Acompanhando as Mudanças nas Moradias com Imagens de Rua

As cidades ao redor do mundo tão enfrentando um baita problema com a falta de moradia acessível. Essa parada afeta a saúde da galera e a capacidade de subir na vida. Também impacta como a economia funciona. As Nações Unidas ressaltaram a importância de todo mundo ter uma casa decente e em conta como parte dos seus objetivos globais. Os governos das cidades tão tentando criar mais opções de moradia acessível, mas acompanhar o progresso tem sido complicado.

#O Desafio

Um dos motivos que torna difícil acompanhar o progresso das moradias é que os dados sobre habitação tão espalhados em várias fontes diferentes. O censo fornece as informações mais completas, mas é feito só a cada dez anos na maioria dos lugares. Enquanto as pesquisas locais oferecem atualizações mais frequentes, elas não têm detalhes suficientes porque amostragem muito poucas casas. Os governos locais têm alguns dados, mas juntar tudo isso em uma única fonte é complicado e exige cooperação.

Os dados de novas construções normalmente só refletem as casas novas que tão sendo construídas e perdem outras mudanças importantes, como demolições ou reformas em casas existentes. Isso significa que pesquisadores e planejadores urbanos muitas vezes não têm as informações que precisam pra acompanhar as mudanças na habitação de forma eficaz.

#A Solução: Usando Imagens

Avanços recentes na tecnologia abriram novas formas de coletar dados sobre as cidades. Especificamente, imagens em nível de rua capturadas por câmeras instaladas em carros se tornaram um recurso rico pra entender os Ambientes Urbanos. Essas imagens mostram os bairros como a galera vive no dia a dia e podem ser usadas pra notar mudanças ao longo do tempo, especialmente quando combinadas com novos programas de computador.

Tradicionalmente, os estudos dependiam de métodos supervisionados que precisam de rótulos de dados bem definidos, que muitas vezes não tão disponíveis. Esse estudo explora um método diferente chamado Aprendizado Auto-Supervisionado. Essa abordagem permite que o programa aprenda pelas imagens em si, sem precisar de rótulos manuais, tornando tudo mais flexível e poderoso.

#Métodos de Pesquisa

Pra esse estudo, coletamos 15,3 milhões de imagens em nível de rua de Londres tiradas entre 2008 e 2021. Nosso método, que chamamos de Street2Vec, adapta uma técnica chamada Barlow Twins pra nossa análise. Esse método ajuda a focar nas mudanças na estrutura urbana enquanto ignora fatores irrelevantes como sazonalidade ou mudanças no número de carros.

Treinamos o modelo pra identificar mudanças no ambiente urbano comparando imagens de diferentes anos. Esse processo de treinamento permitiu que o Street2Vec reconhecesse vários graus de mudança nos bairros, desde mudanças pequenas como nova pintura em um prédio até desenvolvimentos grandes como novos projetos habitacionais.

#Como Funciona a Detecção de Mudanças

Pra acompanhar as mudanças em Londres, olhamos imagens de dois anos chave: 2008 e 2018. Comparando imagens dos mesmos lugares capturadas em anos diferentes, calculamos uma medida de mudança com base em quão semelhantes ou diferentes as imagens eram. Se as imagens eram bem diferentes, isso indicava que algumas mudanças tinham rolado na área.

Testamos essa detecção de mudanças focando em áreas específicas identificadas pelo Prefeito de Londres como com potencial pra novos desenvolvimentos, chamadas de Áreas de Oportunidade. Esperávamos encontrar mudanças mais significativas nessas áreas em comparação com outras.

#Descobertas sobre Mudanças Habitacionais

Nossa análise revelou que nosso método foi eficaz em identificar mudanças habitacionais no nível do bairro. Descobrimos que as Áreas de Oportunidade tinham níveis de mudança significativamente mais altos em comparação com outras partes de Londres. Isso significa que os esforços feitos pelos governos locais pra incentivar o desenvolvimento nessas áreas foram, em grande parte, bem-sucedidos.

Também exploramos mudanças pequenas no ambiente construído, como a reforma de casas existentes. Embora essas mudanças possam não ter sinais visuais fortes em comparação com novas construções, elas ainda são essenciais pra serem acompanhadas. Nosso método provou ser capaz de detectar essas mudanças sutis, que muitas vezes podem levar a impactos significativos na comunidade.

#Análise Detalhada das Mudanças

Olhamos mais de perto como nosso método identificou tanto mudanças sutis quanto grandes. Imagens que mostravam atualizações menores, como novos letreiros de lojas ou reformas, foram corretamente detectadas como tendo algum grau de mudança. Por outro lado, desenvolvimentos grandes, como novos prédios, também se destacaram claramente.

Através de exemplos visuais, ilustramos como o modelo entendeu cada nível de mudança. Por exemplo, pares de imagens com pouca diferença na estrutura urbana receberam notas baixas, enquanto aquelas com reformas evidentes ou novas construções pontuaram mais alto. Essa capacidade do modelo de distinguir entre diferentes níveis de mudança é crucial pros planejadores urbanos.

#Análise dos Bairros

Exploramos ainda mais como as mudanças identificadas estavam distribuídas por Londres. Mapeando os bairros, encontramos aglomerados de mudanças semelhantes. Padrões claros emergiram, como áreas no centro da cidade mostrando mudanças mais fortes em comparação com os subúrbios.

Nosso estudo também destacou a importância de entender como as mudanças podem variar entre diferentes bairros. Algumas áreas, especialmente aquelas com novas infraestruturas como linhas de metrô, viram um desenvolvimento significativo, enquanto outras regiões ficaram pra trás. Essa informação é essencial pros governos locais, pois permite que eles avaliem onde as intervenções são necessárias.

#Limitações e Direções Futuras

Embora nosso método tenha mostrado grande potencial, também reconhecemos algumas limitações. Nem toda mudança é visível em imagens de rua. Atualizações focadas em eficiência energética ou mudanças internas podem não ser capturadas. Por isso, seria bom que estudos futuros combinassem nosso rastreamento baseado em imagens com outras fontes de dados.

Houveram também desafios relacionados a condições climáticas incomuns ou anomalias nas imagens que poderiam impactar os resultados. Superar esses fatores será importante pra refinar nossos métodos e melhorar a precisão.

Enquanto seguimos em frente, vai ser útil testar como nossas representações aprendidas podem ser aplicadas a outras tarefas críticas pra planejadores urbanos. Essas tarefas podem incluir acompanhar a acessibilidade da habitação ou avaliar a necessidade de resiliência climática.

#Conclusão

Nosso estudo abriu caminho pra um novo método de avaliar mudanças urbanas usando imagens em nível de rua através do aprendizado auto-supervisionado. Essa abordagem fornece um caminho claro pras cidades monitorarem seus desenvolvimentos habitacionais sem precisar de dados rotulados exaustivos e muitas vezes indisponíveis.

Ao usar o Street2Vec, os governos das cidades podem obter insights valiosos pra informar suas políticas de habitação e estratégias de desenvolvimento, levando, em última análise, a ambientes urbanos mais habitáveis e justos. O potencial desse método pra criar um conjunto de dados global poderia ajudar significativamente os esforços pra alcançar metas de habitação acessível universal.

Com isso em mente, é crucial que as cidades explorem fontes de dados inovadoras e busquem parcerias que permitam melhor acesso a imagens em nível de rua. As informações capturadas através do nosso método podem informar melhor os esforços de planejamento urbano e apoiar uma tomada de decisão mais embasada pra melhorias nas comunidades.

Através de pesquisa contínua, nossa meta é avançar esse trabalho, garantindo que as cidades possam se adaptar aos desafios que enfrentam e criar espaços de vida vibrantes e acessíveis pra todos os residentes.