Um novo modelo de computador de mapeamento profundo pode detectar mudanças visuais em propriedades individuais, permitindo que os pesquisadores rastreiem mais rapidamente a gentrificação em bairros e cidades, de acordo com um estudo publicado em 13 de março, 2019 no jornal de acesso aberto PLOS ONE por Lazar Ilic, Michael Sawada, e Amaury Zarzelli da Universidade de Ottawa, Canadá.

A gentrificação foi observada em muitas cidades ocidentais com efeitos abrangentes. Estudos anteriores procuraram usar dados do censo para identificar e analisar a gentrificação, mas sua resolução é limitada no espaço e no tempo, e cria divisões artificiais nos limites do censo. Os autores afirmam que o presente estudo é o primeiro a usar a aparência de propriedades individuais - a menor unidade espacial sobre a qual um processo de gentrificação pode atuar - para indicar uma possível gentrificação.

Os autores acessaram os panoramas de 360 ​​graus do Google Street View (GSV) de cada propriedade no centro urbano de Ottawa, Canadá, e regiões adjacentes, para cada ano de 2007-2016. Eles treinaram um modelo de computador de mapeamento profundo para processar esses dados GSV, procurando por mudanças visuais nas propriedades ao longo do tempo que possam indicar gentrificação:melhorias como novas cercas, repintura ou substituição de janela. Após o treinamento, o modelo alcançou 95% de precisão na detecção de indicadores de gentrificação em comparação com um investigador humano.

Para o bairro Greenbelt, o modelo detectou 3483 ocorrências de indicadores de gentrificação em 2922 locais únicos. O mapa de densidade de gentrificação gerado se alinha muito de perto a um mapa que mostra onde as licenças de desenvolvimento / construção foram concedidas.

O modelo depende de um conjunto de dados fotográficos que é mantido e atualizado ao longo do tempo, como os mapas GSV usados ​​aqui. Mudanças nas maneiras como esses conjuntos de dados fotográficos são coletados podem reduzir a precisão do modelo. Contudo, os autores observam que seu modelo de mapeamento profundo pode ser facilmente recriado em locais com conjuntos de dados semelhantes disponíveis:um investimento de tempo relativamente modesto pode agora produzir mapas altamente resolvidos espacialmente e temporalmente do processo de gentrificação.

Os autores acrescentam:"A Gentrificação está remodelando nossas cidades, mas ao mesmo tempo é difícil determinar onde e com que rapidez os fenômenos ocorrem em grandes centros urbanos dinâmicos. Usamos uma IA de aprendizagem profunda para vasculhar centenas de milhares de imagens do Google Street View de Edifícios de Ottawa para sinalizar onde e quando melhorias visuais como a gentrificação ocorreram nas propriedades e, pela primeira vez, forneceu os mapas mais detalhados da evolução espacial da gentrificação ao longo do tempo em uma grande cidade. Esses mapas têm implicações diretas para o planejamento, justiça social e enfrentamento da desigualdade neste grande centro urbano. "