Planificación del espacio público y diseño de redes neuronales de aprendizaje profundo asistidas por inteligencia artificial en el Internet de las cosas

Este estudio comienza hablando de la tecnología de Internet de las Cosas (IoT) y analizando la clasificación del espacio público en cuatro tipos, junto con la proporción de aspecto verde (Green Looking Ratio, GLR). A continuación, se emplea el marco de la red totalmente convolucional (FCN)-8s para construir un modelo de segmentación semántica de imágenes de calles basado en los principios de FCN. Posteriormente, se utiliza la tecnología IoT para analizar la proporción de GLR y la satisfacción en el espacio de la calle dentro de la zona urbana histórica de T City.

Los resultados revelan una correlación positiva significativa (nivel de significación p < 0,05, R2 = 0,919) entre la puntuación de satisfacción GLR de las imágenes de vista de calle y el GLR medio de la zona. Entre los cuatro tipos de espacios urbanos (ocio, calles históricas, zonas de tráfico y calles ajardinadas), los índices de insatisfacción con la RVG son del 35%, 33%, 20% y 18%, respectivamente, en correlación con los distintos niveles de satisfacción con la GLR.

Para mejorar la vegetación de las calles, se proponen estanques y jardineras para los "puntos ciegos" y las "esquinas muertas", completando así la vegetación de estas zonas. Estas iniciativas pretenden mejorar las políticas de reverdecimiento de las calles, integrar las zonas funcionales de las calles y avanzar en el reverdecimiento científico de las calles urbanas. El análisis de la GLR y la satisfacción en los espacios urbanos proporciona información valiosa para perfeccionar las iniciativas de reverdecimiento de las calles.

Título Original:

"The street space planning and design of artificial intelligence-assisted deep learning neural network in the Internet of Things"

Autor/es: