论文笔记：Urban visual intelligence: Uncovering hidden city profiles with street view images

pnas 2022

1 方法介绍

基于计算机视觉和街景图像来探索城市环境与居民生活的关系

2 研究区域

美国的七个大都市区

3 实验结果

3.1 使用SVF（谷歌街景）估计健康、犯罪、交通和贫困

街景变量被聚合到不同的空间分辨率，即人口普查区域（CT）和人口普查街区组（CBG）

•  (A) 模型拟合R²比较的散点图。仅使用SVF的模型在估计大多数变量时通常表现优于使用POI特征的模型
• (B) 使用SVF估计与交通相关变量的R²。SVF可解释高达87%和85%的CT和CBG级别估计模型方差。
• (C) 使用SVF估计与健康相关变量的R²。SVF可解释高达68%和65%的CT和CBG级别估计的方差
• (D) 比较在CBG和CT级别使用SVF和POI特征的模型拟合R²。总体上，CT级别的模型比CBG级别的模型拟合更好（平均差6.8%，P值<0.001）。

3.2 SVF、POI和动态人口模型拟合R²比较

• (A) 仅使用人口和仅使用POI特征的模型间的R²比较。平均而言，CT级别模型（Y∼{POI}）的R²大约比模型（Y∼{动态人口}）的R²高9.8%（t检验；P值<0.005）
• (B) 仅使用人口和仅使用SVF的模型间的R²比较。平均而言，模型（Y∼{SVF}）的R²大约比模型（Y∼{动态人口}）的R²高22.8%（t检验；P值<0.005）
• 标注了45度线作为参考。任何在该线上方的点表明该模型在人口估计方面的表现优于另一模型。 

3.3 多变量分析所有城市生活指标

• 深蓝色条表示仅考虑SVF时模型的R²
• 灰色条表示模型仅考虑地点、人口、年龄和有色人种时的R²
  • "Age"代表65岁以上人口的百分比。"POC"代表非白人种族群体的人口百分比。
• 浅蓝色条表示通过将SVF添加到先前模型中获得的额外R²
• 平均而言，通过将SVF添加到模型中，我们能够将模型R²增加5%到25%