[论文解读] Street Sense: Learning from Google Street View

Suriyan Laohaprapanon, Kimberly Ortleb+1 more|arXiv (Cornell University)|Jul 10, 2018

Geographic Information Systems Studies被引用 3

一句话总结

本文提出了一种可扩展的低成本方法，利用谷歌街景图像评估公共基础设施质量，结合道路路段的随机抽样与通过亚马逊机械 Turk 进行的众包标注。主要发现是，雅加达的路面坑洼数量几乎是其他城市的四倍，23% 的路段受到影响，而密歇根州奥克兰县则显示出明显的收入-质量梯度，高收入区域的坑洼明显更少。

ABSTRACT

How good are the public services and the public infrastructure? Does their quality vary by income? These are vital questions---they shed light on how well the government is doing its job, the consequences of disparities in local funding, etc. But there is little good data on many of these questions. We fill this gap by describing a scalable method of getting data on one crucial piece of public infrastructure: roads. We assess the quality of roads and sidewalks by exploiting data from Google Street View. We randomly sample locations on major roads, query Google Street View images for those locations and code the images using Amazon's Mechanical Turk. We apply this method to assess the quality of roads in Bangkok, Jakarta, Lagos, and Wayne County, Michigan. Jakarta's roads have nearly four times the potholes than roads of any other city. Surprisingly, the proportion of road segments with potholes in Bangkok, Lagos, and Wayne is about the same, between .06 and .07. Using the data, we also estimate the relation between the condition of the roads and local income in Wayne, MI. We find that roads in more affluent census tracts have somewhat fewer potholes.

研究动机与目标

• 开发一种在数据匮乏的城市环境中可扩展、低成本的公共基础设施质量测量方法。
• 调查道路质量差异是否与当地收入水平相关，特别是在美国背景下。
• 展示谷歌街景和众包在大规模真实世界基础设施监测中的实用性。
• 创建一个标注数据集，可作为自动化机器学习系统大规模监测基础设施的基础。

提出的方法

• 使用 OpenStreetMap 数据识别并分割主路、次路、三级路和干线道路为 0.5 公里长的路段。
• 使用开源地理抽样 Python 包对这些路段进行随机抽样，以实现高效的地理空间抽样。
• 向谷歌街景 API 查询每个抽样路段起点的坐标，以获取街景图像。
• 通过亚马逊机械 Turk 进行众包标注，对图像中的道路状况进行编码，包括坑洼、裂缝、垃圾和人行道质量。
• 计算并分析不同城市和收入群体中各类状况的路段比例。
• 应用统计模型评估收入五分位组与基础设施质量之间的关系，同时控制道路类型的影响。

实验结果

研究问题

• RQ1 在发展中国家主要城市和美国一个县中，道路、人行道和街道清洁度的质量如何变化？
• RQ2 密歇根州奥克兰县的道路质量在多大程度上与当地家庭收入水平相关？
• RQ3 在不同城市中，坑洼和裂缝的出现率如何随道路类型（如主路、次路、三级路）而变化？
• RQ4 谷歌街景数据能否用于构建可扩展、低成本的基础设施监测系统，以支持公共服务？
• RQ5 基础设施质量与出行舒适度和可达性等生活质量结果之间存在何种关系？

主要发现

• 雅加达的道路质量最差，23% 的抽样路段存在坑洼——是曼谷、拉各斯和密歇根州奥克兰县的四倍，后者的比例为 6–7%。
• 在密歇根州奥克兰县，高收入普查区的坑洼更少：与最低收入群体相比，23k–29k 收入五分位组的坑洼路段比例下降了 0.03。
• 裂缝在奥克兰县最普遍（62% 的路段），其次是雅加达（44%）、曼谷（24%）和拉各斯（20%），且与道路类型无明显相关性。
• 垃圾在雅加达最普遍（21% 的路段），其次是拉各斯（15%），而曼谷和奥克兰县各自有 6–9% 的路段可见垃圾。
• 人行道铺设最差的是拉各斯（30% 的路段），而曼谷为 51%，雅加达为 49%，奥克兰县为 67%。
• 即使在控制道路类型后，跨城市在坑洼和裂缝发生率上的差异依然显著，表明基础设施质量的城市间差异并非仅由道路分类驱动。