Hoe machine learning kan helpen bij stedelijke ontwikkeling

  • door

Een experimenteerproject heeft de mogelijkheden van machine learning in stedelijke ontwikkeling aangetoond. Het gebruikte afbeeldingen als uitgangspunt en kwam met interessante en nuttige toepassingen.

“Ik las data science papers over hoe machine vision-algoritmen kunnen worden gebruikt met satellietbeelden. Ik zag meteen een verband met wat we aan het doen waren, ” legt Antti Kauppi , architect bij Arkkitehdit Sankari, uit. "De meeste mensen associëren beeldherkenning met de visuele zoekopdrachten van Google. Google kan bijvoorbeeld onderscheiden of op een foto een kat of een ander dier te zien is. We gingen een stap verder. "

Een experiment met open stedelijke beelden

Arkkitehdit Sankari Oy, een Fins architectenontwerpbureau, begon in mei 2018 met het experimenteerproject CityCNN. Het ontving financiering van KIRA-digi, het digitaliseringsprogramma van de Finse overheid voor de gebouwde omgeving. CityCNN onderzocht de mogelijkheden om machine learning en open data te gebruiken voor stedelijke ontwikkeling.

Kauppi verzamelde gegevens van Espoo, de op een na grootste stad van Finland aan de rand van Helsinki. Hij creëerde een stukje Python-software om gegevens op te halen van de server van de stad.

Kauppi programmeert al vele jaren, maar beschouwt zichzelf niet als een AI-expert: “Mijn speciale vaardigheid is om de technologie toe te passen op ons bedrijf. Het lijkt veel op het gebruik van Photoshop. Je kunt het met succes gebruiken, zelfs als je de innerlijke werking ervan niet onder de knie hebt. "

Met behulp van concurrerende neurale netwerken

Het experiment maakte gebruik van zogenaamde generatieve vijandige netwerken (GAN's). Het is een machine learning-techniek waarbij je twee neurale netwerken met elkaar vergelijkt.

Het eerste netwerk, de generator, maakt nieuwe afbeeldingen. Het tweede netwerk, de discriminator, gebruikt echte beelden en neemt de nieuw gegenereerde beelden op. Het evalueert of een afbeelding echt is of gegenereerd. Door dit proces keer op keer te herhalen, worden de generator en de discriminator nauwkeuriger en als resultaat verbeteren de gegenereerde beelden.

Voorwaardelijke vijandige netwerken die in CityCNN worden gebruikt, zijn een uitbreiding van de basistechniek. Ze worden getraind met beeldparen. Ze kunnen bijvoorbeeld fotografische afbeeldingen maken van lijntekeningen of een impressionistisch schilderij omzetten in een foto.

Het voorwaardelijke vijandige netwerk zoals gebruikt in CityCNN

De experimenten

“We gebruiken de cloud van Amazon voor rekenkracht. Ik heb het netwerk getraind met honderden beeldparen ”, legt Kauppi uit. Hij laat voorbeelden zien van luchtfoto's die het netwerk heeft omgezet in stadsplattegronden. Door de neurale netwerken om te keren, maakte het systeem luchtfoto's met stadsplattegronden.

Een andere CityCNN-applicatie markeerde gebouwen in een satellietbeeld met een kleur. Kauppi vergelijkt het met een vijfjarige die kleurpotloden heeft gegeven en de opdracht heeft gegeven alle gebouwen te kleuren. Omgekeerd kan het neurale netwerk satellietbeelden maken van bouwmassa's, automatisch wegen en straten toevoegen en zelfs parkeerplaatsen voor grotere gebouwen. Het heeft geleerd hoe het landschap in Espoo eruitziet en bootst het redelijk nauwkeurig na.

Van dichtheidskaart tot satellietbeeld

Kauppi geeft een live demonstratie van de mogelijkheden van het netwerk. Hij tekent rechthoeken in een leeg venster en de machine creëert een tegenhanger in een ander venster. Als hij in het midden een kleine rechthoek tekent, behandelt de machine het als een huis midden in een met bomen begroeid gebied. Een lange smalle lijn wordt een straat met aan weerszijden huizen. Wanneer Kauppi grote bouwmassa's trekt, ziet het netwerk ze als een industrieel complex of magazijn en creëert het automatisch aangrenzende grote parkeerterreinen.

Alle visualisaties zijn algoritmisch en gebaseerd op wiskunde. De machine 'begrijpt' de context niet. Zijn gedrag ziet er echter verontrustend menselijk uit.

Praktische toepassingen

Een applicatie die direct praktisch bruikbaar kan zijn, is een tool die gebieden identificeert voor mogelijke aanvullende ontwikkeling. Kauppi had luchtfoto's gemaakt van de woonwijken van Espoo en een verfprogramma gebruikt om ruimtes te markeren die hij geschikt achtte om in te vullen. Met behulp van 500 beeldparen als trainingsmateriaal leerde hij het netwerk hetzelfde te doen met elk satellietbeeld. Op deze manier kon de machine snel alle mogelijke gebieden voor aanvullende ontwikkeling ontdekken. Intelligent, markeerde het geen parken of bossen.

"Als we 5.000 beeldparen aan experts zouden geven en hen zinvolle dingen op de beelden zouden laten markeren, zou het netwerk leren hoe het hetzelfde op nationaal niveau kan doen", stelt Kauppi voor. “Dat klinkt als een hoop werk, maar het zou ongeveer 10 dagen en een paar duizend euro kosten om te rekenen, wat redelijk is. Na de initiële training kan het netwerk in milliseconden nieuwe beelden genereren. "

Gegenereerde bitmap vergeleken met een echte

Als je beeldgegevens combineert met andere soorten stedelijke gegevens, ontstaan er nieuwe toepassingen. Kauppi noemt de Mapita's Maptionnaire-app, waarmee burgers locatiefeedback kunnen geven over hun stedelijke ervaringen. Als mensen bepaalde gebieden als onveilig of prettig bestempelen, kan een algoritme voor machine learning automatisch andere vergelijkbare plaatsen lokaliseren om te helpen bij stadsplannen van de toekomst.

"Nu we dit experiment naar tevredenheid hebben afgerond, zullen we de resultaten rapporteren en onze ervaringen openlijk delen", zegt Kauppi. "We bespreken graag hoe we deze ideeën verder kunnen ontwikkelen."

U kunt Antti Kauppi e-mailen op

* beveiligd e-mailadres *​ Via: AEC