Sep, 2023

城市宜居性的时间序列分析

PDF
TL;DR通过深度学习模型，我们对荷兰城市邻里层面的长期宜居性变化进行监测。通过将年度可用的高分辨率航拍图像与宜居度量标准 (Leefbaarometer) 相结合，我们训练了一个卷积神经网络，用于预测新的时间步长中的宜居性。研究结果显示，对于训练过程中未见过的城市 (Eindhoven)，宜居性的趋势难以解释，这也体现了在不同时间段内监测宜居性的复杂性以及需要更复杂的方法来补偿与宜居性动态无关的变化。
deep learning modelsmonitoringlongitudinal liveability changesneighbourhood levelleefbaarometer
发现论文，激发创造
  • 阿姆斯特丹住房质量的跨模态学习

    我们的研究在阿姆斯特丹市通过对地面和空中影像的数据和模型进行测试，以识别住房质量。结果显示，相较于仅使用空中影像，Google StreetView（GSV）能够预测出最准确的建筑质量分数，提高了约 30%。然而，通过仔细筛选和使用正确的预训练模型，将 Flickr 图像特征与空中图像特征相结合，能将性能差距从 30% 降低至 15%。这表明在可居住性因素预测方面，存在可行的替代方法，这是令人鼓舞的，因为 GSV 图像难以获取并且并非总是可用。

    Mar, 2024

  • 深度学习城市：全球尺度下衡量城市感知

    利用卷积神经网络从大规模的人类认知感知数据集中学习，在全球范围内量化城市环境感知现象的关系。

    Aug, 2016

  • 自我监督学习揭示了城市住房的变化 —— 从街景图像视角

    利用基于深度学习的计算机视觉方法，该研究使用 2008 年至 2021 年间的 1500 万街道图像来测量伦敦的变化，成功地识别了住房供应的变化，为城市规划和政策决策提供及时信息，以建设更宜居、公平和可持续发展的城市。

    Sep, 2023

  • 2022/23 年马里乌波尔 / 乌克兰城市变化监测

    通过使用历史数据进行迁移学习，本研究证明了可以在缺乏高分辨率图像的情况下进行城市变化监测，核心数据包含了合成孔径雷达和光学多光谱观测，实验应用于乌克兰马里乌波尔市在 2017-2020 年的数据，在 2021 年末至 2023 年中期的战时也表明了其可行性。

    Aug, 2023

  • 利用社区生成的街景图像预测生计指标

    使用公共街道图像进行街区中薄弱群体的生计指标预测，方法分为图像分群和基于图像关系的两种方法，测试结果表明此方法对于贫困、人口和公共卫生等指标的预测精度高

    Jun, 2020

  • 利用深度学习在瓦伦西亚市建立实时交通警报

    该研究分析了城市交通通量与污染之间的相关性，并开发了一个警报系统来预测未来 30 分钟内某条街道是否会遇到异常高的交通流量，使用每 10 分钟更新的交通数据和长短期记忆（LSTM）神经网络进行预测。

    Sep, 2023

  • 一种基于 CNN-LSTM 的预测城市扩张方法

    本文提出了一种基于语义图像分割的新型两步方法来预测城市扩张，结合卷积神经网络和长短时记忆方法以学习时间特征，以多日期卫星影像数据在沙特阿拉伯的三个城市进行了实验评估，结果显示新的联合卷积神经网络 - 长短时记忆方法具有更好的性能表现。

    Mar, 2021

  • 利用卷积网络和卫星图像在大范围内识别城市环境模式

    利用遥感技术和深度卷积神经网络，分析大规模卫星图像数据中的城市土地利用模式，并提供数据集以供遥感应用的机器学习研究人员使用。

    Apr, 2017

  • 利用卫星图像和深度学习评估非洲基础设施质量

    本文提出了通过使用遥感数据和卷积神经网络预测非洲的基础设施质量，成功地推动可持续发展目标的落实。在使用 Landsat 8 遥感数据时，我们的模型表现出要比使用 OpenStreetMap 或夜晚光线强度分析的模型更为卓越的预测结果，可以准确地预测电力、排污、自来水和道路建设的基础设施质量。此外，该模型还可以在精细调整后在未知国家和限制样本的地区内进行预测。

    Jun, 2018

  • 美国城市长期可持续发展的卫星图像数据集

    为支持美国城市可持续发展目标研究，我们利用深度学习模型开发了一个卫星图像数据集，涵盖了五个可持续发展目标和 25 个指标。该数据集覆盖了美国最多人口的 100 个城市以及对应的人口普查街区组，时间跨度为 2014 年至 2023 年。该数据集将帮助城市决策者和研究人员推进城市中与可持续发展目标相关的研究，尤其是应用卫星图像监测城市中的长期和多尺度可持续发展目标。

    Aug, 2023