Un nouveau modèle informatique de cartographie en profondeur peut détecter les modifications visuelles des propriétés individuelles, permettre aux chercheurs de suivre plus rapidement la gentrification au sein des quartiers et des villes, selon une étude publiée le 13 mars, 2019 dans la revue en libre accès PLOS UN par Lazar Ilic, Michael Sawada, et Amaury Zarzelli de l'Université d'Ottawa, Canada.

La gentrification a été observée dans de nombreuses villes occidentales avec des effets de grande envergure. Des études antérieures ont cherché à utiliser les données du recensement pour identifier et analyser la gentrification, mais sa résolution est limitée dans l'espace et dans le temps, et crée des divisions artificielles aux limites du recensement. Les auteurs affirment que la présente étude est la première à utiliser à la place l'apparence de propriétés individuelles - la plus petite unité spatiale sur laquelle un processus de gentrification peut agir - pour indiquer une éventuelle gentrification.

Les auteurs ont accédé à des panoramas à 360 degrés de Google Street View (GSV) de chaque propriété du noyau urbain d'Ottawa, Canada, et les régions adjacentes, pour chaque année de 2007 à 2016. Ils ont formé un modèle informatique de cartographie profonde pour traiter ces données GSV, rechercher des modifications visuelles des propriétés au fil du temps qui pourraient indiquer une gentrification :des améliorations telles que de nouvelles clôtures, repeinture ou remplacement de fenêtre. Après l'entrainement, le modèle a atteint une précision de 95 % dans la détection des indicateurs de gentrification par rapport à un chercheur humain.

Pour le quartier de la Ceinture de verdure, le modèle a détecté 3483 instances d'indicateurs de gentrification à 2922 emplacements uniques. La carte de densité de gentrification générée s'alignait très étroitement sur une carte indiquant où les permis de développement/construction avaient été accordés.

Le modèle repose sur un jeu de données photographiques maintenu et mis à jour au fil du temps, comme les cartes GSV utilisées ici. Les modifications apportées aux méthodes de collecte de ces ensembles de données photographiques peuvent réduire la précision du modèle. Cependant, les auteurs notent que leur modèle de cartographie profonde peut être facilement recréé dans des emplacements avec des ensembles de données similaires disponibles :un investissement de temps relativement modeste peut désormais produire des cartes hautement résolues spatialement et temporellement du processus de gentrification.

Les auteurs ajoutent :« La gentrification remodèle nos villes, mais en même temps, il est difficile de déterminer où et à quelle vitesse le phénomène se produit dans les grands centres urbains dynamiques. Nous avons utilisé une IA d'apprentissage en profondeur pour parcourir des centaines de milliers d'images Google Street View de Les bâtiments d'Ottawa pour indiquer où et quand des améliorations visuelles de type gentrification ont été apportées aux propriétés et, pour la première fois, ont fourni les cartes les plus détaillées de l'évolution spatiale de la gentrification à travers le temps dans une grande ville. Ces cartes ont des implications directes pour la planification, la justice sociale et lutter contre les inégalités dans ce grand centre urbain."