Transformando mapas antigos em modelos digitais 3D de bairros perdidos

André Corselli

Imagine colocar um fone de ouvido VR e passear pelo antigo bairro onde você cresceu. Essa é agora uma possibilidade muito real, já que os pesquisadores desenvolveram um método para criar modelos digitais 3D de bairros históricos usando aprendizado de máquina e mapas históricos do Sanborn Fire Insurance.

“A história aqui é que agora temos a capacidade de desbloquear a riqueza de dados incorporados nesses atlas de incêndio de Sanborn que foram criados para cerca de 12.000 cidades e vilas nos Estados Unidos”, disse Harvey Miller, coautor do estudo e professor de geografia. na Universidade Estadual de Ohio. “Isso permite uma abordagem totalmente nova para a pesquisa histórica urbana que nunca poderíamos ter imaginado antes do aprendizado de máquina. É uma virada de jogo.”

O coautor do estudo, Yue Lin, estudante de doutorado em geografia na OSU, desenvolveu ferramentas de aprendizado de máquina que podem extrair detalhes sobre edifícios individuais dos mapas, incluindo suas localizações e pegadas, número de andares, materiais de construção e uso principal.

Os pesquisadores testaram sua técnica de aprendizado de máquina em dois bairros adjacentes no lado leste de Columbus, OH, que foram em grande parte destruídos na década de 1960 para abrir caminho para a construção da I-70. As técnicas de aprendizado de máquina conseguiram extrair os dados dos mapas e criar modelos digitais.

A comparação dos dados dos mapas de Sanborn com os de hoje mostrou que um total de 380 edifícios foram demolidos nos dois bairros para a construção da rodovia – incluindo 286 casas, 86 garagens, cinco apartamentos e três lojas. A análise dos resultados mostrou que o modelo de aprendizado de máquina foi cerca de 90% preciso na recriação das informações contidas nos mapas.

“Queremos chegar ao ponto deste projeto em que possamos dar às pessoas fones de ouvido de realidade virtual e deixá-las andar pelas ruas como era em 1960 ou 1940 ou talvez até em 1881”, disse Miller.

Aqui está uma entrevista exclusiva do Tech Briefs – editada para maior clareza e extensão – com Miller e Lin.

Resumos técnicos: Você pode explicar em termos simples como a tecnologia funciona?

Moleiro : O que fazemos é aplicar algoritmos aos dados. Nesse caso, usamos algo chamado máquinas de vetores de suporte para parte dele e também Mask R-CNN. A maneira como geralmente funciona é rotularmos manualmente as respostas corretas nos mapas e, em seguida, enviá-las ao algoritmo de aprendizado de máquina para que ele aprenda por tentativa e erro, por feedback positivo e negativo. Quando finalmente aprender como detectar as informações, poderemos aplicá-las aos dados e, então, aplicá-las ao restante dos mapas.

Lin : Em mapas de amostra, temos vários tipos de informações. O primeiro tipo de informação é o esboço do edifício. Se você olhar os mapas de amostra, cada edifício tem seus próprios contornos e formas, e também tem suas próprias cores. As cores representam os materiais dos edifícios. Tendemos um modelo de máquina de vetores de suporte para classificar cada pixel com base nas cores para que possamos distinguir entre os planos de fundo e os edifícios porque eles possuem cores distintas. É assim que detectamos os contornos e formas do edifício para criar uma visualização.

Existem outros tipos de informações, como as utilizações prediais; por exemplo, seja uma loja ou um edifício residencial. E em mapas de amostra, também poderemos saber o armazenamento de cada edifício porque estão todos etiquetados nos edifícios.

Nesse sentido, adotamos um modelo de detecção denominado Mask R-CNN. Combinando essas diferentes informações é como criamos a visualização 3D - com base nesses mapas históricos e usando aprendizado de máquina.

Resumos técnicos: Quais foram os maiores desafios técnicos que você enfrentou ao longo do seu trabalho?

Lin : A parte do georreferenciamento. Coletamos os mapas de amostra da Biblioteca do Congresso e, para esses mapas, embora sejam digitalizados, digitalizados e coloridos, não são georreferenciados. Então, levamos algum tempo para descobrir como georreferenciar automaticamente esses mapas – isso foi um grande desafio; são mapas históricos e muitas vezes não conseguimos encontrar muitos pontos de controle para fazer o georreferenciamento.