💻 computer science

Gridnberg: A Topography-Aware Pedestrian Routing Dataset for New York City

Este artículo presenta Gridnberg, un conjunto de datos de rutas peatonales con conciencia de la topografía para la ciudad de Nueva York que enriquece la red existente con elevaciones a nivel de vértice para calcular costos de ruta específicos por dirección basados en la distancia horizontal, la comodidad y la accesibilidad, permitiendo así un análisis urbano más preciso y consciente del terreno.

Autores originales: Ariel Noyman

Publicado 2026-07-27

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ariel Noyman

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina intentar navegar por una ciudad usando un mapa que solo muestra las calles como líneas planas sobre un trozo de papel. Así es como funcionan la mayoría de los modelos informáticos de las ciudades hoy en día; tratan el suelo como una mesa perfectamente plana. Pero en el mundo real, las ciudades rara vez son planas. Tienen colinas, rampas, escaleras y puentes que cambian qué tan difícil es caminar de un lugar a otro. Piensa en caminar por una colina empinada frente a pasear por una acera plana: incluso si la distancia es la misma, la colina se siente mucho más larga y cansada. Esta diferencia importa porque cambia la ruta que una persona elige, qué tan rápido puede llegar a un lugar y si un camino es siquiera posible para todos, incluyendo a personas en sillas de ruedas o con cochecitos de bebé. Los científicos llaman a esto "topografía", que es solo una palabra elegante para referirse a la forma y la altura del terreno. Comprender cómo los altibajos de una ciudad afectan la caminata es crucial para diseñar espacios urbanos mejores, más justos y más eficientes.

Entra Gridnberg, un nuevo proyecto que devuelve la "montaña" a la "rejilla" para la ciudad de Nueva York. Los investigadores detrás de este trabajo se dieron cuenta de que, si bien tenemos mapas digitales asombrosos de dónde están las aceras, esos mapas usualmente ignoran la tercera dimensión: la altura. Para solucionar esto, crearon un conjunto de datos especial que superpone datos de elevación del mundo real sobre la red peatonal de la ciudad. No solo adivinaron las alturas; utilizaron una base de datos masiva de mediciones oficiales de la ciudad para estimar la altura de cada punto individual en el mapa de las aceras.

Este es el truco de magia que realizaron: para cada pequeño punto en una acera, buscaron todas las mediciones de altura oficiales dentro de un radio de 50 metros (aproximadamente medio campo de fútbol) y tomaron el promedio. Esto les dio una "altitud" confiable para cada lugar del mapa. Con esta nueva información 3D, no solo midieron qué tan lejos es una caminata; calcularon qué tan "difícil" es. Crearon tres formas diferentes de calificar una ruta:

La puntuación de "Solo la distancia": Es la forma de la vieja escuela, contando solo la distancia plana.
La puntuación de "Comodidad": Esta penaliza las colinas empinadas, porque subir una pendiente pronunciada se siente mucho más agotador que caminar en terreno plano.
La puntuación de "Accesibilidad": Esta es la versión más estricta. Penaliza fuertemente las pendientes pronunciadas porque requieren más esfuerzo, pero no bloquea automáticamente una ruta solo porque contenga un escalón empinado. En su lugar, minimiza el "costo de pendiente" total a lo largo del camino, convirtiéndola en una mejor guía para la accesibilidad sin excluir estrictamente las rutas que tienen secciones cortas y empinadas.

El resultado es un mapa masivo y abierto de la ciudad de Nueva York con más de 313,000 segmentos de acera, cada uno etiquetado con su altura y pendiente específicas. El equipo encontró que, aunque la mayor parte de la ciudad es relativamente plana, hay colinas significativas, especialmente en áreas como Park Slope y cerca de los puentes. De hecho, alrededor del 12.8% de los segmentos de acera tienen una pendiente de al menos un 5%, y casi el 7% son lo suficientemente empinados (más del 8.33%) como para ser considerados desafiantes para muchos peatones.

Uno de los aspectos más interesantes que muestra el artículo es cómo cambiar el "costo" de una ruta cambia el camino que tomas. Por ejemplo, si solo intentas caminar la distancia más corta, la computadora podría enviarte por una colina increíblemente empinada y corta porque ahorra algunos metros de caminata plana. Pero si le pides a la computadora encontrar la ruta "cómoda" o "accesible", estará feliz de tomar un camino ligeramente más largo que evite esa colina empinada por completo. En un caso específico en Morningside Heights, la ruta más corta incluía un "escalón" que los datos sugerían que era imposiblemente empinado (¡una pendiente de más del 200%, lo cual sería una pared vertical!). Los perfiles de ruta inteligentes evitaron correctamente este camino imposible, eligiendo una ruta ligeramente más larga pero realista en su lugar.

Los autores advierten cuidadosamente que este no es un producto perfecto ni terminado. Debido a que tuvieron que promediar las alturas en un área de 50 metros, algunos cambios de altura muy pequeños y bruscos (como un solo escalón o una pequeña rampa) podrían suavizarse o mezclarse con puentes cercanos. También encontraron algunos errores extraños donde las matemáticas sugerían que una acera subía directamente por un edificio, algo que admiten que requiere revisión humana. Sin embargo, argumentan que este conjunto de datos es un gran salto adelante porque hace que el "arriba y abajo" de la ciudad sea visible y medible para todos. Permite a los investigadores y planificadores urbanos realizar los mismos experimentos una y otra vez para ver cómo el terreno cambia quién puede ir a dónde.

En resumen, Gridnberg es como darle gafas 3D a un mapa plano. No solo te muestra dónde están las aceras; te muestra cómo se siente el suelo bajo tus pies. Al convertir las colinas invisibles en datos visibles, nos ayuda a entender que, en una ciudad, la forma más fácil de llegar a un lugar no siempre es la más corta, sino la que respeta la pendiente del terreno. Esta herramienta está ahora disponible para que cualquiera la use, ayudando a construir un futuro donde nuestras ciudades sean diseñadas no solo para lo plano, sino para el mundo real, accidentado y variado en el que realmente vivimos.

Resumen Técnico: Gridnberg – Un conjunto de datos de rutas peatonales con conciencia topográfica para la ciudad de Nueva York

Planteamiento del problema
El análisis de redes urbanas frecuentemente simplifica las redes de calles en grafos planares (2D), tratando los segmentos de calle como aristas planas donde la impedancia se define únicamente por la distancia horizontal. Esta abstracción no tiene en cuenta los cambios de elevación, los cuales influyen significativamente en la velocidad de marcha, el esfuerzo metabólico y la elección de la ruta. Aunque ciudades como Nueva York suelen percibirse como planas, contienen variaciones topográficas significativas, incluyendo colinas, rampas, escaleras, puentes y calzadas hundidas. Los servicios de navegación existentes a menudo incorporan datos de elevación, pero su naturaleza propietaria impide que los investigadores inspeccionen o reproduzcan sus modelos de costo. Además, aunque los conjuntos de datos específicos de aceras (por ejemplo, NYCWalks) han mejorado la fidelidad espacial, siguen siendo planares a menos que se enriquezcan con datos de elevación.

Metodología
El artículo presenta Gridnberg, un flujo de trabajo que integra la topografía en la red peatonal de NYCWalks. El proceso consta de tres etapas principales:

Integración de datos:
- Geometría de la red: El conjunto de datos base es la red NYCWalks (Sevtsuk et al., 2026), que contiene 315,577 registros LineString que representan aceras, pasos de cebra y senderos, proyectados en EPSG:6538 (NAD83(2011)).
- Fuente de elevación: Los datos de elevación se derivan de la Base de Datos Planimétrica de NYC 2022 (clase ELEVATION). Para asegurar la relevancia con la infraestructura peatonal, el flujo de trabajo filtra puntos de lecho de carretera y de puentes (Código de Característica 3000), excluyendo techos de edificios y elementos acuáticos para evitar la contaminación de los cálculos de media local.
- Alineación de coordenadas: Los puntos de elevación (originalmente en pies de agrimensor de EE. UU. y EPSG:2263) se convierten a metros.
Asignación de elevación de vértices:
- Para cada vértice $v$ en la red peatonal, la elevación asignada ( $z_v$ ) se calcula como la media no ponderada de todas las observaciones de elevación ( $z_p$ ) dentro de un radio de 50 metros.
- Criterio de soporte: Un vértice se considera "soportado" solo si existe al menos una observación de elevación dentro del radio. Un segmento se conserva en el conjunto de datos final solo si todos los vértices de su geometría están soportados. Este criterio estricto preserva el 99.24% de los segmentos de origen (313,184 de 315,577).
- El radio de 50 metros es un compromiso entre la especificidad espacial y la cobertura de la fuente; la distancia mediana a la observación contribuyente más cercana es de 10.14 m.
Cálculo de métricas y costos de ruta:
- Métricas de segmento: Para los segmentos retenidos, el flujo de trabajo calcula la longitud horizontal ( $L$ ), el cambio neto de elevación ( $\Delta z$ ), y el ascenso acumulado ( $G^+$ ) y descenso ( $G^-$ ). También computa la pendiente local absoluta máxima ( $g_{max}$ ), aplicando un umbral de paso horizontal de 1 metro para evitar el ruido de pasos geométricos extremadamente cortos.
- Funciones de costo de ruta: El conjunto de datos define tres perfiles de costo:
  - Solo distancia ( $C_0$ ): $C_0 = L$ .
  - Orientado al confort: Aplica penalizaciones asimétricas para el desplazamiento en subida y bajada basadas en las proporciones de pendiente acumulada ( $q^+$ y $q^-$ ). Utiliza puntos de ruptura en 5% ( $g_0$ ) y 8.33% ( $g_1$ ), con pesos más altos para pendientes más pronunciadas.
  - Sensible a la accesibilidad: Utiliza pesos más altos que el perfil de confort, particularmente para pendientes que superan el 8.33%, reflejando un mayor esfuerzo para usuarios con movilidad reducida.
- Las funciones de costo son lineales por tramos, penalizando los segmentos donde la pendiente acumulada excede ciertos umbrales. Los perfiles son "sensibles a la accesibilidad" en lugar de "libres de barreras", lo que significa que minimizan el costo ponderado por la pendiente, pero no excluyen estrictamente rutas que contengan escalones locales cortos y empinados.

Resultados clave

Escala del conjunto de datos: La versión final contiene 187,657 nodos de extremo y 313,184 segmentos físicos (626,368 aristas dirigidas).
Distribución topográfica: Las elevaciones de los nodos oscilan entre -0.33 m y 121.09 m. La pendiente absoluta mediana de los promedios de los extremos es de 0.58%, mientras que la pendiente absoluta máxima mediana es de 0.88%.
Estadísticas de pendiente: El 12.79% de los segmentos contiene una pendiente local reportada de al menos 5%, y el 6.84% alcanza al menos el 8.33%. Sin embargo, solo el 4.76% de los segmentos incurre en una penalización por pendiente en al menos una dirección bajo la lógica de costo de ruta, lo que ilustra la diferencia entre los máximos locales y los costos agregados del segmento.
Conectividad de la red: El conjunto de datos resulta en 256 componentes conectados. El componente más grande contiene el 84.25% de los nodos. Los componentes más pequeños corresponden a áreas geográficamente separadas como Staten Island y la península de Rockaway, o áreas donde la cobertura de elevación fue demasiado dispersa para cumplir con el criterio de "soporte completo".
Casos de estudio: Las comparaciones de rutas demuestran que los perfiles sensibles a la pendiente suelen seleccionar caminos que son ligeramente más largos (por ejemplo, de un 2.3% a un 5.5% más largos) pero reducen significativamente la ganancia acumulada y las pendientes locales máximas. En algunos casos diagnósticos, la ruta que minimiza la distancia incluye aristas con pendientes implausibles (por ejemplo, >100%), que los perfiles sensibles a la pendiente logran evitar con éxito.

Significancia y Reivindicaciones
El artículo posiciona a Gridnberg como una herramienta para el análisis reproducible y consciente del terreno, en lugar de una verdad de campo definitiva y libre de errores. Sus contribuciones principales son:

Transparencia: Proporciona una implementación pública e inspeccionable de cómo los datos de elevación municipales pueden mapearse a redes peatonales, contrastando con los motores de enrutamiento propietarios de "caja negra".
Claridad metodológica: Documenta el flujo de trabajo específico para la asignación de elevación de vértices, el cálculo de puntuaciones de pendiente por dirección y la construcción de escenarios de costo de ruta.
Valor diagnóstico: El conjunto de datos expone explícitamente casos no resueltos donde la topografía, la infraestructura vertical (como puentes) y los artefactos de datos son difíciles de distinguir. Por ejemplo, los autores señalan que los valores de pendiente extremos pueden surgir de la mezcla de observaciones de suelo y de la plataforma del puente dentro de la ventana de 50 m, o de artefactos geométricos.
Base para la mejora: El lanzamiento sirve como una base concreta para mejorar la forma en que las redes peatonales representan la elevación, permitiendo a los investigadores probar cómo el terreno afecta la accesibilidad, la centralidad y los modelos de flujo peatonal.

Los autores mantienen la modestia respecto a las limitaciones del conjunto de datos, reconociendo que las elevaciones asignadas son medias locales no ponderadas en lugar de mediciones de nivel de agrimensura, y que las funciones de costo heurísticas son sensibles a la segmentación de características. Enfatizan que la aplicación en el mundo real requiere una revisión explícita de los casos límite, particularmente donde ocurren conexiones verticales o desajustes de datos.

Resumen Técnico: Gridnberg – Un conjunto de datos de rutas peatonales con conciencia topográfica para la ciudad de Nueva York

Más como este