Utilizando Dados Abertos e Ciência de dados na mobilidade urbana
Entendendo a cidade de Maceió através de imagens
Este artigo é uma tradução contextualizada. Com isso, quero dizer que o conteúdo apresentado a seguir é embasado em outro artigo (Em inglês). Dessa forma, resolvi aplicar a mesma abordagem utilizada no artigo realizando algumas alterações para efeitos didáticos.
Contextualização
Um dos maiores vilões da vida moderna atualmente é o trânsito. São horas gastas dentro de um ônibus ou em frente a um volante que poderiam ser utilizadas de forma mais proveitosa. Consequentemente, é comum encontrar pessoas que optam por morar próximos ao trabalho, faculdade e etc.
Neste artigo analizaremos a mobilidade urbana na perspectiva do pedestre e sua percepção de proximidade com relação aos pontos de interesse, que nesse exemplo são escolas e hospitais.
Dados
Os dados utilizados nesta análise foram retirados do OpenStreetMap (OSM).
O OpenStreetMap é desenvolvido por uma comunidade voluntária de mapeadores que contribuem e mantêm atualizados os dados sobre estradas, trilhos, cafés, estações ferroviárias e muito mais por todo o mundo.
Para facilitar a análise utilizamos uma abordagem de grafo, onde os nós recuperados são cruzamentos entre ruas ou ruas sem saída e as arestas representam as ruas entre os nós. Essa abordagem permitiu uma redução considerável na quantidade de pontos recuperados, como pode se ver a seguir.
Após a criação do grafo é necessário recuperar os pontos de interesse presentes nessa área. Para isso utilizaremos a API do overpass. Ela nos permite consultar os dados armazenados no OSM para uma área específica. Logo, o próximo passo é definirmos a área.
Com a área definida iremos recuperar os pontos de interesse contidos nessa área. Para isso iremos utilizar a biblioteca pandana. Essa biblioteca fornece uma interface simples para recuperar dados do OSM.
Além de pré-visualizar os pontos recuperados, vale a pena sabermos a quantidade de pontos de interesse por categoria.
Visualização
Com os dados necessários em mãos vamos dar início a visualização. Para isso, devemos carregar os dados e os pontos de interesse no mesmo local.
Para facilitar a visualização iremos criar duas funções: a primeira deve renderizar os locais em formato hexagonal, a segunda como um gráfico de dispersão.
Agora é só utilizar as funções para os locais de interesse.
Na Figura 2, é possível notar uma distribuição das escolas. Visualmente é fácil notar um eixo que separa as regiões leste e oeste. Acredito que esse fato cabe uma análise posterior.
Na Figura 3, podemos notar uma concentração maior de hospitais do lado oeste. Consequentemente a população mais distante precisará se deslocar mais para chegar a um desses hospitais.
Conclusão
O OSM uma lista extensa de features que podem ser utilizadas neste estudo. Aplicar outras features fica como trabalho de casa. Além disso, essa análise pode ser facilmente utilizada em outros contextos. Por exemplo: localizar o melhor local para abrir um negócio, distribuição de pontos de coleta e etc.
P.S. Devo salientar que os dados utilizados na análise foram obtidas através de uma base colaborativa (OSM) e não de fonte oficial. Logo, é possível que algum dado esteja desatualizado.
Código
O código que mostrei no artigo pode ser encontrado nesse repositório do GitHub.
Referências
Artigo em inglês: “Measuring pedestrian accessibility”
Escreva para o Pizza você também
Você também pode adicionar ou escrever para a Revista do Pizza. Para isso, basta mandar e-mail para gente contando a ideia do artigo ou mandando o link se o artigo já tiver sido publicado.
