【论文分享】cityseer——基于行人尺度的城市网络分析的Python包

本次我们给大家带来一篇介绍专为行人视角的城市分析而设计的 Python软件包——cityseer-api的翻译。cityseer-api 以网络方法为基础，能够动态计算网络中心度、土地利用可达性及混合使用。其高效的算法和灵活的工作流程有助于对城市形态学的深入研究。

【论文题目】

The cityseer Python package for pedestrian-scale network-based urban analysis

【题目翻译】

cityseer——基于行人尺度的城市网络分析的Python包

【期刊信息】

Urban Analytics and City Science；2023, Vol. 50(5) 1328–1344

【作者信息】

Gareth Simons，伦敦大学学院能源研究所建筑材料实验室，gareth.simons@ucl.ac.uk

【论文链接】

https://doi.org/10.1177/23998083221133827

【关键词】

计算、数据科学、地理信息系统、土地利用分析、形态测量、网络分析、空间分析、城市分析、城市规划、城市形态、城市主义。

---

【摘要】

cityseer-api 是一个包含街道网络和土地利用精细分析工具的 Python 软件包，有助于评估形成充满活力社区的形态学前提条件。该软件包以网络方法为基础，专门为行人视角的城市分析而开发。cityseer-api 能计算各种基于节点和线段的网络中心度、土地利用可达性、混合利用程度、统计聚合。可达性和聚合是在街道网络上动态计算的，同时考虑步行距离阈值和行进方向，并且可以选择性地融入空间阻抗和网络分解以增加空间精确度。使用 Python 可以方便地与普及的网络操作（NetworkX）、地理空间拓扑（Shapely）、地理空间数据状态管理（GeoPandas）以及科学软件包的NumPy 栈兼容。此外，其强大网络清理工具有助于使用 OpenStreetMap 数据进行网络分析。底层的循环密集算法使用 Numba JIT 编译代码来实现，使得这些方法能够高效地扩展到更大的城市和区域。有关文档可以在 cityseer.benchmarkurbanism.com 上查阅，Github地址为github.com/benchmark-urbanism/cityseer。示例notebook可在cityseer.benchmarkurbanism.com/examples/ 查看。

---

【前言】

cityseer-api 是一个基于街道网络的空间分析软件包，专为行人尺度的城市形态分析而设计。它结合了街道网络的分解、距离加权的网络中心性和混合利用度量以及具有语境敏感性的距离和聚合方法，来生成具有较高空间精度的观测数据。这些技术使cityseer-api能够以一种便于对城市规划场景的步行性、混合用途和土地利用可达性进行比较分析的方式，描述沿街一定距离间隔的形态指标差异。

中心性和土地利用分析方法广泛依赖于最短路径算法，因嵌套的计算循环而呈现出显著的计算复杂性。纯 Python 基于网络的度量，例如 NetworkX (Hagberg et al., 2008)，如果应用于较大城镇和城市的分析，其速度将变得异常缓慢。通过使用如 Graph-Tool (Peixoto, 2014)、igraph (Csardi and Nepuszm, 2006)、depthmapX (depthmapX development team, 2017) 或pandana (Fotiet al., 2012) 这样的软件包，可以实现性能提升，这些软件包封装了底层优化的 C 或C++ 代码。然而，依赖于较低级编程语言的软件包在探索型研究方面具有一定挑战，因为在不增加复杂性或损失计算效率的情况下操作底层算法变得困难。这种难题促使了 cityseer-api 代码库的开发，该库采用了纯 Python 和NumPy 的方法(Harris et al., 2020)，但通过使用 Numba JIT（即时编译）优化了计算密集型循环(Lam et al., 2015)。这种方法使得在众多的实验中解决了一系列相关问题：

1. cityseer-api 采用了一种“移动窗口（moving-window）”形式的空间分析：依次访问网络中的每个节点，并在当前选定节点的指定步行距离阈值范围内隔离网络。然后可以为局部窗口化的环境计算中心性、土地利用和聚合方法。这类似于空间句法中使用的径向分析形式(计算街道网络中心性时)和pandana中使用的“重叠缓冲查询”的概念(计算土地使用可达性和数据聚合时)。此类窗口化的距离阈值可以基于直线（欧几里得）距离或真实网络距离（Cooper, 2015）；cityseer-api认为，在小范围的行人距离阈值下，真实网络距离更具代表性，特别是在应用于土地使用可达性和混合使用计算时更是如此。移动窗口分析的优势在于它能够清晰且一致地定义与当前分析点相关的网络边界，从而规避了如城镇或城市边界的精确定义、边缘效应的预防以及针对不同大小网络间位置比较的度量标准化的困难等问题。

2. 在计算网络中心性时，通常使用最短距离（shortest-distance）或最简路径（simplest-path）（最小角度“距离”（least angular ‘distance’））阻抗启发式方法。在使用最简路径（simplest-path）启发式方法时，需要修改底层的最短路径（shortest-path）算法，防止绕开尖锐的角度转弯；否则，两个较小的侧步可以结合起来“缩短”尖角（Turner, 2007）。这种安全措施在现成的网络分析软件包中是不可用的。中心性方法常被应用于原始网络表示，通常与最短路径方法（如多重中心性评估分析（Porta et al., 2006）所用）一起使用，或者应用于对偶网络表示，这种表示通常与空间语法传统中的最简单路径方法一起使用Hillier and Hanson, 1984）。cityseer-api结合了这两种分析形式，同时允许在原始网络上计算角度中心性，使得原始和对偶网络之间的拓扑差异不会影响对比最短路径和最简路径启发式方法的观察。

3. 城市分析可用的一系列中心性和混合使用方法；cityseer-api 包括了这些方法的特殊形式，包括强调空间精度的距离加权版本。虽然一些常规方法被广泛使用，但在城市分析工作流中可能存在问题：具体来说，常规的接近中心性公式在窗口化网络中的表现并不如预期，而从大规模分区或网格化聚合派生的混合使用分析方法，在街道环境中解释时可能会变得问题重重。cityseer-api 集成了这些不受上述问题影响的方法实现。这些方法及其含义在随附的网络中心性方法论文[Si