你住的地方長什麼樣？有健身房嗎？有公園嗎？有遊泳池嗎？

還是說，你住的地方主要是繁忙的街道、快餐廳、便利店？

這是個很重要的問題，因為這些東西關系到你容不容易胖、容不容易減肥。

而且現在已經有人開發出預測這個的人工智能了。

肥胖是一種很複雜的健康問題，它被很多因素影響着，其中一個就是你居住的物理城市環境。現在，科學家們已經用人工智能和美國城市的衛星照片做出了一個關聯地圖。

"We propose a method for comprehensivelyassessing the association between adult obesity prevalence and the built environment that involves extracting neighbourhood physical features from high-resolution satellite imagery," the team explains in a new paper.

該研究團隊在一份新的論文中解釋道：“我們提出了一種方法，來深度評估一個社區的成年人肥胖程度和周圍人造環境的關系，我們的研究方法包括從高分辨率的衛星圖像裡識别社區裡的一些特征設施。”

這個研究團隊來自美國的華盛頓大學（University of Washington），他們從谷歌地圖的數據裡調取了15萬張高分辨率的衛星圖像，并把這些數據喂給了自己的一個人工智能，讓它自己在裡面找規律。

這些數據總共覆蓋了6個城市的1695個人口普查區（census tract）

團隊用的這個人工智能在此之前就已經接受了120萬張圖片的訓練，讓它能很好地識别照片裡的道路、建築、樹木、水域和陸地這些元素。

In addition, the researchers used estimates of obesity prevalence from the 500 Cities project to create a model that assessed the association between those features (plus points of interest like gas stations, shopping malls, parks, and pet stores) and obesity prevalence in the studied areas.

在此基礎之上，研究人員結合了500個城市的肥胖率估算數據，并建立了一個模型來評估這些調研區域内特定設施與肥胖率的關系。（研究裡關心的特定設施包括加油站、購物中心、公園和寵物店）

根據他們的研究結果，這個人工智能的預測準确率達到了64.8%，在最高的一個城市達到了73.3%。

值得注意的是，在綠植覆蓋率高的地方，肥胖率普遍低；而在綠植稀疏的地方，肥胖率普遍高。

雖然這個手段現在還遠遠談不上完美，但是研究團隊相信他們的系統可以為肥胖風險調查提供一個簡單易用的量化工具。

"Our approach consistently presents a strong association between obesity prevalence and the built environment indicator across all four regions, despite varying city and neighbourhood values," the authors explain.

論文作者解釋道：“我們的這個調研手段正在持續展現出那些特定人造設施和肥胖率的聯系，并且這種關聯在不同城市和不同價值觀的社區中都是一樣的。”

研究者們認為，這種設施與肥胖的關系背後應該是有更重要的社會經濟因素在起作用，比如居民的收入水平（income）

另外，現在也有其他的團隊在用相似的技術研究不同區域内的貧困問題了。

總的來說，這個結果也和我們平常看到的很多現象相吻合：開放、有綠地的地區通常更容易進行戶外活動，對居民的健康更有好處；而擁擠、街道龐雜、缺乏綠化的地方則相反。有健身房的區域的肥胖率更低，而便利店和快餐廳紮堆的地方則更高。

OK，來講講今天的詞 assess

它的意思是“評估”，不要和 access 搞混了，後者是“使用權”。

那麼，我們來造個句子吧~

I'd assess your chances as low.

我估計你的機會不大。

相關熱點：

一詞日曆

考研政治百天輔導教程