Aprendizado de máquina baseado em imagem e análise de clusters para redes viárias urbanas: utilizando o Orange para programação visual sem código

Na busca pelo desenvolvimento urbano sustentável, é imperativo abordar estratégias para otimizar e harmonizar a configuração dos layouts espaciais urbanos, especialmente em resposta à urbanização rápida. Redes viárias urbanas desempenham um papel fundamental na formação de padrões espaciais urbanos complexos, pois se entrelaçam intrincadamente ao longo da paisagem urbana, influenciando significativamente a utilização do solo, as disposições espaciais e a mobilidade dos residentes. O ambiente urbano é um sistema complexo repleto de atividades humanas multifacetadas. Com a contínua evolução de tecnologias de dados e computação avançadas, agora é viável construir modelos complexos para uma exploração aprofundada das estruturas espaciais urbanas. Neste estudo, construímos uma estrutura analítica que aproveitou o reconhecimento de imagens de redes viárias, a análise de fatores de influência em multi-escala e previsões utilizando programação visual sem código. Dentro dessa estrutura, aprendizado profundo e clustering não supervisionado são aplicados para completar o clustering hierárquico de redes viárias e explorar a associação intrínseca entre cidades. Enquanto isso, o clustering hierárquico e os atributos naturais e humanísticos das cidades estão conectados para investigar a força de diferentes atributos em clusters específicos. A pesquisa apresenta os seguintes resultados: (1) Além do alinhamento dos resultados de clustering da rede viária urbana, a desigualdade quantitativa e a heterogeneidade geográfica também são observadas. (2) Múltiplos atributos têm um impacto complicado no espaço urbano, incluindo o tamanho da cidade e características socioeconômicas e geográficas. Entre esses fatores, variáveis socioeconômicas emergem como os principais motores que influenciam a estrutura espacial urbana. (3) A pesquisa aprimora a capacidade de generalização e a precisão preditiva do modelo. À medida que os atributos aumentam e o aprendizado do modelo melhora, tanto a Área Sob a Curva (AUC) quanto as pontuações F-1 exibem melhorias contínuas, alcançando previsões sem erro. As descobertas do estudo oferecem insights valiosos sobre estruturas e sistemas espaciais urbanos, apoiando os tomadores de decisão urbana na abordagem de desafios associados ao crescimento urbano.