Городские формы и функции были тщательно изучены в области городского планирования и геоинформатики. Тем не менее, получение более полного представления об их слиянии для определения городской морфологии остается существенной научной задачей. Для достижения этой цели в статье рассматриваются возможности, представленные в связи с появлением данных краудсорсинга, чтобы получить новый взгляд на формы и функции городских пространств. Особый упор делается на информацию, собранную из социальных сетей и других открытых источников и добровольных наборов данных (например данные OpenStreetMap). Эти данные получены из первых рук от людей, которые определяют городское пространство в рамках своей деятельности. Такой «снизу вверх» подход дополняет традиционные работы по городским исследованиям и обеспечивает новый взгляд на изучение городской активности. Синтезируя последние достижения в области анализа данных с открытым исходным кодом мы предоставляем новую типологию, характеризующую роль краудсорсинга в исследовании городской морфологии. Проиллюстрируем этот новый взгляд, показав, как социальные медиа, траектории и данные трафика можно анализировать, чтобы отметить изменяющийся характер формы и функций города. Вне зависимости от того, явными или неявными по своей природе являются «взносы» толпы, они порождают рост программ исследований для мониторинга, анализа и моделирования функций городского проектирования и анализа.
Эта статья значительно расширяет предварительную работу в отношении краудсорсинга и окружающей географической информации. В рамках этой статьи используется термин "городская форма" для обозначения совокупности физического облика города, его зданий, улиц и всех других элементов, которые составляют городское пространство. В сущности, это геометрия города. В отличие от этого, термин "городская функция" используется для обозначения деятельности, которая происходит в этом пространстве. Далее проводится сравнение, как данные краудсорсинга могут быть связаны, как прямо, так и косвенно, с более традиционными источниками такой информации.
|
|
Форма |
Функция |
||
|
традиционная |
краудсорсинг |
традиционная |
краудсорсинг |
|
|
Явные |
1.Национальные картографические БД 2. Кадастровые данные
|
Сгенерированные пользователями данные с открытым кодом |
Социо-экономическая информация (перепись, данные по землепользованию и т.д.) |
Локальные социальные приложения (Foursquare, WiKiMapia) |
|
Скрытые |
Авторитетные гео-данные (книги, туристические гиды и т.д.) |
1. Траектории геолокации 2.Неструктурированные данные с открытым кодом (туристические блоги) |
1.Туристические путеводители (Lonely Planet и т.д.) 2. Цифровые следы |
Контент социальных медиа (Twitter, Flickr) |
Также в работе обсуждается как эти новые источники данных (которые часто находятся в более мелком разрешении, чем более достоверные данные) позволяют настроить данные на различных географических уровнях, как показано ниже. Такие скопления могут варьироваться от создания адреса уличных блоков (например, для анализа плотности) или уличных сетей (например, для анализа доступности). Для масштабного городского анализа можно вернуться к использованию зональных географических систем.
Рис. 1. Методы агрегации для различных масштабов построения окружающей среды
В разделе приложений показано, как можно извлечь неявную форму и функцию из данных краудсорсинга. Изображение ниже, например, показывает, как можно взять информацию из Twitter и дифференцировать различные районы в пространстве и времени.
Рис. 2. Карта района и результаты моделирования, показывающие смешение социальных функций в каждой области.