💻 computer science

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

Cet article présente Gridnberg, un ensemble de données de routage piétonnier sensible à la topographie pour la ville de New York qui enrichit le réseau existant avec des élévations au niveau des sommets afin de calculer des coûts de routage spécifiques à chaque direction basés sur la distance horizontale, le confort et l'accessibilité, permettant ainsi une analyse urbaine plus précise tenant compte du terrain.

Auteurs originaux : Ariel Noyman

Publié 2026-07-27

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ariel Noyman

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de naviguer dans une ville en utilisant une carte qui ne montre les rues que sous forme de lignes plates sur une feuille de papier. C'est ainsi que la plupart des modèles informatiques de villes fonctionnent aujourd'hui ; ils traitent le sol comme une table parfaitement plate. Mais dans le monde réel, les villes sont rarement plates. Elles ont des collines, des rampes, des escaliers et des ponts qui modifient la difficulté de marcher d'un endroit à un autre. Pensez à la différence entre monter une colline escarpée et se promener sur un trottoir plat : même si la distance est la même, la colline semble beaucoup plus longue et fatigante. Cette différence est importante car elle change l'itinéraire qu'une personne choisit, sa vitesse pour arriver quelque part, et si un chemin est même possible pour tout le monde, y compris pour les personnes en fauteuil roulant ou avec des poussettes. Les scientifiques appellent cela la « topographie », ce qui est juste un mot sophistiqué pour désigner la forme et la hauteur du terrain. Comprendre comment les hauts et les bas d'une ville affectent la marche est crucial pour concevoir des espaces urbains meilleurs, plus équitables et plus efficaces.

Entrez dans Gridnberg, un nouveau projet qui ramène la « montagne » dans la « grille » de la ville de New York. Les chercheurs derrière ce travail ont réalisé que, bien que nous ayons d'incroyables cartes numériques indiquant où se trouvent les trottoirs, ces cartes ignorent généralement la troisième dimension : la hauteur. Pour corriger cela, ils ont créé un ensemble de données spécial qui superpose des données d'élévation réelles au réseau piétonnier de la ville. Ils n'ont pas simplement deviné les hauteurs ; ils ont utilisé une base de données massive de mesures officielles de la ville pour estimer la hauteur de chaque point de la carte des trottoirs.

Voici le tour de magie qu'ils ont accompli : pour chaque petit point d'un trottoir, ils ont regardé toutes les mesures de hauteur officielles dans un rayon de 50 mètres (environ la moitié d'un terrain de football) et en ont pris la moyenne. Cela leur a donné une « altitude » fiable pour chaque endroit de la carte. Avec cette nouvelle information 3D, ils n'ont pas seulement mesuré la distance d'une marche ; ils ont calculé à quel point elle est « difficile ». Ils ont créé trois façons différentes de noter un itinéraire :

Le score « Juste la distance » : C'est la méthode classique, qui ne compte que la distance à plat.
Le score « Confort » : Il pénalise les pentes raides, car grimper une pente abrupte est beaucoup plus fatigant que de marcher sur un terrain plat.
Le score « Accessibilité » : C'est la version la plus stricte. Elle pénalise fortement les pentes raides car elles demandent plus d'effort, mais elle ne bloque pas automatiquement un itinéraire simplement parce qu'il contient une marche abrupte. Au lieu de cela, elle minimise le « coût de la pente » total le long du chemin, ce qui en fait un meilleur guide pour l'accessibilité sans exclure strictement les itinéraires qui comportent de courtes sections escarpées.

Le résultat est une carte massive et ouverte de la ville de New York avec plus de 313 000 segments de trottoirs, chacun marqué par sa hauteur et sa pente spécifiques. L'équipe a découvert que, bien que la majeure partie de la ville soit relativement plate, il existe des collines significatives, particulièrement dans des zones comme Park Slope et près des ponts. En fait, environ 12,8 % des segments de trottoirs présentent une pente d'au moins 5 %, et près de 7 % sont assez escarpés (plus de 8,33 %) pour être considérés comme difficiles pour de nombreux piétons.

L'un des aspects les plus intéressants de l'article est la façon dont le changement du « coût » d'un itinéraire modifie le chemin que vous empruntez. Par exemple, si vous cherchez simplement la distance la plus courte, l'ordinateur pourrait vous envoyer sur une colline incroyablement raide et courte parce qu'elle économise quelques mètres de marche à plat. Mais si vous demandez à l'ordinateur de trouver l'itinéraire « confortable » ou « accessible », il acceptera volontiers un chemin légèrement plus long pour éviter cette colline escarpée. Dans un cas spécifique à Morningside Heights, le chemin le plus court incluait une « marche » que les données suggéraient être impossiblement raide (une pente de plus de 200 %), ce qui correspondrait à un mur vertical ! Les profils de routage intelligents ont correctement évité ce chemin impossible, choisissant un itinéraire légèrement plus long mais réaliste à la place.

Les auteurs précisent avec prudence que ce n'est pas un produit parfait ou fini. Parce qu'ils ont dû moyenner les hauteurs sur une zone de 50 mètres, certains changements de hauteur très petits ou brusques (comme une marche unique ou une petite rampe) pourraient être lissés ou mélangés avec des ponts à proximité. Ils ont également trouvé quelques bugs étranges où les calculs suggéraient qu'un trottoir montait verticalement le long d'un bâtiment, ce qu'ils admettent nécessiter une révision humaine. Cependant, ils soutiennent que cet ensemble de données est un bond en avant majeur car il rend les « hauts et les bas » de la ville visibles et mesurables pour tous. Cela permet aux chercheurs et aux urbanistes de mener les mêmes expériences encore et encore pour voir comment le terrain modifie qui peut aller où.

En résumé, Gridnberg est comme donner des lunettes 3D à une carte plate. Cela ne vous montre pas seulement où se trouvent les trottoirs ; cela vous montre comment le sol se sent sous vos pieds. En transformant les collines invisibles en données visibles, cela nous aide à comprendre que, dans une ville, le chemin le plus facile pour aller quelque part n'est pas toujours le plus court — c'est celui qui respecte la pente du terrain. Cet outil est désormais disponible pour tous, aidant à construire un avenir où nos villes sont conçues non pas seulement pour le plat, mais pour le monde réel, vallonné et varié dans lequel nous vivons réellement.

Résumé technique : Gridnberg – Un ensemble de données de routage piétonnier sensible à la topographie pour la ville de New York

Énoncé du problème
L'analyse des réseaux urbains simplifie fréquemment les réseaux de rues en graphes planaires (2D), traitant les segments de rue comme des arêtes plates où l'impédance est définie uniquement par la distance horizontale. Cette abstraction ne tient pas compte des changements d'élévation, qui influencent considérablement la vitesse de marche, l'effort métabolique et le choix de l'itinéraire. Bien que des villes comme New York soient souvent perçues comme plates, elles contiennent des variations topographiques significatives, notamment des collines, des rampes, des escaliers, des ponts et des chaussées encaissées. Les services de navigation existants intègrent souvent des données d'élévation, mais leur nature propriétaire empêche les chercheurs d'inspecter ou de reproduire leurs modèles de coût. De plus, bien que les réseaux spécifiques aux trottoirs (ex. : NYCWalks) aient amélioré la fidélité spatiale, ils restent planaires à moins d'être enrichis par des données d'élévation.

Méthodologie
L'article présente Gridnberg, un flux de travail qui intègre la topographie au réseau piétonnier NYCWalks. Le processus comprend trois étapes principales :

Intégration des données :
- Géométrie du réseau : Le jeu de données de base est le réseau NYCWalks (Sevtsuk et al., 2026), contenant 315 577 enregistrements LineString représentant des trottoirs, des passages piétons et des sentiers, projetés en EPSG:6538 (NAD83(2011)).
- Source d'élévation : Les données d'élévation sont dérivées de la base de données planimétrique 2022 de la ville de New York (classe ELEVATION). Pour garantir la pertinence vis-à-vis des infrastructures piétonnes, le flux de travail filtre les points de chaussée et de pont (Code de caractéristique 3000), excluant les toits de bâtiments et les éléments aquatiques pour éviter de contaminer les calculs de moyenne locale.
- Alignement des coordonnées : Les points d'élévation (originellement en pieds de l'arpentage américain et EPSG:2263) sont convertis en mètres.
Assignation de l'élévation aux sommets :
- Pour chaque sommet $v$ du réseau piétonnier, l'élévation assignée ( $z_v$ ) est calculée comme la moyenne non pondérée de toutes les observations d'élévation ( $z_p$ ) dans un rayon de 50 mètres.
- Critères de support : Un sommet est considéré comme « supporté » uniquement si au moins une observation d'élévation existe dans le rayon. Un segment est conservé dans le jeu de données final uniquement si tous les sommets de sa géométrie sont supportés. Ce critère strict préserve 99,24 % des segments sources (313 184 sur 315 577).
- Le rayon de 50 mètres est un compromis entre spécificité spatiale et couverture de la source ; la distance médiane vers l'observation contributrice la plus proche est de 10,14 m.
Calcul des métriques et coûts de routage :
- Métriques de segment : Pour les segments conservés, le flux de travail calcule la longueur horizontale ( $L$ ), le changement d'élévation net ( $\Delta z$ ), ainsi que l'ascension cumulative ( $G^+$ ) et la descente cumulative ( $G^-$ ). Il calcule également la pente locale absolue maximale ( $g_{max}$ ), en appliquant un seuil de pas horizontal de 1 mètre pour éviter le bruit provenant de pas de géométrie extrêmement courts.
- Fonctions de coût de routage : Le jeu de données définit trois profils de coût :
  - Distance seule ( $C_0$ ) : $C_0 = L$ .
  - Orienté confort : Applique des pénalités asymétriques pour les trajets en montée et en descente basées sur les ratios de pente cumulative ( $q^+$ et $q^-$ ). Il utilise des points de rupture à 5 % ( $g_0$ ) et 8,33 % ( $g_1$ ), avec des poids plus élevés pour les pentes plus raides.
  - Sensible à l'accessibilité : Utilise des poids plus élevés que le profil de confort, particulièrement pour les pentes dépassant 8,33 %, reflétant l'effort accru pour les utilisateurs à mobilité réduite.
- Les fonctions de coût sont linéaires par morceaux, pénalisant les segments où la pente cumulative dépasse des seuurs spécifiques. Les profils sont « sensibles à l'accessibilité » plutôt que « sans barrières », ce qui signifie qu'ils minimisent le coût pondéré par la pente mais n'excluent pas strictement les itinéraires contenant de courtes marches locales abruptes.

Résultats clés

Échelle du jeu de données : La version finale contient 187 657 nœuds terminaux et 313 184 segments physiques (626 368 arêtes dirigées).
Distribution topographique : Les élévations des nœuds varient de -0,33 m à 121,09 m. La pente médiane absolue moyenne des points terminaux est de 0,58 %, tandis que la pente locale absolue maximale médiane est de 0,88 %.
Statistiques de raideur : 12,79 % des segments présentent une pente locale d'au moins 5 %, et 6,84 % atteignent au moins 8,33 %. Cependant, seuls 4,76 % des segments subissent une pénalité de pente dans au moins une direction selon la logique de coût de routage, illustrant la différence entre les maximums locaux et les coûts agrégés par segment.
Connectivité du réseau : Le jeu de données aboutit à 256 composantes connexes. La plus grande composante contient 84,25 % des nœuds. Les composantes plus petites correspondent à des zones géographiquement séparées comme Staten Island et la péninsule de Rockaway, ou à des zones où la couverture d'élévation était trop faible pour répondre au critère de « support complet ».
Études de cas : Les comparaisons d'itinéraires démontrent que les profils sensibles à la pente sélectionnent souvent des chemins légèrement plus longs (ex. : 2,3 % à 5,5 % de plus) mais réduisent considérablement le gain cumulé et les pentes locales maximales. Dans certains cas de diagnostic, l'itinéraire minimisant la distance inclut des arêtes avec des pentes implausibles (ex. : >100 %), que les profils sensibles à la pente parviennent à éviter avec succès.

Signification et revendications
L'article positionne Gridnberg comme un outil d'analyse reproductible et sensible au terrain plutôt que comme une vérité de terrain définitive et exempte d'erreurs. Ses principales contributions sont :

Transparence : Il fournit une mise en œuvre publique et inspectable de la manière dont les données d'élévation municipales peuvent être cartographiées sur les réseaux piétonniers, contrastant avec les moteurs de routage propriétaires opaques.
Clarté méthodologique : Il documente le flux de travail spécifique pour l'assignation des élévations de sommets, le calcul des scores de pente directionnels et la construction de scénarios de coût de routage.
Valeur de diagnostic : Le jeu de données expose explicitement les cas non résolus où la topographie, les infrastructures verticales (comme les ponts) et les artefacts de données sont difficiles à distinguer. Par exemple, les auteurs notent que des valeurs de pente extrêmes peuvent résulter de la confusion entre les observations de sol et de tablier de pont dans la fenêtre de 50 m ou d'artefacts de géométrie.
Base d'amélioration : La publication sert de base concrète pour améliorer la manière dont les réseaux piétonniers représentent l'élévation, permettant aux chercheurs de tester comment le terrain affecte l'accessibilité, la centralité et les modèles de flux de piétons.

Les auteurs restent modestes quant aux limites de leur jeu de données, reconnaissant que les élévations assignées sont des moyennes locales non pondérées plutôt que des mesures de précision, et que les fonctions de coût heuristiques sont sensibles à la segmentation des caractéristiques. Ils soulignent que l'application en conditions réelles nécessite un examen explicite des cas limites, particulièrement là où les connexions verticales ou les discordances de données surviennent.

Résumé technique : Gridnberg – Un ensemble de données de routage piétonnier sensible à la topographie pour la ville de New York

Articles similaires