利用机器学习技术进行图像分类,并揭示社交媒体对人类与城市野生空间互动的见解

科学领域:

• 环境科学 环境科学
• 计算机科学 计算机科学
• 城市规划 城市规划

背景情况:

• 机器学习模型在包括社交媒体分析在内的各个领域都产生了重大影响.
• 了解公众对城市野生空间的参与对于有效的城市规划和保护工作至关重要.

研究的目的:

• 探索先进的机器学习技术的应用,用于分析社交媒体数据,以深入了解公众对城市野生空间的参与.
• 为了比较卷积神经网络 (CNN),基于密度的应用程序与噪音的空间聚类 (DBSCAN) 和卷积自编码器 (CAE) 在分类与城市野生空间相关的社交媒体图像的性能.

主要方法:

• 从社交媒体平台 (Instagram,Facebook,Flickr) 取图像数据,使用以标签为基础的技术,专注于城市野生空间.
• 开发一个实验管道,利用卷积神经网络 (CNN),基于密度的空间集群应用与噪声 (DBSCAN),并卷积自编码器 (CAE) 图像分类.
• 使用精度,回忆,F测量和准确度指标评估模型性能.

主要成果:

• 卷积自动编码器 (CAE) 在所有平台上始终优于CNN和DBSCAN,达到最高准确率 (例如,Flickr上的74.8%).
• 美国有线电视新闻网 (CNN) 显示了最高的精度 (98.4%在Flickr上),而DBSCAN则产生了适度的结果.
• 机器学习模型有效地过了杂的社交媒体数据,揭示了公众对城市野生空间的参与模式.

结论:

• 机器学习技术,特别是CAE,是分析社交媒体数据的有效工具,以了解公众与城市自然环境的互动.
• 这些发现为城市规划师和生态学家提供了有价值的数据,以告知城市野生空间管理和增强的战略.
• 利用先进的人工智能利用社交媒体图像数据,为生态和城市研究提供了可扩展的方法.