Mit Bildern trainiertes KI-Modell kann visuelle Anzeichen der Gentrifizierung erkennen

Scheinbar über Nacht ersetzt ein Yoga-Studio einen Friseursalon, ein Kaffeecafé übernimmt ein kleines Lebensmittelgeschäft und an der Stelle, an der einst ältere Einfamilienhäuser standen, entsteht ein mehrstöckiges Wohnhaus.

Solche Anzeichen der Gentrifizierung können für langjährige Stadtbewohner verstörend sein. Sie wissen, dass es für die lokalen politischen Entscheidungsträger zu spät sein könnte, sie vor steigenden Mieten und Verschiebungen bei der Zahl der Menschen, die sich das Wohnen in der Nachbarschaft leisten können, zu schützen, wenn diese baulichen Modernisierungen durchgeführt werden.

Doch obwohl die Gentrifizierung und ihre Folgen deutlich sichtbar sind, waren sie schwer zu messen oder in großem Maßstab zu untersuchen, sagt Jackelyn Hwang, Assistenzprofessorin für Soziologie an der School of Humanities and Sciences der Stanford University.

Forscher mussten sich entweder auf demografische Daten der US-Volkszählung verlassen, die einmal im Jahrzehnt erfasst wird, oder auf die American Community Survey (ACS), die alle fünf Jahre stattfindet und nicht sehr präzise ist. Darüber hinaus werden die Daten aus diesen Quellen nach Zählbezirken und nicht nach Gebäuden aggregiert. „Es ist nicht ausreichend feinkörnig“, sagt Hwang.

Nun beschreiben Hwang, ein Tochterunternehmen von Stanford HAI, und die Doktorandin Tianyuan Huang, wie sie ein Modell trainieren, um die visuellen Anzeichen der Gentrifizierung – typischerweise Neubauten oder Renovierungen – in Google Street View-Bildern ganzer Städte zu erkennen.

In einer aktuellen Arbeit zeigte das Team, dass das Modell in etwa 74 % der Fälle eine Gentrifizierung an denselben Orten vorhersagte, an denen zuvor in Studien zu Volkszählungs- und ACS-Demografiedaten Gentrifizierung festgestellt worden war. Darüber hinaus fand das Modell frühe Anzeichen einer Gentrifizierung in benachbarten Volkszählungsblöcken, die zuvor als nicht gentrifizierend eingestuft wurden.

„Die Erkennung von Veränderungen auf Bildebene ergänzt wirklich die demografischen Veränderungen, die wir in anderen Daten gesehen haben, die nicht so detailliert sind“, sagt Hwang.

Langfristig werde eine genauere Kenntnis der Orte, an denen die Gentrifizierung stattfindet, es den Städten ermöglichen, Maßnahmen zur Verdrängungsbekämpfung gezielter einzusetzen, sagt Hwang. Bessere Informationen könnten Städte beispielsweise dazu veranlassen, Mietschutzmaßnahmen oder Räumungsregeln aus gerechtfertigtem Grund einzuführen, die Entwicklung von bezahlbarem Wohnraum oder Mietzuschüssen ins Auge zu fassen oder Obergrenzen für Grundsteuererhöhungen für Langzeitbewohner mit niedrigem Einkommen festzulegen.

„Die Möglichkeit, Reinvestitionsmuster an Orten zu messen, die sich gentrifizieren, sowie Desinvestitionen an Orten, die nicht gentrifizieren, kann uns dabei helfen, über die Zuweisung von Ressourcen nachzudenken, die gefährdeten Gemeinschaften besser hilft“, sagt Hwang.

Die Herausforderung der Gentrifizierungsforschung

Gentrifizierung, definiert als die sozioökonomische Aufwertung zuvor einkommensschwacher städtischer Räume, ist kaum verstanden. Obwohl beispielsweise die Vertreibung der Bevölkerung als eine der bedeutendsten Folgen der Gentrifizierung angesehen wird, kommt quantitative Forschung zu dem Schluss, dass Gentrifizierung und Vertreibung nicht miteinander zusammenhängen, sagt Hwang.

Die Herausforderung besteht darin: Wenn Gentrifizierung zu Vertreibung führt, dann würden Stadtteile, die nicht gentrifiziert werden, weniger Verdrängung erleben, was nicht der Fall sei, sagt sie. „Was wir sehen, ist, dass die meisten Räumungen und andere Zwangsumsiedlungen in den nicht gentrifizierenden Vierteln mit niedrigem Einkommen stattfinden, die keine Investitionen erhalten.“

Aber hohe Mobilitätsraten in einkommensschwachen, überwiegend schwarzen Vierteln, die nicht gentrifiziert werden, könnten dennoch eine Folge des steigenden Mietdrucks sein, der durch die Gentrifizierung in der Nähe verursacht wird, sagt Hwang. „Die Preise steigen überall in unterschiedlichem Ausmaß. Selbst wenn also nicht Menschen mit höherem Einkommen in diese Viertel ziehen, können Vermieter dennoch auf Preiserhöhungen in der ganzen Stadt reagieren.“ Um diese Dynamik besser in den Griff zu bekommen, sind detailliertere Daten erforderlich.

Das Gentrifizierungserkennungsmodell

Um dieses Problem anzugehen, griffen Hwang und Huang und ihre Kollegen auf Google Street View zurück, einen Datensatz mit Bildern auf Straßenebene, der alle größeren und kleineren Städte in den Vereinigten Staaten und auf der ganzen Welt abdeckt. Google Street View wurde 2007 erstmals erstellt und wird alle ein bis drei Jahre aktualisiert. Darüber hinaus werden die Daten nicht aggregiert: Sie umfassen Bilder von jedem Straßenabschnitt, jedem Gebäude und jedem leeren Grundstück.

Für ihren Trainingsdatensatz holten die Forscher Baugenehmigungen heraus, um zu ermitteln, wo Bauvorhaben geplant waren, und extrahierten Daten zur Geschäftsausweitung (Wäscherei zu Café, Lebensmittelgeschäft zu Spitzenrestaurant) aus einem nationalen Unternehmensverzeichnis. Nachdem sie diese positiven Beispiele der Gentrifizierung durch manuelles Betrachten gepaarter Vorher/Nachher-Bilder im Google Street View-Bilddatensatz bestätigt hatten, trainierten sie ein Modell, um Gebäudemodernisierungen zu erkennen.

Das Modell nutzte einen „Selbstaufmerksamkeitsmechanismus“, um sicherzustellen, dass das Gentrifizierungssignal nicht in der Menge untergeht. „Wie ein Mensch versucht er, sich auf die bedeutungsvollen Bilder zu konzentrieren, wenn ihm eine Reihe von Bildern gezeigt werden“, sagt Huang. In diesem Fall sucht die Aufmerksamkeitsebene zunächst nach Gebäuden und untersucht dann genauer, ob von einem Zeitpunkt zum nächsten Verbesserungen am Gebäude vorgenommen wurden. Dann misst es den Bildern, die seine Aufmerksamkeit erregen, ein höheres Gewicht zu.

Eine Herausforderung der Arbeit bestand darin, einen geeigneten Weg zur Validierung des Modells zu definieren. Es gibt kein grundlegendes Maß für die Gentrifizierung (tatsächlich ist das hier das Problem), aber das Team beschloss, das Modell mit früheren Versuchen zu vergleichen, Volkszählungsbezirke anhand demografischer Daten der US-Volkszählung und des ACS als gentrifizierend oder nicht gentrifizierend zu kennzeichnen.

In einer Pilotstudie mit Bildpaaren (von 2007 bis 2022) aus dem vollständigen Google Street View-Datensatz für drei Städte (Oakland, Denver und Seattle) beschriftete das Modell dieselben gentrifizierenden oder nicht gentrifizierenden Zählbezirke wie die vorherige Arbeit 74 % der Zeit.

Interessanterweise identifizierte das Modell eine beträchtliche Anzahl von möglicherweise falsch positiven Ergebnissen – Volkszählungsbezirke, die das Modell als gentrifizierend einstufte, die in der Vergangenheit jedoch als nicht gentrifizierend eingestuft wurden. Dies könnten Fehler des Modells gewesen sein, doch als die Forscher die Bildpaare in diesen Zählbezirken betrachteten, stellten sie fest, dass es sich um eine Gentrifizierung handelte – neue Wohnhäuser und Aufwertungen der Nachbarschaft.

Die Schlussfolgerung: Da das Modell granulare Bilder auf Straßenebene nutzte, schien es erste Anzeichen einer Gentrifizierung zu erkennen, die früheren Studien entgangen waren.

Das Gentrifizierungsmodell des Teams war veröffentlicht In IEEE Big Data Ende 2022, aber ein Jahr später vereinfachte das Team das Modell zu einem Prädiktor für den Bau (und nicht für die Gentrifizierung) und verwendete Zeitreihenbilder anstelle eines einzelnen Bildpaars, um dem System zu helfen, zwischen vorübergehenden Veränderungen (Jahreszeiten, Schatten, Kamerawinkel) und echte.

Als Bauvorhersage war das Modell zu 90 % genau. Darüber hinaus korrelierten die Bauprognosen des Modells stark mit dem Bevölkerungswachstum und dem Einkommenswachstum, was auf einen klaren Zusammenhang mit der Gentrifizierung hindeutet.

„Wenn es neue Wohnungen gibt, wächst die Bevölkerung in der Nachbarschaft sehr schnell, und das ist eine deutlich sichtbare Veränderung“, sagt Huang. Der Datensätze sind öffentlich und die neue Arbeit ist auf der veröffentlicht arXiv Es wurde jedoch von der Association for the Advancement of Artificial Intelligence (AAAI) zur Veröffentlichung angenommen.

Zusammengenommen deuten die beiden Artikel auf eine vielversprechende Zukunft für die Verwendung von Google Street View-Bildern hin, um städtische Veränderungen zu verstehen.

Als nächstes arbeitet Hwang an einem weiteren Google Street View-Projekt, um zu untersuchen, wie sich Veränderungen in der gebauten Umwelt auf die Gesundheit des Einzelnen und das Wohlbefinden der Gemeinschaft auswirken.

Unterdessen nutzt Huang Google Street View, um nicht nur Gebäudeverbesserungen zu erkennen, sondern auch den Abriss und den Verfall von Gebäuden in Gemeinden nach extremen Klimaereignissen wie Hurrikanen, Überschwemmungen und Waldbränden. „Das Ziel“, sagt Huang, „ist herauszufinden, ob diese Orte wieder aufgebaut werden oder ob die Menschen sie verlassen haben.“

Mithilfe umfangreicherer Daten können die Forscher die Unterschiede zwischen verschiedenen Katastrophen an unterschiedlichen Orten und nicht nur an jeweils einem Katastrophenort untersuchen. „Dies sollte uns helfen, besser zu verstehen, welche Gemeinden von Reinvestitionen profitieren und welche nicht, und wer davon profitiert und wer nicht“, sagt Hwang.