你住的地方长什么样？有健身房吗？有公园吗？有游泳池吗？

还是说，你住的地方主要是繁忙的街道、快餐厅、便利店？

这是个很重要的问题，因为这些东西关系到你容不容易胖、容不容易减肥。

而且现在已经有人开发出预测这个的人工智能了。

肥胖是一种很复杂的健康问题，它被很多因素影响着，其中一个就是你居住的物理城市环境。现在，科学家们已经用人工智能和美国城市的卫星照片做出了一个关联地图。

"We propose a method for comprehensively assessing 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.

该研究团队在一份新的论文中解释道：“我们提出了一种方法，来深度评估一个社区的成年人肥胖程度和周围人造环境的关系，我们的研究方法包括从高分辨率的卫星图像里识别社区里的一些特征设施。”

这个研究团队来自美国的华盛顿大学（University of Washington），他们从谷歌地图的数据里调取了15万张高分辨率的卫星图像，并把这些数据喂给了自己的一个人工智能，让它自己在里面找规律。

这些数据总共覆盖了6个城市的1695个人口普查区（census tract）

团队用的这个人工智能在此之前就已经接受了120万张图片的训练，让它能很好地识别照片里的道路、建筑、树木、水域和陆地这些元素。

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.

在此基础之上，研究人员结合了500个城市的肥胖率估算数据，并建立了一个模型来评估这些调研区域内特定设施与肥胖率的关系。（研究里关心的特定设施包括加油站、购物中心、公园和宠物店）

根据他们的研究结果，这个人工智能的预测准确率达到了64.8%，在最高的一个城市达到了73.3%。

值得注意的是，在绿植覆盖率高的地方，肥胖率普遍低；而在绿植稀疏的地方，肥胖率普遍高。

虽然这个手段现在还远远谈不上完美，但是研究团队相信他们的系统可以为肥胖风险调查提供一个简单易用的量化工具。

"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.

论文作者解释道：“我们的这个调研手段正在持续展现出那些特定人造设施和肥胖率的联系，并且这种关联在不同城市和不同价值观的社区中都是一样的。”

研究者们认为，这种设施与肥胖的关系背后应该是有更重要的社会经济因素在起作用，比如居民的收入水平（income）

另外，现在也有其他的团队在用相似的技术研究不同区域内的贫困问题了。

总的来说，这个结果也和我们平常看到的很多现象相吻合：开放、有绿地的地区通常更容易进行户外活动，对居民的健康更有好处；而拥挤、街道庞杂、缺乏绿化的地方则相反。有健身房的区域的肥胖率更低，而便利店和快餐厅扎堆的地方则更高。

OK，来讲讲今天的词 assess

它的意思是“评估”，不要和 access 搞混了，后者是“使用权”。

那么，我们来造个句子吧~

I'd assess your chances as low.

我估计你的机会不大。