TL;DR
- v1 نوع اعلام:.
- متقاطع چکیده:.
- شاخصهای شهری مرسوم که از سرشماریها،.
چه اتفاقی افتاد
v1 نوع اعلام:. متقاطع چکیده:.
شاخصهای شهری مرسوم که از سرشماریها،. نظرسنجیها و سوابق اداری به دست میآیند،.
اغلب پرهزینه،. از نظر فضایی ناسازگار هستند و بهروزرسانی کند هستند.
مدلهای اخیر پایههای جغرافیایی،. جاسازیهای زمین،.
نمایشهای تصویر ماهوارهای فشرده را امکانپذیر میسازند تا در وظایف پایین دستی قابل انتقال باشند،. اما کاربرد آنها برای نظارت شهری در مقیاس محله نامشخص است.
در اینجا،. ما سه خانواده جاسازی شده زمین،.
AlphaEarth،. Prithvi،.
و Clay را برای پیشبینی سیگنال شهری در شش منطقه شهری ایالات متحده از سال 2020 تا 2023. معیار قرار میدهیم.
با استفاده از یک چارچوب یادگیری نظارت شده یکپارچه،. ما 14 شاخص در سطح همسایگی را پیشبینی میکنیم که شامل چهار شاخص رفتار،.
درآمد،. ارزیابی،.
سلامت،. شهر،.
و عملکرد جهانی است. بر حسب سال و شهر.
نتایج نشان میدهد که جاسازیهای زمین تغییرات شهری قابلتوجهی را به همراه دارد بالاترین مهارت پیشبینی برای نتایجی. که مستقیماً با ساختار محیط ساخته شده مرتبط است،.
از جمله بارهای سلامت مزمن و حالتهای غالب رفت و آمد. در مقابل،.
استنتاج شاخصهایی که با رفتار در مقیاس دقیق و سیاستهای محلی،. مانند دوچرخهسواری،.
قویتر شکل میگیرند،. دشوار است.
عملکرد پیشبینیکننده بهطور قابلتوجهی در شهرها متفاوت است،. اما در طول سالها نسبتاً پایدار باقی میماند،.
که نشاندهنده ناهمگونی مکانی قوی در کنار استحکام زمانی است. تجزیه و تحلیل اکتشافی نشان میدهد که تغییرات بین شهری در عملکرد پیشبینیکننده با شکل شهری به روشهای.
خاص کار مرتبط است. آزمایشهای ابعاد کنترلشده نشان میدهند که کارایی نمایش بسیار مهم است:.
جاسازیهای فشرده ۶۴ بعدی AlphaEarth نسبت به کاهشهای ۶۴ بعدی Prithvi و Clay آموزندهتر هستند. این مطالعه معیاری برای ارزیابی تعبیههای زمین در سنجش از دور شهری و پتانسیل آنها را بهعنوان ویژگی.
های مقیاس پذیر و کم هزینه برای نظارت شهری در مقیاس همسایگی SDG نشان میدهد.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.