Theo dự báo của Liên hợp quốc, hơn 2/3 dân số trên thế giới sẽ sống tại các đô thị vào năm 2050. Trong bối cảnh đô thị hóa tăng tốc trên toàn cầu, vai trò của chất lượng môi trường vật chất đô thị đối với sự phát triển thịnh vượng của con người và các sáng kiến phát triển bền vững ngày càng trở nên quan trọng.
Tuy nhiên, việc đo lường và theo dõi chất lượng môi trường đô thị, sự phát triển đô thị và sự chênh lệch về không gian đô thị gặp nhiều khó khăn do thiếu dữ liệu thực tế.
Để giải quyết vấn đề này, các nhà nghiên cứu tại Đại học Notre Dame và Đại học Stanford đã sử dụng máy học để đo lường tình trạng suy thoái đô thị ở mức độ chi tiết về mặt không gian theo thời gian. Kết quả nghiên cứu đã được công bố trên tạp chí Scientific Reports.
Yong Suk Lee, Phó Giáo sư về công nghệ, kinh tế và các vấn đề toàn cầu và là đồng tác giả nghiên cứu cho rằng: “Khi thế giới đô thị hóa, các nhà quy hoạch đô thị và nhà hoạch định chính sách cần đảm bảo rằng thiết kế và chính sách đô thị giải quyết thỏa đáng các vấn đề quan trọng như cải thiện cơ sở hạ tầng và giao thông, nghèo đói, sức khỏe và an toàn của người dân đô thị, cũng như tình trạng bất bình đẳng ngày càng tăng trong và giữa các thành phố. Thông qua sử dụng máy học để nhận diện mô hình phát triển khu dân cư và bất bình đẳng đô thị, chúng tôi có thể giúp các nhà quy hoạch đô thị và nhà hoạch định chính sách hiểu rõ hơn về sự suy thoái không gian đô thị cũng như tầm quan trọng của nó đối với quy hoạch tương lai”.
Trước đây, để đo lường chất lượng đô thị và chất lượng cuộc sống trong không gian đô thị, các chuyên gia sử dụng các đặc điểm kinh tế và nhân khẩu học như tỷ lệ tội phạm và mức thu nhập, dữ liệu khảo sát về nhận thức của người dân đô thị hoặc bộ dữ liệu hình ảnh mô tả không gian đô thị.
Trong nghiên cứu mới, các nhà khoa học đã sử dụng mô hình YOLOv5 (một dạng trí tuệ nhân tạo có thể phát hiện vật thể) để xác định 8 lớp đối tượng báo hiệu sự suy thoái đô thị hoặc góp phần tạo nên một không gian đô thị không được đẹp mắt như ổ gà, hình graffiti, rác thải, lều trại, rào chắn hoặc cửa sổ bị vỡ, mặt tiền bị bạc màu hoặc đổ nát, cỏ dại và các dấu hiệu khác.
Các nhà nghiên cứu đã lựa chọn ba thành phố: San Francisco, Mexico City và South Bend, Indiana dựa vào các yếu tố bao gồm sự đa dạng của đô thị, các giai đoạn suy thoái đô thị và mức độ quen thuộc của các tác giả với các thành phố này.
Thông qua sử dụng dữ liệu so sánh, nhóm nghiên cứu đã đánh giá phương pháp trong ba bối cảnh: tình trạng vô gia cư tại quận Tenderloin ở San Francisco từ năm 2009 đến năm 2021, một tập hợp các dự án nhà ở quy mô nhỏ được triển khai từ năm 2017 đến năm 2019 tại các khu dân cư ở Mexico City và khu vực phía Tây. Các khu dân cư của South Bend giai đoạn 2011 – 2019, trong đó, một phần của đô thị này đã bị suy thoái trong nhiều thập kỷ qua nhưng sau đó đã có sự phục hồi nhất định.
Kết quả thử nghiệm cho thấy mô hình YOLOv5 phát hiện đầy đủ các vật thể cần tìm kiếm trong các thành phố và vùng lân cận, đồng thời hoạt động đặc biệt hiệu quả ở những nơi có mật độ dân cư đông đúc hơn như San Francisco. Ví dụ, các bản đồ cho phép đánh giá sự thay đổi theo thời gian và địa lý về tình trạng vô gia cư ở khu vực San Francisco, vấn đề đã gia tăng qua nhiều năm.
Tuy nhiên, mô hình này gặp khó khăn ở khu vực ngoại ô của South Bend, nên cần điều chỉnh mô hình và các loại đối tượng được xác định trong các khu vực dân cư thưa thớt. Ngoài ra, cần xử lý nguy cơ sai lệch.
PGS. Lee cho rằng mô hình này có tiềm năng cung cấp thông tin giá trị dựa vào dữ liệu được thu thập theo cách hiệu quả hơn so với nguồn dữ liệu kinh tế truyền thống, khô khan và nó có thể trở thành công cụ kịp thời và hữu ích cho chính phủ, các tổ chức phi chính phủ và người dân.
