Detección de personas en la calle y el entorno físico del paisaje urbano a partir de imágenes de Street View de Baidu y sus efectos en la delincuencia callejera a nivel comunitario en una ciudad china

La delincuencia callejera se ve afectada por las características socioeconómicas y demográficas, así como por las condiciones del paisaje urbano. Comprender cómo se asocia la distribución espacial de la delincuencia callejera con las diferentes características del paisaje urbano es importante para establecer estrategias de prevención de la delincuencia y de gestión urbana. Las fuentes de datos convencionales que cuantifican a las personas en la calle y las características del paisaje urbano, como cuestionarios, encuestas de campo o auditorías manuales, requieren mucho trabajo y tiempo, y no pueden abarcar un área extensa con una resolución espacial suficiente. Los nuevos datos de teléfonos móviles y redes sociales se han utilizado para medir la población ambiental, pero no pueden distinguir entre la población de la calle y la de interiores.

Este estudio aborda estas limitaciones combinando imágenes de Baidu Street View (BSV), algoritmos de aprendizaje profundo y modelos de regresión estadística espacial para examinar las influencias de las personas en la calle y en el entorno físico del paisaje urbano sobre la delincuencia callejera en una gran ciudad china. En primer lugar, se recopilaron imágenes detalladas de la calle del sitio web Baidu Map. A continuación, se construyó una red R-CNN más rápida para detectar elementos discretos con contornos distintos (como personas) en cada imagen. A partir de ahí, se contó el número de personas que había en la calle en cada imagen BSV y, finalmente, se obtuvo las cantidades totales a nivel de comunidad. Además, se desarrolló la red PSPNet para la segmentación semántica por píxeles con el fin de determinar las proporciones de otros elementos del paisaje urbano, como los edificios, en cada imagen BSV, a partir de lo cual se obtuvo sus medias a nivel de comunidad. La medición cuantitativa de personas en la calle y un conjunto de características del paisaje urbano con influencia potencial en la delincuencia se obtuvieron finalmente combinando los resultados de dos redes de aprendizaje profundo. Para tener en cuenta el efecto de autocorrelación espacial y las características de distribución de los datos de delincuencia, se construyó un conjunto de modelos de regresión binomial negativa con retardo espacial para investigar cómo tres tipos de delitos callejeros (es decir, delitos totales, delitos contra la propiedad y delitos violentos) se veían afectados por el número de personas en la calle y las condiciones de construcción del paisaje urbano. Los modelos también controlaban el efecto de los factores socioeconómicos y demográficos, las características del uso del suelo, el nivel de vigilancia formal y las instalaciones de transporte.

Los modelos con personas en la calle y características del paisaje urbano mejoraron notablemente los resultados, lo que demuestra la necesidad de tener en cuenta el efecto de estos factores a la hora de comprender la delincuencia callejera. En concreto, el número de personas en la calle tuvo un impacto significativamente positivo en la delincuencia callejera total y en la delincuencia contra la propiedad. Sin embargo, no se encontró ningún impacto estadísticamente significativo en la delincuencia violenta callejera. Las proporciones medias de caminos, edificios y árboles se asociaron con una reducción significativa de la delincuencia callejera entre las características físicas del paisaje urbano. Además, la significación estadística de la mayoría de las variables de control se ajustaba a los resultados de investigaciones anteriores.

Este estudio es el primero en combinar imágenes de Street View y algoritmos de aprendizaje profundo para recuperar el número de personas en la calle y las características del entorno visual del paisaje urbano para comprender la delincuencia callejera.

Título Original:

"Detecting People on the Street and the Streetscape Physical Environment from Baidu Street View Images and Their Effects on Community-Level Street Crime in a Chinese City"

Autor/es: