城市脉络下的空间句法:整合度与选择度的深度解析

news2024/9/21 19:08:13

上回写过一篇,基于空间句法的路网整合度、选择度分析,当时碍于篇幅和侧重点,主要讲了如何安装sDNA这个插件来实现路网的整合度、选择度分析,并且分析部分也只是画了几条简单的线段,这次我们深化一下原理和指标的解析,

先明确空间句法里的二个概念,选择度和整合度;

选择度( Choice )

选择度( Choice )是指空间系统中某一元素作为两个节点之间最短拓扑距离的频率,考察空间单元作为出行最短路径所具备的优势,反映了空间被穿行的可能性,选择度越高的空间,则更有可能被人流穿行。

整合度( Integration)

整合度( Integration )是指空间系统中某一元素与其他元素之间的集聚或离散程度,衡量了一个空间作为目的地吸引到达交通的能力, 反映了该空间在整个系统中的中心性。整合度越高的空间,可达性越高,中心性越强,越容易集聚人流。整合度可分为全局整合度和局部整合度。

这次我们结合城市尺度的空间形态,来看一个城市的整合度和选择度(穿行度),连通度与穿行度的区别,看了一些解释,有些学者把穿行度解释为一种特殊的选择度;

在 sDNA 中,整合度和选择度(穿行度)分别用NQPD和TPBt来表示,考虑距离作为惩罚因素的网络平均权重(network quantity penalized by distance,NQPD),在官方的参考手册中通过增加新的后缀字母来区分计算方式,如NQPDA:按半径角距离计算的网络数量,本篇文章讨论的计算方法是NQPDH(x),这里x指的是距离,也就是参考半径,如果是500m为背景就是NQPDH500,也可以理解为局部整合度,n代表无限的意思,也就是全局整合度,即NQPDHn。

具体来说,整合度(NQPDHn)它衡量了某个空间元素(如街道段落)与其他所有空间元素的可达性,同时考虑了距离的影响。距离越远,可达性的权重就越小。H: 这个字母后跟一个数值或者 n。当 H 后面跟一个具体的数值(例如 H500),表示在这个特定的距离(如500米)范围内计算整合度。如果是 Hn,则表示全局范围内的整合度,即不受距离限制,计算该点在整个网络中的中心性。n: 表示全局(Global),意味着计算的是全局整合度,而不是在限定距离内的局部整合度;

选择度分析计算用的方式是TPBtHn,这里的 TPBt 指的是 "turn-based betweenness centrality",即基于转向的介数中心度,它考虑了网络中路径的选择频率,反映了某路段作为其他两点间最短路径一部分的重要性。

  • T: 表示转向(Turn),意味着算法考虑了路径上的转向;
  • PB: 表示概率基础(Probability-Based),意味着算法基于概率分布来计算;
  • t: 表示该算法是针对特定类型的路径计算的;
  • Hn: 其中 H 表示计算是在给定阈值(Threshold)的情况下进行的,而 n 表示全局(Global)范围内无阈值限制的情况。

参考文章《基于sDNA 模型零售业分布特征及影响因素研究——以南昌市为例;吴海婷,向岚麟》基于sDNA模型零售业分布特征及影响因素研究——以南昌市为例 - 中国知网 (cnki.net)

参考文章《基于多尺度地理加权回归模型的城市道路骑行流量分析;黄颙昊, 杨新苗, 岳锦涛》基于多尺度地理加权回归模型的城市道路骑行流量分析 - 中国知网 (cnki.net)

参考官方手册:4. Analysis: full specification — sDNA 4.1.1 documentation (sdna-plus.readthedocs.io)

这里放一下链接,里面有详细的分析步骤和数据获取方法;

sDNA插件安装与数据分析步骤:ArcGIS应用指南:sDNA插件安装与路网整合度、连通度分析_空间句法插件-CSDN博客

路网下载部分,用了路网用简化节点的方式的为了减少修正拓扑关系的工作量:OSMnx应用指南:对路网节点进行简化-CSDN博客

这里我们直接摆出来分析结果,又到了看图说话的环节,我们先来回顾一下整合度(NQPDHn)的定义:整合度反映了该空间在整个系统中的中心性。整合度越高的空间,可达性越高,中心性越强,越容易集聚人流,我们可以看到岛内的整合度之高,越向外围整合度越低;

再结合我们这篇共享单车轨迹数据分析当中对于人口栅格数据分析的部分,可以看出来分布形态基本一致,都在岛内形成的较高的人口分布和整合度高值分布并以岛内为中心向外递减,可以说整合度拿来做人口分布预测也不错,至少可以呈现一个大致分布情况;

指路文章:共享单车轨迹数据分析:以厦门市共享单车数据为例(二)_共享单车轨迹数据处理-CSDN博客

我们再来看看选择度,先看定义:选择度(TPBtHn)反映了空间被穿行的可能性,选择度越高的空间,则更有可能被人流穿行,作为出行最短路径所具备的优势,结合之前文章我们对百度地图的路况预测数据的对比分析,我们可以看到连接岛内的几条翔安大桥、集美大桥、海沧大桥等等都是选择度最高的几条道路,也是容易发生常发性拥堵的位置;

这里我们对比百度地图的路网预测情况可见一斑,选取时间段:星期一 9:00:00,同样的在算道路介度中心度的时候也提到过这个点,指路文章:OSMnx应用指南:计算路网介数中心度(Betweenness Centrality)_betweenness介中心度-CSDN博客;

我们局部放大看看也可以发现拥堵的位置也集中在选择度最高的这些道路上,可以说选择度在一定程度上反应道路在高峰期大概率出现拥堵情况的位置分布情况,这些结论也就是数据分析运用在实际交通规划的意义。

文章仅用于分享个人学习成果与个人存档之用,分享知识,如有侵权,请联系作者进行删除。所有信息均基于作者的个人理解和经验,不代表任何官方立场或权威解读。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2144726.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

手势识别-Yolov5模型-自制数据集训练

1、源码下载: 大家可以直接在浏览器搜索yolov5即可找到官方链接,跳转进github进行下载: 这里对yolov5模型补充说明一下,它是存在较多版本的,具体信息可在master->tags中查看,大家根据需要下载。这些不同…

2024.9.18 作业

将配置桥接网络的过程整理成文档,发csdn 放资源里了 思维导图:

0基础带你入门Linux之简介

1.Linux和Windows对比 Window很明显的特征就是有C盘、D盘登各种磁盘 我们通过点击不同的盘符,点击里面存储的文件进行查阅的操作 而Linux则很简单,只有一个根目录,也可以说只有一个盘,整个系统所有的东西都是在根目录下的 我们可…

C/C++中哪些数据存放于栈区、堆区、静态区、常量区的详细说明

文章目录 1. 栈区(Stack)2. 堆区(Heap)3. 静态区(Static)4. 常量区(Read-Only or Constant Section)总结:栈(Stack)的生长:堆&#xf…

js中apply,call,bind的区别与用法

在JavaScript中,所有的函数再被调用的时候都会默认传入两个参数,一个是this,还有一个是arguments。在默认情况下this都是指当前的调用函数的对象。但是有时候我们需要改变this的指向,也就是说使函数可以被其他对象来调用&#xff…

【数据可视化】Arcgis api 4.x 专题图制作之分级色彩,采用自然间断法(使用simple-statistics JS数学统计库生成自然间断点)

1.效果 2.实现 2.1 分级色彩 分级色彩是在GIS制图中,通过不同颜色等级来表示数据量级差异的符号化方法,帮助用户直观识别和比较数据的大小。 2.2 分级方法 在GIS中进行分级色彩制图时,可以选择不同的分级方法来表示数据的分布和变化&#xf…

好用又便宜的电商分账系统

多部门联合治税的背景下,合规运营是企业的首要任务。确保税务合规不仅能避免法律风险,还能提升企业的信誉和运营效率,电商分账系统是电商行业必备的合规工具。今天,商淘云为您分享选择性价比高的电商分账系统的三大规则&#xff0…

鸿蒙Harmony应用开发,数据驾驶舱登录页面的实现

鸿蒙Harmony应用开发,数据驾驶舱登录页面的实现 ​ 首先我们有个Splash 过渡页面来判断当前是用户是否登录,我们先从preferences中获取token是否存在。如果不存在直接跳转登录即可,如果存在的情况我们再去获取下用户的信息看看token是否过期…

探索音乐的新边界——AI写歌的奇妙呈现

在音乐的世界里, 创新总是令人充满期待。 对于没有创作灵感、毫无创作水平的小孩,走进一个充满惊喜的音乐平台 —— (Suno) 看看AI 写歌的神奇魅力。S为我们提供了一个丰富多彩的音乐世界, 从新歌推荐到各种风格的音…

Vmware虚拟机无法打开内核设备“\\.\Global\vmx86“的解决方法

我的问题是在一次系统更新后,导致虚拟机无法使用的。我的虚拟机只有方法三解决了问题。 一、方法一 以管理员身份打开cmd,依次执行以下命令: net start vmci net start vmx86 net start VMnetuserif二、方法二 按 WinR 键,运行…

用好这几个AI抠图工具,既省心又省力!

在设计、摄影和数字创作的世界里,抠图虽然常见,却往往让人感到繁琐。不过,随着人工智能的飞速发展,许多可爱的AI抠图工具应运而生,轻松高效地解决了这一难题!下面就来看看几款超级实用的AI抠图工具&#xf…

Python “字符串操作” ——Python面试100道实战题目练习,巩固知识、检查技术、成功就业

本文主要是作为Python中列表的一些题目,方便学习完Python的元组之后进行一些知识检验,感兴趣的小伙伴可以试一试,含选择题、判断题、实战题、填空题,答案在第五章。 在做题之前可以先学习或者温习一下Python的列表,推荐…

Qt 学习第九天:标准对话框 页面布局

系统标准对话框 错误对话框 //错误对话框connect(createPro, &QAction::triggered, this, []{//参数1 父亲 参数2 标题 参数3 对话框内显示文本内容 。。。QMessageBox::critical(this, "报错!", "没加头文件!");}); 【运行结果】 信息对话框 co…

使用arduino玩基于esp8266的nodemcu开发板

一、简介 中秋节到图书馆看书,看到了arduino方面的书籍,里面有提到ESP8266模块。让我想起我抽屉里吃灰很久了的基于esp8266的nodemcu开发板。于是把书借回家研究了一下。这里做个记录。 二、我目前在使用的云服务器推荐 学Linux不搞个云服务器始终感觉…

【笔记】进制转换

文章目录 一、任意进制转十进制1、整数转化成十进制(1)二进制转十进制(2)八进制转十进制 2、小数转化成十进制(1)二进制转十进制(2)八进制转十进制 3、代码1、整数转化成十进制2、小…

使用 Vue 3 和 TypeScript 实现带打字效果的仿 AI 分析展示组件

在这篇博客中,我将分享如何用 Vue 3 和 TypeScript 实现一个带打字效果的 AI 分析展示组件。该组件具有如下功能: 动态打字效果:模拟打字机逐步显示内容。自动滚动:内容超出容器高度时自动滚动到最新位置。 1. 组件实现需求 我…

【读点论文】Text Recognition in the Wild: A Survey 非常纯粹的OCR研究,专业细致,脉络清晰

Text Recognition in the Wild: A Survey 文本的历史可以追溯到几千年前。文本所携带的丰富而精确的语义信息在广泛的基于视觉的应用场景中非常重要。因此,自然场景中的文本识别一直是计算机视觉和模式识别中一个活跃的研究领域。近年来,随着深度学习的…

基础 Web 开发

1. 构建项目&#xff1a; 2.添加依赖 <dependencies> <dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId><optional>true</optional></dependency><dependency><groupI…

低代码门户技术:构建高效应用的全新方式

什么是低代码门户技术&#xff1f; 低代码门户技术是一种利用低代码平台构建企业门户网站或应用的技术。门户通常是企业内部和外部用户访问信息和应用的集中平台。低代码门户技术通过图形化界面和预置组件&#xff0c;允许用户快速搭建和定制这些门户平台&#xff0c;而无需深…

数据结构入门学习(全是干货)——树(中)

数据结构入门学习&#xff08;全是干货&#xff09;——树&#xff08;中&#xff09; 1 二叉搜索树&#xff08;Binary Search Tree&#xff0c;简称 BST&#xff09; 1.1 二叉搜索树及查找 二叉搜索树&#xff08;Binary Search Tree, BST&#xff09; 是一种特殊的二叉树…