Превращение старых карт в цифровые 3D-модели затерянных кварталов

Цифровые модели будут больше, чем просто новинкой — они дадут исследователям ресурс для проведения исследований, которые раньше были бы практически невозможны, например, для оценки экономических потерь, вызванных сносом исторических кварталов.

«История здесь заключается в том, что теперь у нас есть возможность разблокировать богатство данных, которые встроены в эти огненные атласы Санборна», — сказал Харви Миллер, соавтор исследования и профессор географии в Университете штата Огайо.

3D-модель района Драйвинг-Парк в 1961 году, прежде чем он был снесен, чтобы освободить место для автомагистрали между штатами. Предоставлено: Университет штата Огайо

«Это позволяет совершенно по-новому подойти к городским историческим исследованиям, который мы никогда не могли себе представить до машинного обучения.».

Исследование начинается с карт Санборна, которые были созданы, чтобы позволить страховым компаниям оценить свою ответственность примерно в 12 000 городах и поселках в Соединенных Штатах в течение 19-го и 20-го веков. В крупных городах они часто регулярно обновлялись, сказал Миллер, который является директором Центра городского и регионального анализа штата Огайо.

Проблема для исследователей заключалась в том, что попытка вручную собрать полезные данные с этих карт была утомительной и трудоемкой — по крайней мере, до тех пор, пока карты не были оцифрованы. Цифровые версии теперь доступны в Библиотеке Конгресса.

Соавтор исследования Юэ Линь, доктор географии в штате Огайо, разработал инструменты машинного обучения, которые могут извлекать детали об отдельных зданиях из карт, включая их местоположение и следы, количество этажей, их строительные материалы и их основное использование, например, жилье или бизнес.

«Мы можем получить очень хорошее представление о том, как выглядят здания, из данных, которые мы получаем из карт Санборна», — сказал Лин.

Исследователи протестировали свою технику машинного обучения на двух соседних районах на ближней восточной стороне Колумбуса, штат Огайо, которые были в значительной степени разрушены в 1960-х годах.

Сравнение данных с карт Сэнфорда с сегодняшним днем показало, что в общей сложности 380 зданий были снесены в двух районах шоссе, в том числе 286 домов, 86 гаражей, пять квартир и три магазина.

Анализ результатов показал, что модель машинного обучения была очень точной в воссоздании информации, содержащейся на картах, — около 90% точности для контуров зданий и строительных материалов.

«Точность была впечатляющей. Мы действительно можем получить визуальное представление о том, как выглядели эти районы, что было бы невозможно никаким другим способом», — сказал Миллер.

«Мы хотим дойти до того момента, когда в этом проекте мы сможем дать людям гарнитуры виртуальной реальности и позволить им ходить по улице, как это было в 1960 или 1940 или, возможно, даже в 1881 году».

Используя методы машинного обучения, разработанные для этого исследования, исследователи могут разработать аналогичные 3D-модели практически для любого из 12 000 городов и поселков, на которых есть карты Санборна, сказал Миллер.

Это позволит исследователям воссоздать районы, потерянные в результате стихийных бедствий, таких как наводнения, а также обновления городов, депопуляции и других видов изменений.

Поскольку карты Санборна включают информацию о предприятиях, которые занимали определенные здания, исследователи могут воссоздать цифровые районы, чтобы определить экономические последствия их потери из-за обновления городов или других факторов. Другой возможностью было бы изучить, как замена домов автомагистралями, которые поглощают солнечное тепло, влияет на эффект городского острова тепла.

«Есть много разных типов исследований, которые можно провести. Это будет огромный ресурс для городских историков и множества других исследователей», — сказал Миллер.

«Создание этих цифровых 3D-моделей и возможность реконструкции зданий добавляет гораздо больше, чем то, что вы могли бы показать на диаграмме, графике, таблице или традиционной карте. Здесь просто невероятный потенциал».

Подробнее:

Creating building-level, three-dimensional digital models of historic urban 1 neighborhoods from Sanborn Fire Insurance maps using machine learning, PLoS ONE (2023). journals.plos.org/plosone/arti … journal.pone.0286340 🔗