論文の概要: Jane Jacobs in the Sky: Predicting Urban Vitality with Open Satellite Data

• arxiv url: http://arxiv.org/abs/2102.00848v1
• Date: Thu, 28 Jan 2021 21:46:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-02-02 15:34:00.519314
• Title: Jane Jacobs in the Sky: Predicting Urban Vitality with Open Satellite Data
• Title（参考訳）: Jane Jacobs in the Sky: Predicting Urban Vitality with Open Satellite Data
• Authors: Sanja \v{S}\'cepanovi\'c, Sagar Joglekar, Stephen Law, Daniele Quercia
• Abstract要約: 都市部の人々が一日中暮らしていることは、世界レベルの質の高い都市が最も目指すものの一つだ。 都市での生活促進には、土地利用の多様性、小さなブロックサイズ、経済活動の混合、人口集中の4つの条件がある。 ここでは,1つのデータソースを使用することを提案し,このデータソースが一般に公開されている:Sentinel-2衛星画像。
• 参考スコア（独自算出の注目度）: 1.376408511310322
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The presence of people in an urban area throughout the day -- often called 'urban vitality' -- is one of the qualities world-class cities aspire to the most, yet it is one of the hardest to achieve. Back in the 1970s, Jane Jacobs theorized urban vitality and found that there are four conditions required for the promotion of life in cities: diversity of land use, small block sizes, the mix of economic activities, and concentration of people. To build proxies for those four conditions and ultimately test Jane Jacobs's theory at scale, researchers have had to collect both private and public data from a variety of sources, and that took decades. Here we propose the use of one single source of data, which happens to be publicly available: Sentinel-2 satellite imagery. In particular, since the first two conditions (diversity of land use and small block sizes) are visible to the naked eye from satellite imagery, we tested whether we could automatically extract them with a state-of-the-art deep-learning framework and whether, in the end, the extracted features could predict vitality. In six Italian cities for which we had call data records, we found that our framework is able to explain on average 55% of the variance in urban vitality extracted from those records.
• Abstract（参考訳）: 一日中の都市部の人々の存在(しばしば「都市活力」と呼ばれる)は、世界クラスの都市が最も熱望する質の1つだが、達成するのが最も難しいことの1つである。 1970年代に、ジェーン・ジェイコブスは都市活力を理論化し、都市における生活の促進に必要な4つの条件があることを発見した:土地利用の多様性、小さなブロックサイズ、経済活動の混合、人々の集中。 これら4つの条件のプロキシを構築し、最終的にジェーン・ジェイコブスの理論を大規模に検証するために、研究者は様々なソースからプライベートデータとパブリックデータの両方を収集しなければならなかった。 ここでは、Sentinel-2衛星画像が一般に公開されている1つのデータソースの使用を提案します。 特に,最初の2つの条件(土地利用の多様性と小ブロックサイズ)は衛星画像から肉眼で見られるため,最先端のディープラーニングフレームワークで自動的に抽出できるかどうか,最終的に抽出した特徴が活力を予測できるかどうかを検証した。 イタリアの6都市でデータ記録を呼び出したところ、我々の枠組みは、これらの記録から抽出された都市活力の変動の55%を平均で説明できることがわかった。

関連論文リスト

• AerialGo: Walking-through City View Generation from Aerial Perspectives [48.53976414257845]
  AerialGoは、空中画像からリアルな街並みを生成するフレームワークである。 AerialGoは、アクセス可能な航空データに地上視合成を条件付けすることで、地上レベルの画像に固有のプライバシーリスクを回避できる。 実験により、AerialGoは地上レベルのリアリズムと構造的コヒーレンスを著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-11-29T08:14:07Z)
• Deep Umbra: A Generative Approach for Sunlight Access Computation in Urban Spaces [4.680816326435908]
  本研究では,地球規模での日光アクセスと影の定量化を可能にする新しいフレームワークを提案する。 筆者らの枠組みは,都市の物理的形態を考慮した条件付き生成的敵ネットワークに基づいている。 私たちは7つの異なる都市からのデータを使ってモデルをトレーニングし、広範囲にわたる実験を通して、その全体のRMSEが低いことを示す。 我々は,6大陸100都市以上の日光アクセス情報を用いたケーススタディと包括的データセットをコントリビュートする。
  論文  参考訳（メタデータ） (2024-02-27T03:05:05Z)
• Building Floorspace in China: A Dataset and Learning Pipeline [0.32228025627337864]
  本稿は、中国40大都市における建物の床面積を計測する最初のマイルストーンを提供する。 我々は、メインデータソースとしてSentinel-1と-2の衛星画像を使用する。 データ、アルゴリズム、評価の詳細な説明を提供する。
  論文  参考訳（メタデータ） (2023-03-03T21:45:36Z)
• A Contextual Master-Slave Framework on Urban Region Graph for Urban Village Detection [68.84486900183853]
  都市域を階層的にモデル化する都市域グラフ(URG)を構築した。 そこで我々は,都市部をURGから効果的に検出する新しいコンテキスト・マスタ・スレーブ・フレームワークを設計した。 提案手法は,都市部における紫外線検出の一般性と特異性のバランスをとることができる。
  論文  参考訳（メタデータ） (2022-11-26T18:17:39Z)
• Urban form and COVID-19 cases and deaths in Greater London: an urban morphometric approach [63.29165619502806]
  新型コロナウイルスのパンデミックは、都市密度に関してかなりの議論を巻き起こした。 これは19世紀中頃のイングランドで、公衆衛生と都市計画の分野が出現して始まった古い議論である。 都市形態を個々の建物レベルで記述し、その後、公的な近隣住民の情報を集約する。
  論文  参考訳（メタデータ） (2022-10-16T10:01:10Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point Clouds [52.624157840253204]
  センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。 データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
  論文  参考訳（メタデータ） (2022-01-12T14:48:11Z)
• Deep-learning coupled with novel classification method to classify the urban environment of the developing world [4.819654695540227]
  本稿では,機械解析に容易に利用できる新しい分類法を提案し,開発途上国における方法論の適用性を示す。 周辺を考慮に入れた非公式・形式的な空間の観点から都市部を分類する。 このモデルは75%の精度と60%のMean IoUでセグメント化できる。
  論文  参考訳（メタデータ） (2020-11-25T16:08:07Z)
• Automatic Extraction of Urban Outdoor Perception from Geolocated Free-Texts [1.8419317899207144]
  本稿では,人々の知覚を抽出するための,自動的かつ汎用的なアプローチを提案する。 我々は、シカゴ、ニューヨーク、ロンドンにおける都市屋外の文脈における我々のアプローチを例示する。 本手法は,異なる視点を考慮し,都市部をよりよく理解する上で有効であることを示す。
  論文  参考訳（メタデータ） (2020-10-13T14:59:46Z)
• Urban Mosaic: Visual Exploration of Streetscapes Using Large-Scale Image Data [13.01318877814786]
  都市モザイク (Urban Mosaic) は、ニューヨーク市の770万枚のストリートレベルの画像からなる空間的・時間的に密集したデータセットを通して、都市の織物を探索するためのツールである。
  論文  参考訳（メタデータ） (2020-08-31T02:23:12Z)
• From Paris to Berlin: Discovering Fashion Style Influences Around the World [108.58097776743331]
  本稿では,服を着る人々の日常的なイメージから,ファッションの影響を定量化する。 我々は,他の都市がどの都市に影響を及ぼすかを,そのスタイルの伝播の観点から検出するアプローチを導入する。 次に、発見された影響パターンを活用して予測モデルに通知し、任意の都市における任意のスタイルの人気を予測します。
  論文  参考訳（メタデータ） (2020-04-03T00:54:23Z)
• Measuring Spatial Subdivisions in Urban Mobility with Mobile Phone Data [58.720142291102135]
  2050年までに世界の人口の3分の2が都市部に住んでいる。 この成長は、都市が持続可能性を測定し計画する能力よりも速く、より複雑である。 都市がなぜ包括的になるのかを理解するために,空間分割を識別し特徴付ける手法を定義する。
  論文  参考訳（メタデータ） (2020-02-20T14:37:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。