Onderzoekers hebben een nieuw framework ontwikkeld dat gebruikmaakt van deep learning om stedelijke veranderingen in kaart te brengen via historische kaarten. De methode maakt een systematische, kwantitatieve analyse mogelijk van hoe steden door de tijd heen zijn getransformeerd.
Het analyseren van de evolutie van steden op basis van historische documenten is traditioneel een complexe opgave. Hoewel oude kaarten een uniek archief vormen van stedelijke transformaties en de identiteit van steden, is het extracteren van consistente informatie vaak problematisch. Volgens een publicatie op arxiv.org wordt dit proces bemoeilijkt door ruimtelijke misuitlijning, variaties in de cartografische stijl en de verslechterende kwaliteit van de fysieke documenten. Hierdoor bleven analyses in het verleden vaak beperkt tot kwalitatieve benaderingen of kleinschalige studies.
Een modulaire aanpak voor stedelijke profilering
Om deze beperkingen te overwinnen, hebben Sidi Wu en collega-onderzoekers een deep-learning-gebaseerd framework voorgesteld. Dit systeem is modulair opgebouwd en integreert drie cruciale stappen: de ruimtelijke uitlijning van kaarten, het extraheren van objecten over meerdere tijdstippen en het schatten van de uiteindelijke veranderingen.
Door deze technologische verschuiving kan de analyse van historische kaarten bewegen van ad hoc visuele vergelijkingen naar een systematische en kwantitatieve karakterisering van stedelijke groei en verandering. De onderzoekers stellen dat het modulaire ontwerp van het framework flexibiliteit biedt, waardoor het in de toekomst kan worden aangepast aan verschillende cartografische contexten en diverse toepassingen.
Toepassing op Parijs
Om de effectiviteit van het systeem te bewijzen, is het framework toegepast op een dataset van Parijs uit de periode tussen 1868 en 1937. De resultaten tonen aan dat de methoden voor uitlijning en objectextractie robuust presteren. De analyse legde de ruimtelijke en temporele heterogeniteit van de stedelijke transformatie in de Franse hoofdstad bloot. Volgens de auteurs van het is deze informatie potentieel zeer relevant voor wetenschappelijk onderzoek binnen de sociale wetenschappen en de geesteswetenschappen.
Bredere context van geospatiale data en erfgoed
De ontwikkeling van dit framework past in een bredere trend van digitalisering en geavanceerde data-analyse binnen de academische wereld. Zo wordt er ook binnen de ecologie en omgevingswetenschappen zwaar ingezet op het harmoniseren van complexe datasets. Op de kuleuven.be wordt bijvoorbeeld gewerkt aan het GeoClimaData-initiatief, waarbij satellietobservaties en klimaatgegevens worden samengevoegd in gestandaardiseerde datakubussen voor wereldwijde locaties.
Daarnaast is er een groeiende aandacht voor de technische analyse van historisch materiaal om degradatiemechanismen te begrijpen. Aan de uantwerpen.be wordt zo onderzoek gedaan naar de samenstelling van historisch verzwaarde zijde uit de 19e en 20e eeuw via X-ray fluorescentie en diffractie, om zo betere conserveringsmethoden voor cultureel erfgoed te bepalen.
Ook binnen de geografie en cartografie blijft de integratie van machine learning een centraal thema.
Het nieuwe framework voor historische kaarten biedt daarmee een belangrijke brug tussen de traditionele cartografie en moderne computer vision, waardoor stadsplanning en historische stadsstudie op een objectievere, datagestuurde manier kunnen worden uitgevoerd.