Trasformare vecchie mappe in modelli digitali 3D di quartieri perduti

Andrea Corselli

Immagina di indossare un visore VR e di passeggiare nel quartiere ormai scomparso in cui sei cresciuto. Questa è ora una possibilità molto reale, poiché i ricercatori hanno sviluppato un metodo per creare modelli digitali 3D di quartieri storici utilizzando l’apprendimento automatico e le mappe storiche della Sanborn Fire Insurance.

"La storia è che ora abbiamo la capacità di sbloccare la ricchezza di dati incorporati in questi atlanti antincendio Sanborn che sono stati creati per circa 12.000 città e paesi negli Stati Uniti", ha affermato Harvey Miller, coautore dello studio e professore di geografia. presso l'Università statale dell'Ohio. “Consente un approccio completamente nuovo alla ricerca storica urbana che non avremmo mai potuto immaginare prima dell’apprendimento automatico. È un punto di svolta”.

Il coautore dello studio Yue Lin, dottorando in geografia presso l'OSU, ha sviluppato strumenti di apprendimento automatico in grado di estrarre dettagli sui singoli edifici dalle mappe, comprese le loro posizioni e impronte, il numero di piani, i materiali da costruzione e l'uso primario.

I ricercatori hanno testato la loro tecnica di apprendimento automatico su due quartieri adiacenti sul lato est di Columbus, Ohio, che furono in gran parte distrutti negli anni ’60 per far posto alla costruzione della I-70. Le tecniche di apprendimento automatico sono state in grado di estrarre i dati dalle mappe e creare modelli digitali.

Confrontando i dati delle mappe di Sanborn con quelli odierni è emerso che nei due quartieri per l’autostrada sono stati demoliti un totale di 380 edifici, tra cui 286 case, 86 garage, cinque appartamenti e tre negozi. L’analisi dei risultati ha mostrato che il modello di apprendimento automatico era accurato al 90% circa nel ricreare le informazioni contenute nelle mappe.

"Vogliamo arrivare al punto in questo progetto in cui possiamo offrire alle persone visori per la realtà virtuale e lasciarli camminare per strada com'era nel 1960 o 1940 o forse anche nel 1881", ha detto Miller.

Ecco un'intervista esclusiva di Tech Briefs - modificata per chiarezza e lunghezza - con Miller e Lin.

Brief tecnici: Puoi spiegare in termini semplici come funziona la tecnologia?

Mugnaio : Ciò che facciamo è applicare algoritmi ai dati. In questo caso, utilizziamo qualcosa chiamato macchine vettoriali di supporto per una parte di esso e anche Mask R-CNN. Il modo in cui generalmente funziona è che etichettiamo manualmente le risposte corrette sulle mappe e poi le inseriamo nell'algoritmo di apprendimento automatico affinché impari per tentativi ed errori, tramite feedback positivo e negativo. Quando alla fine imparerà a rilevare le informazioni, potremo applicarle ai dati e poi al resto delle mappe.

Lin : Sulle mappe di esempio abbiamo più tipi di informazioni. Il primo tipo di informazione è la sagoma dell'edificio. Se guardi le mappe di esempio, ogni edificio ha i propri contorni e le proprie forme, nonché i propri colori. I colori rappresentano i materiali degli edifici. Eseguiamo la tendenza di un modello di macchina vettoriale di supporto per classificare ciascun pixel in base ai colori in modo da poter distinguere tra gli sfondi e gli edifici perché hanno colori distinti. È così che rileviamo i contorni e le forme dell'edificio per creare una visualizzazione.

Esistono altri tipi di informazioni, come le destinazioni d'uso degli edifici; ad esempio, che si tratti di un negozio o di un edificio residenziale. E sulle mappe campione, saremo anche in grado di conoscere lo stoccaggio di ciascun edificio perché sono tutti etichettati sugli edifici.

A questo proposito, utilizziamo un modello di rilevamento chiamato Mask R-CNN. Combinando queste diverse informazioni, è così che creiamo la visualizzazione 3D, basata su tali mappe storiche e utilizzando l'apprendimento automatico.

Brief tecnici: Quali sono state le maggiori sfide tecniche che hai dovuto affrontare durante il tuo lavoro?

Lin : La parte di georeferenziazione. Abbiamo raccolto le mappe campione dalla Biblioteca del Congresso e, per quelle mappe, sebbene siano digitalizzate, scansionate e colorate, non sono georeferenziate. Quindi, ci è voluto del tempo per capire come georeferenziare automaticamente quelle mappe: è stata davvero una grande sfida; sono mappe storiche e spesso non siamo riusciti a trovare molti punti di controllo per fare la georeferenziazione.