Por Catalina Miller Aparentemente de la noche a la mañana, un estudio de yoga reemplaza a una barbería, una cafetería se hace cargo de una pequeña tienda de comestibles y un edificio de apartamentos de varios pisos se erige donde alguna vez estuvieron antiguas casas unifamiliares. Estos signos de gentrificación pueden resultar discordantes para los residentes de la ciudad desde hace mucho tiempo. Saben que para cuando se hayan realizado estas mejoras físicas, podría ser demasiado tarde para que los formuladores de políticas locales los protejan del aumento de los alquileres y de los cambios en quién puede permitirse vivir en el vecindario. Sin embargo, a pesar de ser muy visible, la gentrificación y sus consecuencias han sido difíciles de medir o estudiar a escala, dice Jackelyn Hwang , profesora asistente de sociología en la Facultad de Humanidades y Ciencias de la Universidad de Stanford. Los investigadores han tenido que confiar en datos demográficos del censo de EE. UU., recopilados una vez por década, o de la Encuesta sobre la Comunidad Estadounidense (ACS), que se realiza cada cinco años y no es muy precisa. Además, los datos de estas fuentes se agregan por zona censal en lugar de edificio por edificio. "No es lo suficientemente detallado", dice Hwang. Ahora, Hwang, un afiliado de Stanford HAI, y el estudiante de posgrado Tianyuan Huang describen el entrenamiento de un modelo para reconocer las señales visuales de la gentrificación (generalmente nuevas construcciones o renovaciones) en imágenes de Google Street View para ciudades enteras. En un trabajo reciente, el equipo demostró que aproximadamente el 74% de las veces el modelo predijo la gentrificación en los mismos lugares donde se había encontrado previamente gentrificación en estudios de censos y datos demográficos de la ACS. Además, el modelo encontró señales tempranas de gentrificación en bloques censales vecinos previamente etiquetados como no gentrificados. "La detección de cambios a nivel de imagen realmente complementa los cambios demográficos que hemos visto en otros datos que no son tan granulares", afirma Hwang. A largo plazo, una mayor granularidad sobre dónde se está produciendo la gentrificación permitirá a las ciudades aplicar soluciones contra el desplazamiento con mayor precisión, dice Hwang. Por ejemplo, una mejor información podría impulsar a las ciudades a aprobar protecciones de alquiler o reglas de desalojo por causa justa, centrarse en el desarrollo de viviendas asequibles o subsidios de alquiler, o poner límites a los aumentos de impuestos a la propiedad para los residentes de bajos ingresos a largo plazo. "Poder medir los patrones de reinversión en lugares que se están aburguesando, así como la desinversión en lugares que no se aburguesan, puede ayudarnos a pensar en la asignación de recursos de manera que ayuden mejor a las comunidades vulnerables", dice Hwang. El desafío de la investigación sobre la gentrificación La gentrificación, definida como la mejora socioeconómica de espacios urbanos que antes eran de bajos ingresos, no se comprende bien. Por ejemplo, aunque el desplazamiento de población se considera una de las consecuencias más importantes de la gentrificación, la investigación cuantitativa encuentra que la gentrificación y el desplazamiento no están relacionados, dice Hwang. El desafío es este: si la gentrificación está causando desplazamiento, entonces los vecindarios que no se gentrifiquen experimentarían menos desplazamiento, lo cual no es el caso, dice. "Lo que vemos es que la mayoría de los desalojos y otros traslados forzosos se están produciendo en barrios de bajos ingresos que no se gentrifican y que no reciben inversión". Pero las altas tasas de movilidad entre los vecindarios de bajos ingresos, predominantemente negros, que no se aburguesan, aún podrían ser el resultado de presiones al alza en los alquileres causadas por la gentrificación cercana, dice Hwang. "Los precios suben en todas partes en diferente medida, por lo que incluso si las personas con mayores ingresos no se mudan a estos vecindarios, los propietarios aún pueden estar reaccionando a los aumentos de precios en toda la ciudad". Para manejar mejor esta dinámica, se necesitan datos más granulares. El modelo de detección de gentrificación Para abordar ese problema, Hwang y Huang y sus colegas recurrieron a Google Street View, un conjunto de datos de imágenes a nivel de calle que cubren todas las ciudades principales y secundarias de Estados Unidos y de todo el mundo. Creado por primera vez en 2007, Google Street View se actualiza cada uno o tres años. Además, los datos no son agregados: incluyen imágenes de cada tramo de carretera, de cada edificio y de cada solar baldío. Para su conjunto de datos de capacitación, los investigadores obtuvieron permisos de construcción para identificar dónde se planeaba la construcción y extrajeron datos sobre la ampliación de negocios (lavandería a cafetería; tienda de comestibles a restaurante de alta gama) de un directorio de empresas nacional. Después de confirmar estos ejemplos positivos de gentrificación observando manualmente imágenes emparejadas de antes y después en el conjunto de datos de imágenes de Google Street View, entrenaron un modelo para reconocer las mejoras de los edificios. El modelo utilizó un “mecanismo de autoatención” para asegurarse de que la señal de gentrificación no se perdiera entre la multitud. "Al igual que un ser humano, cuando se le muestran un montón de imágenes, intenta centrarse en las más significativas", dice Huang. En este caso, la capa de atención busca primero edificios y luego mira más de cerca para ver si hubo mejoras en el edificio de un momento a otro. Luego asigna mayor peso a las imágenes que llaman su atención. Uno de los desafíos del trabajo fue definir una forma adecuada de validar el modelo. No existe una medida real de la gentrificación (de hecho, ese es el problema aquí), pero el equipo decidió comparar el modelo con intentos anteriores de etiquetar zonas censales como gentrificantes o no gentrificantes utilizando datos demográficos del censo de EE. UU. y la ACS. En un estudio piloto que utilizó pares de imágenes (de 2007 a 2022) del conjunto completo de datos de Google Street View para tres ciudades (Oakland, Denver y Seattle), el modelo etiquetó las mismas zonas censales gentrificadas o no gentrificadas que el trabajo anterior. el 74% del tiempo. Curiosamente, el modelo identificó un número significativo de lo que podrían ser falsos positivos: secciones censales que el modelo etiquetó como gentrificantes y que en el pasado habían sido etiquetadas como no gentrificantes. Estos podrían haber sido errores del modelo, pero cuando los investigadores observaron imágenes emparejadas en esos sectores censales, encontraron lo que parecía gentrificación: nuevos edificios de apartamentos y mejoras en los vecindarios. La conclusión: debido a que el modelo aprovechó imágenes granulares a nivel de calle, parecía estar detectando signos tempranos de gentrificación que estudios anteriores habían pasado por alto. El modelo de gentrificación del equipo se publicó en IEEE Big Data a finales de 2022, pero un año después, el equipo simplificó el modelo para que fuera un predictor de la construcción (en lugar de gentrificación) y utilizó imágenes de series temporales en lugar de un solo par de imágenes para ayudar a El sistema distingue entre cambios temporales (estaciones, sombras, ángulo de cámara) y cambios reales. Como predictor de la construcción, el modelo tuvo una precisión del 90%. Además, las predicciones de construcción del modelo estaban altamente correlacionadas tanto con el crecimiento de la población como con el crecimiento de los ingresos, lo que sugiere un vínculo claro con la gentrificación. "Si hay apartamentos nuevos, la población del vecindario crece muy rápido y ese es un cambio que puede ser bastante visible", dice Huang. Los conjuntos de datos son públicos y el nuevo trabajo está en arxiv , pero ha sido aceptado para su publicación por la Asociación para el Avance de la Inteligencia Artificial (AAAI). Juntos, los dos artículos sugieren un futuro prometedor para el uso de imágenes de Google Street View para comprender el cambio urbano. A continuación, Hwang está trabajando en otro proyecto de Google Street View para estudiar cómo los cambios en el entorno construido impactan la salud de las personas y el bienestar de la comunidad. Mientras tanto, Huang está utilizando Google Street View para detectar no solo mejoras en los edificios, sino también demoliciones y deterioro de los edificios en las comunidades después de eventos climáticos extremos como huracanes, inundaciones e incendios forestales. "El objetivo", dice Huang, "es ver si esos lugares están siendo reconstruidos o si la gente los ha abandonado". Al contar con datos a mayor escala, los investigadores pueden observar la variación entre diferentes desastres en diferentes lugares en lugar de solo un sitio de desastre a la vez. "Esto debería ayudarnos a comprender mejor qué comunidades se benefician de la reinversión y cuáles no, así como quiénes se benefician y quiénes no", afirma Hwang.