Dünya çapında kentleşme kavramının biçim değiştirdiği su götürmez bir gerçek. Hatta yakın zamanda vahşi hayvanların da rağbet göstermeye başladığı yaşam alanlarımızda kentsel yaban hayatı diye bir kavramdan söz ediyoruz. Peki ilerleyen süreçte kentsel ve fiziksel çevrenin kalitesi hakkında neler söyleyebiliriz? Araştırmacılar kentsel yaşam ve yapay zekâ kavramlarını bir araya getirmek için çalışıyor.
Kentsel yaşamın dayanılmaz cazibesi
BM raporlarına göre 2050 yılına kadar dünya nüfusunun üçte ikisinden fazlasının kentlerde yaşayacağı öngörülüyor. Bazen bir evi birden fazla kişinin paylaşması bile düzensizliğe neden olurken, artan nüfusun kentsel refaha etkilerini tahmin etmek pek zor değil. Notre Dame University ve Stanford University’den araştırmacılar kentsel fiziksel çevrenin kalitesi ve refaha yönelik sürdürülebilir kalkınma girişimleri üzerine bir çalışma gerçekleştirdi.
Ancak kentsel bir çevrenin kalitesini, gelişimini ve mekânsal eşitsizliklerini ölçmek ve takip etmek kolay bir iş değil. Söz konusu kalıpları yakalamak için gereken mevcut veri miktarı elde etmekte zorluk yaşayan araştırmacılar makine öğreniminden yararlandı. Yapay zekâ destekli modelden elde edilen bulgular ise yakın zamanda Scientific Reports’ta yayınlandı.
“Dünya kentleştikçe, şehir planlamacıları ve politika yapıcıların kritik konuları yeterince iyi ele aldıklarından emin olması gerekiyor. Altyapı ve ulaşım iyileştirmeleri, yoksulluk, şehirlilerin sağlık ve güvenliğinin yanı sıra şehir içinde ve şehirler arasında artan eşitsizlik gibi konu başlıkları ise başı çekiyor. Mahalle gelişimi ve kentsel eşitsizlik kalıplarını tanımak için makine öğrenimini kullanarak şehir planlamacılarının ve politika yapıcıların kentsel mekanın bozulmasını ve bunun gelecek planlamasındaki önemini daha iyi anlamalarına yardımcı olabiliriz.”
Yapay zekâ kentsel refah düzeyini nasıl ölçümlüyor?
Geleneksel olarak kentsel alanlardaki yaşam kalitesinin ölçümünde suç oranları ve gelir seviyeleri gibi sosyo-demografik ve ekonomik özellikler, kentlilerin algılarına ilişkin anket verileri ve kentsel çevreye ilişkin değerli nitelikler ve kentsel alanı tanımlayan görüntü veri kümeleri kullanılır. Notre Dame University’den Doçent Dr. Yong Suk Lee, sokak görünümü görüntülerinin artan kullanılabilirliğinin kentsel özelliklerin belirlenmesinde yeni fırsatlar sunduğunu belirtiyor. Ancak bu yöntemlerin farklı konumlar ve zamanlardaki güvenilirliği ve tutarlılığının büyük ölçüde keşfedilmemiş olduğunu da ekliyor.
Kaynak: Unsplash
Lee ve Stanford University’den Andrea Vallebueno, çalışmalarında kentsel çürümeyi gösteren veya çirkin bir kentsel alana katkıda bulunan sekiz nesne sınıfını tespit etmek için YOLOv5 modelini (nesneleri algılayabilen bir yapay zekâ biçimi) kullandı. Bu sekiz nesne sınıfı şu elementlerden oluşuyordu: Çukurlar, grafitiler, çöpler, çadırlar, çubuklu veya kırık pencereler, rengi solmuş veya harap olmuş cepheler, yabani otlar ve tesisat işaretleri. Ekip çalışmalarında üç pilot kente odaklandı: San Francisco, Mexico City ve South Bend (Indiana). Bu şehirlerdeki mahalleler ise kentsel çeşitlilik, kentsel bozulma aşamaları ve yazarların şehirlere aşinalığı gibi faktörlere dayanarak seçildi.
Araştırmacılar karşılaştırmalı verileri kullanarak yöntemlerini üç bağlamda değerlendirdi:
- 2009 ile 2021 yılları arasında San Francisco’nun Tenderloin Bölgesi’ndeki evsizlik sorunu
- Mexico City mahallelerinin bir alt kümesinde 2017’den 2019’a kadar gerçekleştirilen bir dizi küçük ölçekli konut projesi ve batıdaki konut projeleri
- 2011’den 2019’a kadar şehrin onlarca yıldır gerileyen ama aynı zamanda kentsel canlanma girişimlerine de sahne olan bir kısmı olan South Bend mahalleleri
Peki yapay zekâ başarılı oldu mu?
Araştırmacılar eğitilen modelin farklı şehir ve mahallelerde aradığı nesneleri yeterince tespit edebildiğini ve özellikle San Francisco gibi daha yoğun nüfusların olduğu yerlerde başarılı olduğunu buldu.
Örneğin haritalar, araştırmacıların San Francisco bölgesindeki evsizlikteki zamansal ve coğrafi farklılıkları değerlendirmesine olanak tanıdı. Lee’ye göre model, South Bend’in görece banliyö bölgesinde zorluk yaşadı. Böylece bulgular daha az yoğun popülasyonlarda tanımlanan nesne türleri için ince ayar yapılması ihtiyacını ortaya koydu. Ayrıca araştırmacılar hâlâ ele alınması gereken önyargı riskinin bulunduğunu da ekledi.
Kaynak: Unsplash
Lee, modelin daha kaba, geleneksel ekonomik veri kaynaklarına kıyasla daha verimli bir şekilde toplanabilecek verileri kullanarak değerli bilgiler sağlama potansiyeline sahip olduğunu ve bunun hükûmet, sivil toplum kuruluşları ve kamu için değerli ve güncel bir araç olabileceğini söyledi. .
“Yaklaşımımızın kentsel kaliteyi ve birden fazla kent ve kentsel alandaki değişimi etkili bir şekilde izlemek için makine öğrenimini kullanabileceğini gördük. Bu tür veriler daha sonra kentsel politika ve planlamayı evsizlik de dahil olmak üzere kentleşmeden etkilenen sosyal konuları bilgilendirmek için kullanılabilir.”
