Characterization of urban built and natural environments with high-resolution satellite images and unsupervised deep learning
Notice bibliographique
Résumé
BACKGROUND AND AIM: Cities in the developing world are expanding rapidly and undergoing changes to their roads, housing and other buildings, vegetation, and land use characteristics. Timely data are needed to ensure that urban change enhance health, wellbeing and sustainability. METHODS: We characterise, as mutually exclusive clusters, the complex, multidimensional, built and natural environments in cities with high-resolution satellite images and unsupervised deep clustering. We apply our approach to Accra, Ghana, one of the fastest growing cities in the developing world, and contextualise the resultant clusters with demographic and environmental data that were not used for clustering. RESULTS: We show that image-based clusters captured distinct features of the urban built environment (building count, size, density, and orientation; length and arrangement of roads), vegetation, water, and population, either as a unique defining characteristic (e.g., bodies of water or dense vegetation) or in combination (e.g., buildings surrounded by vegetation or sparsely populated areas intermixed with roads). Clusters that were based on single defining characteristics were robust to the spatial scale of analysis and choice of cluster number, whereas those based on a combination of defining characteristics changed based on scale and number of clusters. CONCLUSION: The results demonstrate that satellite data and unsupervised deep learning provide a cost-effective interpretable and scalable approach for real-time tracking of sustainable urban development, especially where traditional environmental and demographic data are limited and not frequently updated. Our approach has multiple urban environmental applications, such as providing ground data for tracking and measuring urban health, air- and noise pollution, urban connectivity and road traffic, as well as city growth in cities across Africa and beyond. KEYWORDS: Big data, satellite imagery, deep learning, built environment; urban growth, unsupervised machine learning
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».