi trong đô thị (UCC) từ một cặp hình ảnh Chế độ xem phố (Google Street View) của cùng một vị trí từ năm 2007 (hình ảnh “trước”) và năm 2014 (hình ảnh “sau”). Quá trình này bao gồm hai bước chính: (1) Loại bỏ các hình ảnh không phù hợp và (2) Các dự báo của Streetscore. Dưới đây là mô tả về các bước này.
Bước 1 – Loại Bỏ Các Hình Ảnh Không Phù Hợp
Trước tiên chúng tôi loại bỏ những hình ảnh bị phơi sáng quá mức. Thông thường, những hình ảnh này là kết quả của việc mặt trời chiếu trực tiếp vào máy ảnh. Để xác định các điểm ảnh bị phơi sáng quá mức, chúng tôi chuyển đổi hình ảnh vào không gian màu CIELAB, trong đó L thể hiện độ đậm nhạt còn các kênh a, b thể hiện màu sắc. Các kênh màu được kết hợp dưới dạng C = (a, b)T. Chúng tôi tính toán bản đồ M bị phơi sáng quá mức để cho ra giá trị từ 0 đến 1 (Guo và cộng sự, 2010). Tại điểm ảnh i,
trong đó δ, LT và CT lần lượt là các hằng số có giá trị 1/60, 80 và 40. Chúng tôi thu được Msky trung bình của Mi trên tất cả các điểm ảnh thuộc nhóm hình học “bầu trời” như được dự đoán bởi thuật toán Bố cục hình học (Hoiem và cộng sự, 2008). Chúng tôi loại bỏ cặp hình ảnh nếu ít nhất một trong số các hình ảnh đáp ứng Misky > 0.85, đồng nghĩa rằng độ phơi sáng khi đó là quá mức.
Thứ hai, chúng tôi loại bỏ các hình ảnh bị mất nét hoặc bị mờ. Để nhận diện những hình ảnh bị mờ, chúng tôi tính toán chỉ số ACMO (Absolute Central Moment) của mỗi ảnh. ACMO là một thước đo thống kê cho phép tối ưu hóa đồng thời cả tiêu điểm và độ phơi sáng (Shirvaikar, 2004). Nếu giá trị chuẩn hóa của ACMO nhỏ hơn 0.2, chúng tôi đánh giá hình ảnh bị mờ. Chúng tôi loại bỏ tất cả các cặp hình ảnh trong đó ít nhất một ảnh bị mờ.
Sau cùng, chúng tôi loại bỏ những cặp hình ảnh nào mà số điểm ảnh trong hình bị chi phối bởi nhóm “cây cối” (Hoiem và cộng sự, 2008) thay đổi hơn 10% giữa các hình ảnh “trước” hoặc “sau”. Chúng tôi nhận thấy đây là một cách hiệu quả để loại bỏ các cặp hình ảnh trong đó một hình có chứa hình ảnh cây cối che khuất các tòa nhà, còn hình kia thì không.
Bước 2 – Các Dự Báo Của Streetscore
Sau khi loại bỏ các hình ảnh không phù hợp để phát hiện sự thay đổi trong đô thị, chúng tôi tiến hành dự đoán chỉ số Streetscore của những hình còn lại bằng cách sử dụng thuật toán hồi quy, là thuật toán được tích hợp từ các tính năng của công nghệ thị giác máy tính, và từ các nghiên cứu của Salesses và cộng sự (2013) đã tổng hợp từ cộng đồng.
Salesses và cộng sự (2013) đã thực hiện một nghiên cứu trực tuyến, trong đó những người tham gia được cho xem hình ảnh các cảnh quan đường phố được chọn ngẫu nhiên từ New York, Boston, Linz và Salzburg. Những người tham gia được yêu cầu chọn một trong hai hình để trả lời cho các câu hỏi: “Nơi nào trông an toàn hơn?”, “Nơi nào trông thượng lưu hơn?” và “Nơi nào trông độc đáo?”. Trong nghiên cứu này, 7.872 người tham gia độc lập từ 91 quốc gia đã xếp hạng 4.109 hình ảnh bằng cách sử dụng 208.738 cặp so sánh (hay các “nhấp chuột”). Theo Naik và cộng sự (2014), chúng tôi chuyển đổi các cặp so sánh thành các điểm số bằng cách sử dụng thuật toán Trueskill của Microsoft (Herbrich và cộng sự, 2006), là một thuật toán xếp hạng áp dụng định lý Bayes. Chúng tôi biểu thị điểm số Trueskill cho câu hỏi “Nơi nào trông an toàn hơn?” như chỉ số Streetscore. Các hình ảnh và chỉ số Streetscore tạo thành bộ dữ liệu nhằm dự đoán nhận thức của con người đối với các hình ảnh mới bằng cách áp dụng công nghệ máy học. Trong bài này chúng tôi chỉ sử dụng hình ảnh từ New York và Boston để nghiên cứu vì chúng tôi quan tâm đến việc dự đoán nhận thức của con người về các thành phố ở Mỹ.
Để dự đoán chỉ số Streetscore, chúng tôi bắt đầu với phiên bản chỉnh sửa của thuật toán Bố cục hình học (Hoiem và cộng sự, 2008) để gán các nhãn ngữ nghĩa theo điểm ảnh. Chúng tôi gán điểm ảnh cho bốn nhóm hình học: “Mặt đất”, “Tòa nhà”, “Cây cối” và “Bầu trời”. Tiếp theo, chúng tôi trích xuất một cách độc lập hai đặc điểm hình ảnh khác nhau cho các điểm ảnh của bốn nhóm hình học này. Đầu tiên, chúng tôi sử dụng Textons (Malik và cộng sự, 2001) để tạo một thư mục hữu hạn về các cấu trúc vi mô có trong mỗi nhóm hình học và mã hóa kết cấu của các vật thể như bờ tường hay cây cối. Chúng tôi tạo ra một thư mục Texton bằng cách lọc các hình ảnh bằng bộ lọc Gaussian và nhóm các câu trả lời của chúng lại với nhau. Các cụm đại diện cho một “từ” trong thư mục Texton, và mỗi điểm ảnh được gán cho cụm trung tâm gần nhất để tạo ra một bản đồ Texton. Thứ hai, chúng tôi sử dụng bộ mô tả tính năng GIST được phát triển bởi Oliva và Torralba (2001) trên mỗi nhóm hình học. GIST là một tính năng xử lý hình ảnh toàn cục giúp tạo ra một phiên bản đại diện với độ phân giải thấp về các đặc điểm bố cục không gian của một khung cảnh.
Sau khi trích xuất vật thể xong, chúng tôi sử dụng v-Vectơ hỗ trợ hồi quy (ν-SVR) (Scholkopf và cộng sự, 2000) để dự đoán chỉ số Streetscore của các hình ảnh. Cho một tập hình ảnh với các vectơ đặc trưng x và chỉ số Streetscore q ∈ R, ν-SVR với một hạt nhân tuyến tính tạo ra một vectơ trọng lượng w và một phần thiên lệch b dưới một loạt các ràng buộc. Hai biến (w, b) được sử dụng để dự đoán chỉ số Streetscore cho một hình ảnh mới với vectơ đặc trưng x’ bằng cách tính toán q’ = w · x’ + b. Chúng tôi đo lường độ chính xác của công cụ dự đoán của mình bằng Hệ số xác định (R2). Chúng tôi thu được R2 = 57% qua năm lần thực hiện xác nhận chéo trên tập dữ liệu.
Có được công cụ dự đoán chỉ số Streetscore, chúng tôi chuyển sang nhiệm vụ đo lường sự thay đổi trong đô thị từ các cặp hình ảnh. Hãy nhớ rằng công cụ dự đoán của chúng tôi là một vectơ trọng lượng sử dụng các tính năng hình ảnh thuộc bốn nhóm hình học: mặt đất, tòa nhà, cây cối và bầu trời. Do đó, chúng tôi có thể tính toán tỷ lệ đóng góp của từng nhóm hình học vào chỉ số Streetscore của mỗi hình. Chúng tôi quyết định loại bỏ các nhóm “cây cối” và “bầu trời” vì số điểm của hai nhóm này phụ thuộc vào yếu tố mùa vụ và thời tiết tại thời điểm chụp ảnh. Lưu ý rằng nhóm “cây cối” chỉ chứa hình ảnh những cây lớn (chứ không phải ảnh cảnh quan), nên điều này cho phép chúng tôi tính đến những thay đổi trong môi trường được xây dựng từ nhóm “mặt đất”.
Khi chúng tôi tính toán xong chỉ số Streetscore cho mỗi hình ảnh theo các giai đoạn “trước” và “sau”, chúng tôi tính toán sự chênh lệch về chỉ số Streetscore của cả hai hình để thu được điểm số thể hiện sự thay đổi trong đô thị. Chúng tôi gọi điểm số này là “Hệ số thay đổi trong đô thị” (UCC).
Người dịch: Thảo Minh
