Gridnberg

Gridnberg是一个针对纽约市的地形感知行人路由数据集、工作流程和Web应用。它基于现有行人网络，为顶点分配局部高程，推导考虑坡度的路由成本，并展示在考虑坡度时路由选择的变化。Gridnberg is a terrain-aware pedestrian routing dataset, workflow, and web application tailored for New York City. Based on existing pedestrian networks, it assigns local elevation values to network vertices, derives routing costs that account for slope gradients, and demonstrates the shifts in route selection when slope is taken into consideration.

原始信息汇总

Gridnberg 数据集概述

基本信息

• 名称: Gridnberg（"Grid-and-berg"，意为“山丘上的网格”）
• 用途: 一个地形感知的行人路径规划数据集、工作流程和网页应用，专为纽约市设计。它利用现有的行人网络，为节点分配本地高程，推导出坡度感知的路径成本，并展示在考虑坡度时路径选择的变化。
• 来源: 基于 Sevtsuk 等人的纽约市行人网络，以及纽约市平面测量数据库的ELEVATION高程点数据。
• 引用: 使用时应同时引用 Gridnberg 和原始行人网络。
  • Gridnberg: Noyman, A. (2026). Gridnberg: A topography-aware pedestrian routing dataset for New York City. https://arielnoyman.com/gridnberg
  • 原始行人网络: Sevtsuk, A., et al. (2026). Spatial distribution of foot traffic in New York City and applications for urban planning. Nature Cities, 3, 136-145. https://doi.org/10.1038/s44284-025-00383-y

数据文件与仓库内容

路径	说明
outputs/nyc_ped_net_radius50m_routing_network.csv	主要路径网络表，每一行代表一个保留的行人路段。
outputs/nyc_ped_net_radius50m_routing_nodes.csv	路径节点表，由网络表引用。
app/	一个用于展示路径对比的静态网页应用。
qgis/gridnberg.qgz	用于空间数据检查的 QGIS 项目文件。
qgis/nyc_ped_net_radius50m_routing.gpkg	路径网络和节点的 GeoPackage 版本。
scripts/pedestrian_network_height_workflow.ipynb	用于分配高程并导出输出的可复现工作流程。
scripts/export_webapp_data.py	将 GeoPackage 转换为网页应用所需的紧凑数据文件。

• 权威数据: outputs/目录下的两个 CSV 文件为官方公共数据文件。app/data/下的数据由 GeoPackage 生成，为浏览器渲染优化，不适用于分析。

核心方法与步骤

步骤	描述
1. 准备输入	使用EPSG:6538坐标系下的原始行人网络和EPSG:2263坐标系下的纽约市平面高程点。
2. 单位转换	将高程点的 XY 坐标和高程值从美国测量英尺转换为米。
3. 分配高程	对每个唯一的行人网络节点，计算其 50 米搜索半径内所有附近高程点的平均高程。
4. 保留有效路段	仅保留所有端点都有局部高程数据的路段。
5. 构建路径图	为每个物理路段存储一行数据，包含 A 到 B 和 B 到 A 两个方向上的路径成本。
6. 导出产品	输出公共 CSV 文件、QGIS GeoPackage 和网页应用的浏览器数据。

路径成本方案

方案	字段	解释
仅距离	cost_distance	基于水平距离的普通最短路径。
舒适	cost_slope_a_to_b, cost_slope_b_to_a	对上坡、下坡和陡坡施加中等惩罚。
无障碍	cost_accessible_a_to_b, cost_accessible_b_to_a	对受坡度影响更大的用户施加更强的坡度敏感惩罚。

• 坡度参考: 爬升5%（1:20）和8.33%（1:12）作为无障碍参考点。这些成本是场景评分，而非出行时间或合规性标签。

输出数据模式

routing_network 表:

字段	描述
segment_id	唯一的路段ID。
network_record_number	连接回中间保留的3D网络记录。
node_a, node_b	端点节点ID，与routing_nodes.node_id匹配。
point_count	路段的几何顶点数量。
length_m	水平路段长度（米）。
z_a_m, z_b_m	端点高程（米）。
net_change_a_to_b_m	从端点A到B的高程变化。
avg_grade_a_to_b_pct	从A到B的平均坡度。
max_abs_grade_pct	经过短步长过滤后的最大局部爬升幅度。
cost_distance	仅距离路径成本。
cost_slope_a_to_b, cost_slope_b_to_a	按方向划分的舒适路径成本。
cost_accessible_a_to_b, cost_accessible_b_to_a	按方向划分的无障碍路径成本。

routing_nodes 表:

字段	描述
node_id	唯一的路径节点ID。
x, y	EPSG:6538坐标系下的投影坐标。
z_m	节点高程（米）。

局限性

• 仅测量沿网络几何的纵向坡度，未测量：横坡、路缘坡道、人行道宽度、路面质量、障碍物或信号灯计时。
• 不考虑施工、积雪、法律通道或ADA合规性。
• 陡峭路段是否为实际地形、楼梯、坡道、桥梁或数据伪影，无法确定。
• 在高架桥等复杂基础设施附近，高程平均值可能带有噪声。
• “无障碍”配置文件是一个坡度感知的路径规划场景，而非无障碍认证。

网页应用

• 本地运行: 使用 python3 -m http.server 4317 --bind 127.0.0.1 --directory app 命令，然后访问 http://127.0.0.1:4317/。
• 数据更新: 重建 GeoPackage 后，运行 python3 scripts/export_webapp_data.py 刷新应用数据。
• 技术栈: 使用 MapLibre GL JS 和生成的数据文件（app/data/routing-data.json 和 app/data/network-display.geojson）。

数据重建

• 所需输入文件: 工作流程需要nyc_ped_net/nyc_ped_net.shp（原始行人网络）和height_pnts/height_pnts.shp（原始高程点）。
• 步骤: 运行scripts/pedestrian_network_height_workflow.ipynb重建CSV和GeoPackage，然后运行python3 scripts/export_webapp_data.py更新网页应用数据。

搜集汇总

数据集介绍

构建方式

Gridnberg数据集以纽约市为研究区域，聚焦于地形感知的行人路径规划。其构建始于Sevtsuk等人提供的行人路网几何数据，并融入纽约市平面测量数据库中的高程点信息。数据处理过程中，首先将高程坐标与数值由美国测量英尺转换为米，随后对每个路网顶点，以50米为搜索半径，计算邻近高程点的均值作为该顶点的高程估计。仅保留所有顶点均具备局部高程支持的路径段，进而构建有向路由图，为每条物理路段生成双向成本字段。最终输出为CSV格式的路由网络与节点表，同时提供QGIS GeoPackage以及面向浏览器渲染的紧凑数据文件，形成一套可复现的地形感知数据集。

特点

该数据集的核心特色在于其局域化高程赋值策略，避免了使用远处高程点可能引发的坡度失真问题，确保坡度计算的准确性。在路由成本设计上，数据集提供了三种场景：仅基于水平距离的最短路径、适度惩罚起伏与陡坡的“舒适”模式，以及针对坡度更为敏感的“无障碍”模式。场景中的坡度参考值设定为5%与8.33%，对应常见无障碍设计标准。需要注意的是，数据集的成本为场景评分而非实际通行时间或合规标签，且其坡度测量仅限于沿路网几何的纵向坡度，不涉及横坡、路缘坡道、路面质量等要素，因此不构成无障碍认证。

使用方法

用户可通过两种主要方式利用Gridnberg数据集。对于分析研究，可直接使用`outputs/`目录下的权威CSV文件，其中`routing_network`表包含路段ID、端点高程、坡度及三种路由成本字段，`routing_nodes`表则提供节点坐标与高程。如需进行空间可视化与探索，可加载QGIS GeoPackage文件至QGIS环境，或通过`app/`目录下的静态网页应用进行交互式路径比较。运行网页应用仅需在本地启动HTTP服务器并访问指定端口。若需完全复现数据集，用户需准备源路网与高程点Shapefile，运行提供的Jupyter Notebook工作流程，再通过导出脚本刷新网页应用数据，实现端到端的定制化构建。

背景与挑战

背景概述

Gridnberg是由Ariel Noyman于2026年创建的一个面向纽约市的地形感知行人路径规划数据集。该数据集基于Sevtsuk等人开发的行人网络，通过融合纽约市平面测绘数据库中的高程点信息，将局部地形高程赋予网络节点，从而推导出坡度敏感的路径成本。其核心研究问题在于探索传统以水平距离为基准的最短路径算法如何因地形起伏而发生改变，进而揭示城市空间分析中地形因素被长期忽视的缺憾。Gridnberg不仅提供了可复现的构建流程、QGIS工程文件及交互式网页应用，还定义了“舒适”与“无障碍”两种坡度敏感路由场景，为城市地理学、交通规划与无障碍环境研究提供了一个兼具理论价值与实践意义的基准数据集。

当前挑战

Gridnberg所应对的领域挑战在于，传统城市路径规划大多忽略地形坡度对人类步行舒适度与可达性的影响，导致推荐路径在实际使用中可能包含不应被建议的陡峭路段，尤其对行动不便者造成隐性障碍。构建过程中则面临多重难点：首先，高程点与网络节点的空间匹配需在50米搜索半径内完成，以避免引入远距离插值造成的伪坡度；其次，坐标系统转换（EPSG 6538与EPSG 2263）及英制到公制的单位换算需严格控制精度；再者，坡度的局部极值与平均斜率均需基于分段几何顶点计算，任何数据伪影（如桥梁、楼梯或建筑物轮廓误入网络）都可能使成本估算失真；最后，如何将坡度信息转化为有实际意义的“无障碍”路由成本，而非简单的合规标签，亦是一大设计挑战。

常用场景

经典使用场景

Gridnberg数据集最经典的使用场景在于为纽约市的行人路径规划引入地形感知能力。研究者可基于该数据集的坡道感知路由成本模型，探索坡度对行人路径选择的影响。通过比较距离优先、舒适优先及无障碍优先三种路由场景，分析不同身体条件或出行目的下的最优路径差异，从而揭示城市地形对行人流动的隐性制约。

实际应用

在实际应用中，Gridnberg可辅助城市规划者优化步行基础设施布局。例如，通过识别无障碍路径中陡坡集中的区域，为轮椅使用者设计更友好的绕行路线；或为老年人、体力受限人群提供坡度平缓的推荐路径。此外，该数据集可集成于导航应用，依据用户体能条件动态推荐最省力或最舒适的步行方案，提升城市出行体验。

衍生相关工作

Gridnberg衍生了多项经典工作。其一，研究者利用其坡度成本模型构建了多准则行人路径规划算法，综合考量距离、坡度与路面质量。其二，该数据集被用于验证坡度对行人流量分布的影响，推动了城市DEM与行人网络融合的研究方向。其三，基于Gridnberg的无障碍路由场景，衍生出城市步行可达性公平性评估框架，相关成果发表于《Nature Cities》等期刊。