Városi ellenállóképesség: Mit tanulhat Budapest a texasi kutatásokból? (Részletek)

A városvédelem egyre inkább túlmutat az épített örökség megőrzésén. A klímaváltozás, a légszennyezés és a társadalmi-gazdasági átalakulások új kihívások elé állítják a városokat – így Budapestet is. Wei Jai professzor (University of Texas at San Antonio) előadásában bemutatott kutatásai olyan módszereket tárnak fel, amelyek a technológia és a közösségi részvétel ötvözésével segíthetik a városok alkalmazkodását. A kérdés így hangzik: mit tudunk ebből hasznosítani Budapesten?

A városi érzékelés (urban sensing) különböző technológiák – például drónok, utcai kamerák, hő- és légszennyezettség-mérők – együttes alkalmazását jelenti, amelyek valós idejű információt nyújtanak a város állapotáról. Jai professzor ezeket az adatokat mesterséges intelligenciával elemzi, hogy például katasztrófák után gyors károkat mérjen fel, vagy megértse, miként zajlik a dzsentrifikáció (városrészek átalakulása, „kilakoltatása”) egy-egy természeti katasztrófa után. A kutatás keretrendszerét bemutató ábra azt szemlélteti, hogyan kapcsolódnak össze az érzékelési technológiák, a földrajzi adatok és a mesterséges intelligencia egy olyan döntéstámogató rendszerben, amely a városok környezeti ellenállóképességét erősíti.

1. Urban Sensing Technologies – Városi érzékelési technológiák
Ide tartoznak a következők:

• Távérzékelés (pl. műholdas felvételek)
• Emberi aktivitás nyomkövetés (pl. mobiltelefon-adatok, közösségi média)
• Kamerák és LiDAR szenzorok (pl. 3D modellezéshez)
• Környezeti szenzorok (pl. levegőminőség, hőmérséklet)

2. GIS Data – Földrajzi információs adatok
3. Data Science + AI – Adattudomány és mesterséges intelligencia. A különféle adatokat a mesterséges intelligencia elemzi. A gépi tanulási modellek képesek:

• előre jelezni kockázatokat,
• észlelni változásokat (pl. károk vagy dzsentrifikáció),
• segíteni a döntéshozatalt.

4. Urban Environmental Risks – Városi környezeti kockázatok
5. Stakeholders – Érintettek

A modell célja, hogy az adatokat a különböző szereplők – helyi közösségek, civil szervezetek, önkormányzatok – rendelkezésére bocsássa. A lakosság bevonása kulcsfontosságú a megelőzésben és az adaptációban is.

Ez a technológia Budapesten is használható lehetne például viharok, omlások vagy nagyobb bontási munkák utáni gyors felmérésre – akár önkéntesek fotóinak elemzésével. Emellett a módszer kiváló oktatási és bemutatóanyag lehet városvédő foglalkozásokon, hiszen látványosan mutatja be, hogyan kapcsolható össze a városvédelem a legmodernebb technológiákkal.

Hogyan tanul a mesterséges intelligencia? A gépi tanulás kulcsa a példák sokasága. A fenti kép azt szemlélteti, hogy több mint 100 000 épületfotóval tanították meg a rendszert arra, hogy felismerje a károsodás mértékét. A tanítás során a képek két kategóriába kerültek:

• Károsodott épületek (Damage):
  Jól látható rajtuk a szerkezeti összeomlás, a tető sérülése, az ablakok, falak hiánya vagy dőlése.
• Ép, nem károsodott épületek (No Damage):
  Ezeknél semmiféle sérülés, vizuális hiányosság nem észlelhető. A házak állapota jó, az architektúra teljes.

A mesterséges intelligencia ezeken az annotált képeken keresztül tanulja meg, hogy milyen jegyek alapján lehet egy új, ismeretlen képről eldönteni: sérült vagy nem. Ez a módszer akár Budapesten is bevethető lenne vihar, omlás vagy középületek állapotfelmérése kapcsán. Elég néhány ezer fénykép, és máris képezhető egy olyan rendszer, amely segíthet a helyi önkormányzatoknak vagy a Budapesti Városvédő Egyesületnek például veszélyeztetett épületek azonosításában.

A dzsentrifikáció fogalmát gyakran új közlekedési beruházásokkal vagy környezeti minőség javulásával hozzák összefüggésbe. Peter Moskowitz How to Kill a City (Hogyan öljünk meg egy várost) című munkája – azt mutatja be, hogy a városok újjáépítése sokszor kizárja az eredeti lakókat. A biztosítási költségek, új építési szabályzatok, valamint az újjáépített területek felértékelődése gyakran a tehetősebb rétegek betelepülését vonja maga után, míg az alacsony jövedelmű lakók kiszorulnak.

• Nemcsak az épületek állapota, hanem a társadalmi struktúra is védendő érték.
• A természeti események utáni fejlesztéseknek figyelembe kell venniük a szociális igazságosságot is.
• Egy új villamosvonal, irodapark, vagy városi zöldprojekt milyen társadalmi következményekkel jár?
• Hogyan lehet úgy fejleszteni, hogy az eredeti közösség ne tűnjön el?
• A Budapesti Városvédő Egyesület társadalmi szempontból is vizsgálhatná a városrészek átalakulását, például:
• Kérdőíves felmérésekkel (iskolások, lakók bevonásával),
• interjús kutatásokkal a régi lakókkal,
• fotósorozatokkal, amelyek dokumentálják az utcakép és a funkciók változását.

A városi érzékelés nem feltétlenül igényel több tízezer dolláros beruházásokat. A fenti ábra bemutatja, hogy léteznek olyan alacsony költségű szenzorok, mint a PurpleAir, amelyek már kb. 300 USD (kb. 110 000 Ft) áron elérhetők.

• Outdoor: kültéri változat, kertekbe, ablakpárkányra helyezhető, csatlakozik a netre, valós idejű adatokat küld.
• Indoor: beltéri levegőfigyelésre, irodákba, iskolákba vagy otthonra – színjelzéssel mutatja a levegő állapotát.

Ez állítható szembe a hagyományos állami mérőállomásokkal (pl. EPA rendszer), amelyek 30 000 dollár feletti költségűek és nem mozgathatók. Mire jó Budapesten?

• Légszennyezés feltérképezésére a belső kerületekben, például Rákóczi út vagy Baross tér környékén.
• Iskolai projektekhez, ahol a diákok valós méréseket végezhetnek a környezetükben.
• Lakossági együttműködésben kialakított térképekhez: a városvédő egyesület koordinálhatná a mérési pontokat.

Ez a technológia lehetővé teszi a közösségi részvételt, és összeköti a környezeti tudatosságot a technológiai eszközökkel – kiváló módja annak, hogy a városvédelem kiterjedjen a mindennapi életminőség védelmére is.

Az ábra azt mutatja, hogy a PurpleAir környezeti szenzorokat aránytalanul nagy arányban telepítették nem szegény, fehér bőrű lakókörnyezetekbe. A dia kétféleképpen ábrázolja ezt a tendenciát:

Bal oldali diagram – Csoportonkénti arány:

• Az 1,0 feletti érték túltelepítést (over-installation), az 1,0 alatti érték alultelepítést (under-installation) jelent.
• Egyértelmű, hogy csak a „nonpoor white” kategória haladja meg az 1,0-t – azaz oda több szenzor került, mint indokolt lenne.
• A szegény és/vagy kisebbségi csoportok esetében viszont mindenhol alacsonyabb az arány – tehát ott kevesebb mérést végeznek, noha sokszor nagyobb a környezeti kockázat.

Jobb oldali grafikon – Időbeli változás (2019–2023):

• A nem szegény fehér lakókörnyezetek folyamatosan túlreprezentáltak maradtak a szenzortelepítésben.
• Ugyanakkor a többi csoportnál pozitív tendencia látható – tehát nő az egyenlőség, de a különbségek továbbra is fennállnak.

Bár Magyarországon a faji kategóriák másképp értelmezhetők, a társadalmi státusz szerinti torzulás valós probléma lehet. Különösen indokolt lehet:

• Külső kerületek célzott mérése (pl. Pestszentlőrinc, Kőbánya),
• Szociálisan hátrányos helyzetű lakótelepek, ahol jellemző a nagyobb légszennyezés vagy hőterhelés,
• Lakossági részvétel ösztönzése ott, ahol egyébként nem történik mérés.

A Budapesti Városvédő Egyesület szerepe itt is kulcsfontosságú: felhívhatja a figyelmet ezekre a szisztematikus egyenlőtlenségekre, és támogathatja egy szenzorhálózat igazságosabb kiépítését.

A bemutatott technológiák – a mesterséges intelligencia, a közösségi érzékelés, a digitális ikrek és a 3D szkennelés – lehetőséget adnak arra, hogy a városvédelem a 21. században is korszerű és részvételen alapuló legyen. A Budapesti Városvédő Egyesület kulcsszerepet vállalhat abban, hogy ezek az eszközök ne csupán technológiai kuriózumok, hanem a fővárosi közösségek által használt és formált megoldások legyenek. A jövő városvédelme nemcsak a múlt emlékeit őrzi, hanem a jövő élhető környezetét is közösen alakítja.

A teljes előadás itt hallgatható meg: