Désormais, il est possible de détecter les signes d’inégalités socio-économiques à Londres à l’aide d’une base de données de Google Street View. Les imageries permettent de mesurer les différences de qualité de vie et les revenus moyens associés à chaque zone géographique de la ville.
La collecte de données a été effectuée à partir de 525 860 images de Google prises à travers 156 581 codes postaux de Londres et sa région.
Esra Suel et ses collègues de l’Imperial College London ont conçu ce programme avec près d’un demi-million de photos prises « sur le terrain ». Celles-ci ont été intégrées dans un algorithme. Ce dernier pourrait également prédire les niveaux de criminalité et certains aspects de la santé publique.
« Nos résultats démontrent que l’imagerie de rue a le potentiel de mesurer les inégalités et de surveiller les impacts des politiques qui visent à y remédier », a déclaré l’auteur de l’étude.
Un excellent collecteur d’informations
Ces universitaires ont essayé de peaufiner l’algorithme, au point où il est devenu plus efficace que bien d’autres moyens de détection. L’étude a permis de traiter un nombre incalculable de données complexes. Ainsi, les chercheurs peuvent se fier aux résultats pour tirer des conclusions précises en fonction des paramètres. Cette nouvelle méthode pourrait compléter les sources de données administratives.
La base de données intègre de nombreux critères. L’IA peut reconnaître les différents niveaux d’austérité liée à la qualité du logement et du cadre de vie. Des signaux visuels détectent les matériaux de construction, les délabrements, les sources de pollution atmosphérique et sonore, ainsi que les espaces verts. L’environnement du quartier est également qualifié à partir du type de véhicules que les gens utilisent ou le type de magasins.
Un outil de suivi indispensable
Les grandes villes abritent une majorité croissante de la population mondiale. De nos jours, il est difficile de suivre leurs développements sociaux, économiques, environnementaux et sanitaires. Pourtant, une profonde connaissance de ces agglomérations est nécessaire pour évaluer les politiques liées à la réduction des inégalités urbaines.
Cette nouvelle approche permettra de mesurer les distributions spatiales de revenus, d’éducation, de chômage, de logement, de cadre de vie, de santé et de criminalité. De plus, le modèle prédit les résultats directement à partir d’images brutes, sans extraire les fonctionnalités intermédiaires définies par l’utilisateur.