یک تیم تحقیقاتی متشکل از محققان موسسات Skoltech و FBK در ایتالیا موفق به ایجاد روشی برای استخراج نقشه‌های 4بعدی با استفاده از نقشه‌های تاریخی و علم یادگیری ماشین شده‌اند. روش پیاده‌سازی شده به منظور تعیین ارتفاعات ساختمان‌ها به صفات هندسی، همسایگی و طبقه‌ای متکی است. این روش برای درک پدیده‌های شهری و تغییراتی که در تعریف شکل واقعی شهرهای ما نقش دارند بسیار مفید خواهد بود.
نقشه‌های تاریخی قدرتمندترین منبع مورد استفاده برای تجزیه و تحلیل تغییرات در توسعه شهری هستند. با این وجود نقشه‌های موجود نشان دهنده یک جهان 3بعدی در یک فضای 2بعدی هستند که ویژگی‌های اصلی محیط شهری را توصیف می‌کنند اما نمی‌توانند اطلاعات مکانی دیگر مانند ارتفاع ساختمان را در خود جای دهند. در برنامه‌های مدل‌سازی شهری که بر اساس داده‌های تاریخی استوار هستند کمبود ارتفاع ساختمان‌ها مانع اصلی برای نمایش دقیق فضا، تجزیه و تحلیل، تجسم یا شبیه سازی است.
دانشمندان Skoltech و واحد تحقیق DOM FBK Trento راه‌حل را با استفاده از علم یادگیری ماشین برای تعیین ارتفاع ساختمان‌ها از نقشه‌های 2بعدی تاریخی کشف کردند. روش آن‌ها بر روی چهار نقشه تاریخی مربوط به سال‌های 1851، 1887، 1908 و 1936 در تورنتو و سال‌های 1884 و 1945 در بولونیا آزمایش شده که نشان دهنده بزرگترین تغییرات در ساختارهای شهری طی قرون گذشته به حساب می‌آید و به بازسازی نقشه‌های 3بعدی این شهرها کمک کرده است.
Emre Ozdemir ، دانشجوی دکتری در Skoltech و محقق اصلی این پروژه می‌گوید: “روش یادگیری و پیش‌بینی آزمایش شده بر روی داده‌های تاریخی ثابت کرد که برای بسیاری از برنامه‌های دیگر نیز موثر و امیدوار کننده خواهد بود و مدل ایجاد شده کمک بزرگی خواهد بود برای پر کردن شکاف دانش جغرافیایی در موقعیت‌ها و زمان‌های گذشته یا دور.”
