A propos Ryma Hachi

Ryma Hachi est doctorante à l’UMR Géographie-cités depuis octobre 2014, sous la direction de Lena Sanders. Architecte et historienne de formation, sa thèse vise à révéler, grâce à la théorie des graphes, les processus de formation et de transformation des réseaux viaires.

Initiation à sDNA (Spatial Design Network Analysis) sous Qgis

Ce tutoriel reprend en partie la présentation « Initiation à sDNA sous Qgis » préparée dans le cadre de l’atelier « Analyse de réseaux spatiaux et SIG » organisée par le groupe fmr à SAGEO 2017 (6-9 Novembre, Rouen).

Ces dernières années, plusieurs plugins permettant d’analyser des réseaux spatiaux grâce à Qgis ont été développés ; citons notamment Space Syntax Toolkit (J. Gil et al.), Network Analysis (S. Lhomme), Morpheo (C. Lagesse) ou encore sDNA (C. Cooper, A. Chiaradia, C. Webster). Ces plugins sont souvent utilisés pour analyser des réseaux viaires, mais chacun d’entre eux a une conception différente de la manière de passer de ce réseau à un graphe. Dans ce tutoriel, nous présenterons le plugin sDNA pour Spatial Design Network Analysis. Ce tutoriel est basé sur le manuel du plugin, disponible à l’adresse: http://www.cardiff.ac.uk/sdna/software/documentation.

1) Préalable théorique :

sDNA peut être utilisé pour tout type de réseaux spatiaux, mais la communauté de chercheurs qui l’utilise s’intéresse particulièrement aux réseaux urbains et aux systèmes de transport : réseau de véhicules, réseaux piétons (en intérieur ou en extérieur), cyclistes, transport public. Le plugin peut donc être utilisé aussi bien en planification des transports, en aménagement et en architecture.

Le postulat de ces travaux est que la structure des réseaux permet de capturer des informations sur un très grand nombre de phénomènes : la santé, la cohésion sociale, la valeur du foncier, la « vitalité » d’un quartier, l’usage du sol, les déplacements piétons, la pollution, les accidents ou encore l’insécurité. Ainsi, l’objectif de ces travaux est de fournir des arguments pour la conception de « meilleurs » réseaux dans l’environnement bâti.

sDNA permet d’étudier des réseaux spatiaux, c’est-à-dire des réseaux contenant des informations spatiales. Les nœuds ont donc des positions dans un espace euclidien à deux ou trois dimensions.

L’une des particularités de sDNA, par rapport aux plugins d’analyse de réseaux les plus classiques, est qu’il se focalise sur l’analyse des liens plutôt que des nœuds. Dans le cas des réseaux viaires, les rues sont souvent représentées par la polyligne qui passe par leur centre. Ces polylignes seront donc les liens du réseau, et les carrefours entre les rues seront les nœuds du réseau.

Autre particularité, ces liens ne prennent pas nécessairement la route la plus directe : ils peuvent avoir une forme physique différente de la ligne droite.

sDNA accepte le format « lien-nœud » mais seuls les liens sont réellement indispensables. On peut ainsi importer un shapefile contenant uniquement les rues d’une ville, et l’analyser avec sDNA.

2) Avant de commencer :

Installation :

Préparation du réseau :

A noter que l’analyse des réseaux viaires requiert souvent un travail préalable de nettoyage du réseau. Bien que sDNA propose quelques outils de nettoyage dans « Network preparation », nous recommandons d’utiliser plutôt les outils de nettoyage de vecteurs de Qgis, et de nettoyage topologique d’un réseau disponibles sur OpenJump.

Pour que le réseau soit correctement traité par sDNA, quelques vérifications sont nécessaires :

  • Vérifier le système de projection ;
  • Vérifier la connectivité : pour que deux lignes soient connectées, leurs extrémités doivent coïncider. Dans le cas contraire, sDNA considérera que c’est un pont ou un tunnel, un non-lien ;
  • Vérifier les erreurs de géométrie, particulièrement pour les analyses où les changements de directions sont importants ;
  • Les traffic islands (cf. figure) introduisent un changement de direction et une augmentation de la longueur de ces rues. Pour ne pas en tenir compte (les considérer comme des liens simples) ajouter un champ avec la valeur 1 pour les traffic islands à supprimer et 0 pour le reste. Utiliser ensuite le « Network preparation » de sDNA en cochant la case de correction des traffic islands.

Traffic island (sDNA 3.4.5 documentation)

3) Quelques basiques :

Définitions :

Un lien désigne soit la portion située entre deux jonctions, soit entre une jonction et une extrémité. Une jonction est un point où sont connectées au moins trois liens.

sDNA utilise souvent le terme polyligne plutôt que lien, et ce afin de signifier que ces liens peuvent avoir une forme physique.

Chaque polyligne de sDNA est considérée comme une origine indivisible, tous les flux partants d’une polyligne sont considérés comme émanant de son milieu. En revanche, en tant que destinations, deux choix sont possibles. Dans le Discrete Space Mode, les polylignes sont soit considérées comme des destinations indivisibles. En revanche, dans le Continuous Space Mode, elles sont considérées comme divisibles.

Quelques options :

  • Start grade separation et End grade separation:
    • Cette option permet de choisir une colonne origine et une colonne destination dans la table attributaire. Dans ce cas, seuls les liens qui partagent une origine ou une destination seront connectés.
    • Cette option peut s’avérer utile dans le cas d’un réseau multi-niveaux: rue et métro par exemple. En effet, cela permet de connecter les rues ensemble et les lignes de métro ensemble, en jouant sur les valeurs de grade separation (utiliser par exemple les valeurs 0, 1, 2… pour les rues, et 10, 11, 12… pour le métro).
  • La métrique d’analyse (le type de distance à prendre en compte):
    • Euclidienne= distance ordinaire
    • Angulaire= distance mesurée en termes de changement angulaire, que ce soit sur le même lien ou aux jonctions
    • Customisée= sélectionner un champ de métrique (par exemple un champ avec la distance en temps..)
    • Hybride= nécessite d’écrire la formule correspondante (en utilisant la ligne de commande- voir advanced_config dans le manuel)
    • Métrique prédéfinies= piéton, véhicule, cycliste, transport public, mais dont la formule peut être modifiée en utilisant advanced_config. Les formules sont décrites dans Preset metric variables (cf. manuel)– ce sont des distances pondérées selon les tournants, le trafic, les arrêts (si transport en commun) …
  • La pondération (Weight) :
    • Elle peut se faire sur les liens, les longueurs ou les polylignes.
    • Elle dépend de ce qu’on considère comme quantité importante dans notre analyse: le nombre de liens, la longueur, ou une variable donnée telle que la population, le nombre d’emplois…
    • La pondération recommandée est le nombre de liens, car la densité de liens est connue pour augmenter avec le nombre d’emplois et la population, ainsi en pondérant par le nombre de liens on capture déjà ces informations.

4) Les mesures calculées par sDNA :

Mesures sur les polylignes :

  • Lconn= nombre d’extrémités de lignes connectées à cette ligne
  • Llen= longueur de la polyligne
  • LAC= courbure angulaire cumulée le long de la ligne (en degré)
  • Line Hybrid Metrics= la métrique pour les polylignes est donnée, on peut utiliser cela pour signaler les sens interdits, les escalators, …
  • LSin= longueur de la ligne divisée par la distance à vol d’oiseau entre ses extrémités
  • LBear= écart d’orientation entre les deux extrémités de la ligne
  • Lfrac= proportion du lien que cette ligne représente

Mesures de la forme globale du réseau :

  • HullA= surface de l’enveloppe convexe couverte par le réseau
  • HullP = périmètre de l’enveloppe convexe
  • HullR (convex hull maximum radius)= plus longue distance à vol d’oiseau
  • Convex Hull Bearing= orientation de la plus longue distance à vol d’oiseau (souvent par rapport au nord cardinal)
  • Hull Shape Index= Hull Perimeter au carré, divisé par le produit de 4π et Hull area

Farness, Betweenness et Analyse de détours :

farness :

  • MEDn= longueur moyenne des chemins les plus courts entre ce lien et les autres (farness). C’est l’inverse de la closeness centrality. Cette mesure est pondérée par le poids des destinations.
  • La farness peut être calculée avec les autres types de métrique. Par exemple, MADn= longueur moyenne des chemins qui minimisent le changement de direction entre ce lien et les autres.

Betweenness :

  • BtEn= nombre de chemins les plus courts entre deux liens qui passent par ce lien. La betweenness peut aussi être calculée avec les autres types de métrique.

Analyse de détour : à quel point le réseau dévie des chemins les plus directs ?

  • MCFn= moyenne des distances à vol d’oiseau entre chaque origine et tous les liens.
  • DivEn= proportion de détour = ratio moyen entre plus courts chemins et chemins directs (à vol d’oiseau).

Analyse de voisinage :

  • L’ensemble des mesures évoquées jusqu’ici peut être calculée dans un rayon n choisi. Ceci permet de s’intéresser par exemple aux plus courts chemins, non pas par rapport à l’ensemble du réseau, mais dans le voisinage de chaque polyligne. Ce voisinage dépendra par exemple du type de déplacement (piéton, cycliste, …).
  • Quelques mesures de voisinage :
    • Lnkn= nombre de liens dans un rayon choisi
    • Lenn= longueur du réseau dans un rayon choisi
    • AngDn=courbure totale des liens dans le rayon choisi (en degré)
    • Wtn= poids total dans le rayon choisi

« Learn » et « Predict » :

  • Certaines des mesures calculées par sDNA sont connues pour être corrélées à des phénomènes réels tels que le trafic ou le prix du foncier.
  • Pour repérer ces corrélations, sDNA propose les outils Learn et Predict:
    • Learn = après avoir joint au réseau des données réelles – de population par exemple, Learn prend un échantillon de ces données et crée un modèle qui les relie aux mesures calculées par sDNA ;
    • Predict = permet de prendre le modèle créé par Learn et de l’appliquer à des régions où les données réelles ne sont pas disponibles (en se basant sur les mesures sDNA calculées dans ces régions).

 

Pour citer ce logiciel: Cooper, C., Chiaradia, A., Webster, C. (2016) Spatial Design Network Analysis software, version 3.4, Cardiff University, http://www.cardiff.ac.uk/sdna/

Ryma Hachi

Ryma Hachi est doctorante à l’UMR Géographie-cités depuis octobre 2014, sous la direction de Lena Sanders. Architecte et historienne de formation, sa thèse vise à révéler, grâce à la théorie des graphes, les processus de formation et de transformation des réseaux viaires.

More Posts

Rentrée: trois séances d’initiation à l’analyse de réseaux avec R

En cette rentrée universitaire, le groupe fmr vous propose de vous initier à l’analyse de réseaux avec R. Cet atelier réparti sur trois séances est à destination des débutants : pour la séance 1, aucun prérequis ne sera nécessaire concernant R.

Ces séances sont ouvertes à tous alors n’attendez plus pour vous inscrire, en envoyant un mail à groupe_fmr@yahoo.fr

Planning des séances (des informations complémentaires seront diffusées ultérieurement):

– Le mardi 24 octobre, de 10h à 12h.

– Le mardi 21 novembre, de 10h à 12h.

– Le mardi 19 décembre, de 10h à 12h.

 

La séance du 24 octobre aura lieu sur le campus de l’université Paris 7, dans la salle M019 du bâtiment Olympe de Gouges, 8 place Paul Ricoeur, 75013 Paris.

 

 

Ryma Hachi

Ryma Hachi est doctorante à l’UMR Géographie-cités depuis octobre 2014, sous la direction de Lena Sanders. Architecte et historienne de formation, sa thèse vise à révéler, grâce à la théorie des graphes, les processus de formation et de transformation des réseaux viaires.

More Posts

Séance du 20 juin 2017 : L’intégration de données socio-économiques urbaines et régionales dans l’analyse des réseaux

La prochaine séance du groupe fmr aura lieu le mardi 20 juin 2017 à 10 h, au 13 rue du four, 5e étage (bibliothèque), à Paris. Elle sera animée par César Ducruet, Chargé de recherches CNRS à l’UMR 8504 Géographie-cités.

Titre : L’intégration de données socio-économiques urbaines et régionales dans l’analyse des réseaux.

Présentation : Traditionnellement en géographie et dans les autres sciences, les réseaux sont analysés de façon purement topologique. Les 10-15 dernières années ont vu émerger un certain nombre de travaux qui, bien que dispersés et disparates du point de vue des méthodes et données employées, permettent de souligner, de façon statistique, certains déterminants de la centralité et autres caractéristiques des sommets mais aussi des liens. Ceci marque une évolution non négligeable de l’analyse de réseau qui jusqu’à lors n’envisageait ces liens avec le territoire qu’in fine, de façon qualitative. L’un des enjeux est notamment la nécessité de faire coïncider les nœuds à des unités spatiales de référence, d’où des questions d’agrégation et de jointure de sources différentes. Cette difficulté supplémentaire explique la rareté des travaux sur la question mais exprime toute la richesse de mener des analyse bivariées ou multivariées à partir de matrices valuées par d’autres indicateurs que ceux émanant du graphe-lui-même : masse démographique, produit intérieur brut, taux de chômage, spécialisation de l’emploi par branches d’activité, etc. On insistera également sur les points communs et différences entre modèles d’interaction spatiale (type modèle gravitaire) et analyse de réseaux dits spatiaux.

 

Ces séances ont lieu les mardis matin de 10 heures à midi au 13 rue du Four à Paris, 5e étage, bibliothèque. Elles sont ouvertes à toute personne intéressée mais il peut être prudent de signaler sa venue (groupe_fmr@yahoo.fr), la bibliothèque étant vite remplie.

Ryma Hachi

Ryma Hachi est doctorante à l’UMR Géographie-cités depuis octobre 2014, sous la direction de Lena Sanders. Architecte et historienne de formation, sa thèse vise à révéler, grâce à la théorie des graphes, les processus de formation et de transformation des réseaux viaires.

More Posts

Du réseau au récit… Une analyse diachronique des rues de Beauvais (Picardie)

Ces dernières années, le nombre d’outils permettant d’analyser des réseaux spatiaux au moyen de SIG a augmenté. Ceci a notamment engendré la multiplication de travaux ayant pour objet l’analyse des réseaux de rues, et leur comparaison tant spatiale que temporelle. En général, les comparaisons temporelles visent soit à mettre en lien usage du sol et configuration du réseau (Psarra, Kickert, et Pluviano 2013; Vaughan, Dhanani, et Griffiths 2013), soit à mettre en lien ces configurations avec des phénomènes connus tels la densification (Barthelemy et al. 2013), l’étalement urbain (Gudmundsson et Mohajeri 2013), ou encore la croissance et le renforcement de structures préexistantes (Strano et al. 2012).

Le travail présenté ici s’inscrit dans cette lignée, puisqu’il vise à mettre en lien la configuration du réseau de rues (sa forme) avec l’ensemble des processus de formation/ transformation d’une ville. Pour ce faire, la forme du réseau est étudiée, puis comparée de manière diachronique sur le temps long. On recherche ensuite des changements dans ces formes, changements qui sont enfin mis en relation avec des facteurs explicatifs, soit en introduisant les processus urbains en cours, soit en faisant appel au contexte (socio-économique, politique, …) du moment.

Cette méthodologie a été appliquée à la ville de Beauvais (en Picardie), sur trois dates : 1849, 1888 et 1960. Ici, un indicateur assez simple a été choisi : la largeur des rues. Une fois cette variable calculée pour les trois dates, nous avons établi des classes de largeur, puis cumulé les longueurs des rues comprises dans chaque classe de largeur. La distribution (longueur ; largeur) obtenue a ensuite été comparée à une loi de puissance inverse (cf. graphiques), qui correspond à un modèle très hiérarchisé, avec un très grand nombre de ruelles étroites, un nombre moyen de rue moyennement larges, et un très petit nombre de rues larges. L’objectif ici était d’obtenir pour chaque date un indicateur d’écart à cette loi, ce qui permettait de comparer plus facilement les trois distributions, et d’observer des changements.

Histogramme représentant, pour chaque catégorie de largeur, le linéaire des rues de 1849 (en bleu) et la distribution suggérée par une loi de puissance inverse (en rouge) Indicateur d’écart : 0,22. (Hachi, 2014).

Histogramme représentant, pour chaque catégorie de largeur, le linéaire des rues de 1849 (en bleu) et la distribution suggérée par une loi de puissance inverse (en rouge) Indicateur d’écart : 0,22. (Hachi, 2014).

Plan de la ville de Beauvais en 1871

Les résultats ont permis de révéler la proximité entre la distribution de 1849 et la loi de puissance inverse (graphique ci-dessus), chose qui indique que les largeurs de rues étaient très hiérarchisées durant cette période, avec un très grand nombre de rues étroites (de 1 à 7 m) et peu de rues larges.

capture-decran-2016-11-29-a-23-07-10histogramme_1888

Histogramme représentant, pour chaque catégorie de largeur, le linéaire des rues de 1960 (en bleu) et la distribution suggérée par une loi de puissance inverse (en rouge) Indicateur d’écart : 9,69. (Hachi, 2014).

Histogramme représentant, pour chaque catégorie de largeur, le linéaire des rues de 1960 (en bleu) et la distribution suggérée par une loi de puissance inverse (en rouge) Indicateur d’écart : 9,69. (Hachi, 2014).

Photographie de Beauvais après la reconstruction (alain.tairnaite.free.fr)

Photographie de Beauvais vers 1960 (alain.tairnaite.free.fr)

En 1888, la distribution s’éloigne d’une loi de puissance inverse, mais l’indicateur d’écart reste faible. En 1960, la distribution s’éloigne encore plus de la loi de puissance, ce qui confirme l’émergence d’un nouveau modèle. Cette comparaison semble révéler deux types de changements, un premier relativement faible entre 1849 et 1888, puis un changement plus important en 1960.

Beauvais, vue aérienne prise par M. Lecointre, M. Serre pilote

Beauvais, vue aérienne prise par M. Lecointre, M. Serre pilote, 1948.

Le contexte historique de Beauvais fournit des hypothèses d’explication à ces phénomènes. La tardive industrialisation de la ville à la fin du XIXe siècle n’a engendré que de faibles changements dans son tissu urbain, resté très marqué par son centre médiéval. Mais en 1945, ce dernier est presque entièrement détruit lors d’un incendie, et la reconstruction opérée jusqu’en 1960 est alors l’occasion de « moderniser » le tissu, et d’élargir les rues pour permettre le passage des automobiles.

Cet exemple illustre l’apport que peut constituer l’étude des caractéristiques spatiales des réseaux de rues dans l’identification de différents types de changements, plus ou moins impactants, qui affectent les tissus urbains. Une étude plus complète, sur un temps plus long et avec divers indicateurs (topologiques en particulier) devrait nous permettre de révéler des régularités dans la manière dont interagissent ces réseaux spatiaux avec les processus de formation/ transformation de la ville.

 

Références :

  • Barthelemy, Marc, Patricia Bordin, Henri Berestycki, et Maurizio Gribaudi. 2013. « Self-organization versus top-down planning in the evolution of a city ». Scientific reports http://www.nature.com/srep/2013/130708/srep02153/full/srep02153.html?WT.ec_id=SREP-639-20130801.
  • Gudmundsson, Agust, et Nahid Mohajeri. 2013. « Entropy and order in urban street networks ». Scientific Reports 3 (novembre). doi:10.1038/srep03324.
  • Psarra, Sophia, Conrad Kickert, et Amanda Pluviano. 2013. « Paradigm lost: Industrial and post-industrial Detroit–An analysis of the street network and its social and economic dimensions from 1796 to the present ». Urban Design International 18 (4): 257–281.
  • Strano, Emanuele, Vincenzo Nicosia, Vito Latora, Sergio Porta, et Marc Barthélemy. 2012. « Elementary processes governing the evolution of road networks ». Scientific Reports 2 (mars). doi:10.1038/srep00296.
  • Vaughan, L. S., Ashley Dhanani, et Sam Griffiths. 2013. « Beyond the suburban high street cliché-A study of adaptation to change in London’s street network: 1880-2013 ». Journal of Space Syntax 4 (2): 221–241.

 

 

Ryma Hachi

Ryma Hachi est doctorante à l’UMR Géographie-cités depuis octobre 2014, sous la direction de Lena Sanders. Architecte et historienne de formation, sa thèse vise à révéler, grâce à la théorie des graphes, les processus de formation et de transformation des réseaux viaires.

More Posts