nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

Analýza typizace bydlení na BAG

Jeskevan_der_Velden2

<\/HEAD>

Od uživatelů pravidelně dostáváme žádost o dataset, ve kterém je možné najít typizaci bydlení.<\/SPAN> Nedávno jsme to dále prozkoumali a i když v krátkodobém horizontu nemáme plány vytvořit z toho celostátní dataset<\/SPAN>, rád bych vám ukázal, jak si takový dataset můžete sami vytvořit pomocí našich BAG dat.<\/SPAN><\/P> <\/SPAN><\/P>Tato analýza se skládá z několika kroků. Na základě okolních budov zjistíme, zda je budova samostatně stojící, a pokud ne, kolik sousedních přilehlých budov má, abychom určili, zda se jedná o řadový dům nebo mezonetový dům. Ale BAG<\/A><\/SPAN> samozřejmě neobsahuje pouze obytné prostory, proto použijeme objekty pobytu, abychom získali větší přehled. Tyto objekty pobytu také použijeme k rozlišení budov s více objekty pobytu, jako jsou byty. Na konci tohoto blogu uvedu přehled odkazů s dalšími informacemi.<\/SPAN><\/P>

<\/SPAN><\/P>Nejprve začneme stažením BAG dat. Můžete je měsíčně stahovat z naší

Datasets-groep<\/A><\/SPAN> v ArcGIS Online. Důvodem, proč zde používám file geodatabase a ne aktuální službu, je ten, že budu upravovat atributy. Analýzy na feature service jsou možné, ale úpravy (například v atributech) nikoli.<\/SPAN><\/P>

<\/SPAN><\/P>Krok 1: Identifikace budov bez obytné funkce<\/SPAN><\/STRONG><\/P>Z file geodatabase BAG jsem vytvořil

clip<\/A><\/SPAN> budov a objektů pobytu v obci Best<\/SPAN>, Noord-Brabant. Přestože název již naznačuje, že se jedná o „nejlepší“ místo pro testovací dataset, je to také vesnice, kde jsem vyrostl. To značně usnadňuje ověření výsledku analýzy.<\/SPAN><\/P> <\/SPAN><\/P>Zajímáme se o budovy s objektem(y) pobytu s účelem užití „Woonfunctie“ (obytná funkce). Objekty pobytu mohou mít více účelů užití. V našich datech BAGv2 (viz také můj předchozí blog<\/A><\/SPAN>) jsme tyto účely rozčlenili do samostatných atributů, aby bylo jednodušší na ně provádět analýzy. Každý sloupec označuje hodnotou 1 nebo 0, zda je daný účel užití v tomto objektu pobytu přítomen či nikoli.<\/SPAN><\/P>

<\/SPAN><\/P> <\/SPAN><\/P>A toho využijeme. Nejprve tedy provedu

výběr podle atributu<\/A> <\/SPAN><\/SPAN>na objektech pobytu:<\/SPAN><\/P>

Exportuji tento výběr<\/A> do nové feature class Verblijfsobject_Best_Woning<\/EM>, protože ji později ještě použijeme.<\/span>

Následně přidám nové pole do mé Pand feature class nazvané „Woningtype“. Zde později uložím výsledek své analýzy. Toto pole bude obsahovat následující kategorie:<\/span>

Samostatně stojící dům<\/li>
Řadový dům<\/li>
Mezonetový dům<\/li>
Byt<\/li>
Není bydlení<\/li>

Začneme poslední kategorií. Pomocí výběru podle polohy<\/a> vyberu všechny budovy, které nemají objekty pobytu s účelem užití „Woonfunctie“. To provedete tak, že vyberete budovy, které skutečně kříží objekt pobytu s obytnou funkcí, ale zaškrtnete políčko „Invert spatial relationship“, čímž se výběr obrátí.<\/p>

Následně použiji

Calculate Field tool<\/a>, abych pro tyto budovy vyplnil jejich nový atribut Woningtype hodnotou „Není bydlení“.

Poté také exportujeme tyto prvky do nového datasetu a odstraníme je z našeho datasetu Panden. Mnoho z těchto budov bez bydlení jsou garáže nebo kůlny. Jedná se o typ budovy, která často sousedí s řadovým domem nebo samostatně stojícím domem. Náš další krok bude provést analýzu počtu sousedních budov, na základě které stanovíme typizaci bydlení. Pokud bychom tyto prvky nechali v datasetu, byly by tyto domy nesprávně kategorizovány jako mezonetové nebo řadové domy. Budovy bez obytné funkce později opět přidáme do datasetu.

Krok 2 : Identifikace počtu sousedních budov s obytnou funkcí

Pro identifikaci počtu sousedních budov použijeme Polygon Neighbours tool . Tento nástroj vypočítá, kolik sousedních budov má daná budova a které to jsou. Výsledek je uveden v tabulce. Zaškrtneme políčko „Include both sides of neighbor relationship“, aby byly zahrnuty obě budovy mající souseda a ne pouze první z nich.

Tabulka vytvořená tímto nástrojem obsahuje několik sloupců:

Pro náš cíl zjistit počet sousedních budov je zajímavý pouze sloupec src_OBJECTID. Tento sloupec uvádí ID objektů budov, které mají jednoho nebo více sousedních sousedů. Pro každého souseda je ID objektu uvedeno jednou, takže pokud má více sousedů, ID objektu se objeví vícekrát.

Abyste věděli, kolik sousedních bytů má daná budova, musíme unikátní src_OBJECTID takže počítat. To děláme pomocí Frequency tool. I tento nástroj poskytuje jako výsledek tabulku.

S touto tabulkou můžeme přidat frekvenci počtu sousedních budov do datasetu Panden propojením src_OBJECTID z tabulky frekvence s OBJECTID datasetu Panden.

Tato informace nám poskytuje údaje o tom, které budovy mají dva nebo více sousedů, což jsou řadové domy. Tyto budovy vybereme podle atributu a opět použijeme Calculate Field tool, abychom jim přiřadili hodnotu „Tussenwoning“. Totéž uděláme pro rohové domy; tyto domy mají jednoho souseda.

Krok 3: Identifikace bytů a samostatně stojících domů

Zdá se logické, že budovy bez sousedních domů by automaticky byly samostatně stojící domy (tyto budovy mají Frequency „<Null>“), ale bohužel tomu tak není. Panelové domy jsou totiž v BAG označeny jako jedna budova, ke které je pak přidáno několik obytných jednotek (samotné byty). Musíme tedy u budov bez sousedů zjistit, kolik obytných jednotek je v budově umístěno. Pokud jich je více, klasifikujeme budovu jako bytový dům. Nemusí se tedy nutně jednat o samostatně stojící domy, i například řadový dům může obsahovat byty.

Esri Inc již o tom napsala technický článek a existuje několik způsobů, jak spočítat počet bodů v polygonu. Používám zde Spatial Join tool s feature class Verblijfsobject_Best_Woning. Některé samostatně stojící budovy mohou například obsahovat jak obchod, tak bydlení, ale podle mého názoru to stále bude samostatně stojící dům, protože nás zajímá pouze typ bydlení.

Nástroj Spatial Join spočítá, kolik obytných jednotek s typem bydlení se nachází v jedné budově. Vybereme tedy budovy s Join_Count větším než 1 a klasifikujeme je jako „Appartement“ pomocí Calculate Field tool. Protože se jedná také o nesamostatné budovy, budou tyto dříve označené jako řadové nebo rohové domy přepsány na bytové domy.

Nyní jsme identifikovali rohové domy, řadové domy a byty ze všech domů. Domy, které ještě nejsou klasifikovány, jsou samostatně stojící domy. Pro kontrolu vyberu všechny domy s Woningtype <Null> (jinými slovy ty, které ještě nejsou klasifikovány) a všechny domy s Join_Count rovno 1 a Frequency <Null>. Oba výběry dávají stejný počet výsledků, takže čísla zatím sedí. Pomocí Calculate Field tool vyplním pro tento výběr Woningtype „Vrijstaande woning“.

Krok 4: Sloučení datasetů

Nyní máme dva datasety, jeden s bydlením a druhý s budovami bez bydlení. Abychom získali přehled o všech budovách v BAG, sloučíme je pomocí Append tool, čímž získáme konečný produkt – dataset s klasifikací podle typu bydlení.

Zvážení

Samozřejmě nic není nikdy tak jednoduché, jak se zdá, a i zde je několik věcí k zamyšlení. Za prvé jsou to možné „chyby“ v základních datech. Je důležité vědět, že za aktualizaci dat jsou odpovědní držitelé zdrojů a pokud například chybí nějaká budova, ovlivní to výsledek analýzy. Chybějící budova může nesprávně označit řadový dům jako rohový a sousední rohový dům bude pak klasifikován jako samostatně stojící dům. Níže jsem vytvořil příklad takové situace (neodpovídá skutečnosti). Proto vždy zkontrolujte zdrojová data. Pokud jejich obsah nesouhlasí, kontaktujte content@esri.nl.content@esri.nl

Za druhé je tu definice samostatně stojícího domu. Rozhodl jsem se sledovat pouze to, zda dům sousedí s jiným domem, ale dům může samozřejmě sousedit i s budovou s jinou funkcí bydlení. Protože se v mém výzkumném území jedná převážně o kůlny nebo garáže, rozhodl jsem se tyto budovy nezahrnovat. Záleží na vašich vlastních cílech ohledně informací, které chcete z dat získat, jaké rozhodnutí učiníte.

Definice jsou také tématem mého třetího bodu k zamyšlení. Kdy je něco byt? Představte si řadu budov, kde přízemí slouží jako obchod a horní patro(ta) jako bydlení. Jsou tyto byty pak byty nebo řadové domy? V tuto chvíli jsem je označil jako řadové domy, protože jsem počítal pouze obytné jednotky určené k bydlení, ale můžete zde učinit jiné rozhodnutí.

Výzva

Tato analýza je prvním krokem k vytvoření kompletního datasetu s typizací bydlení. Jak byste navrhli další kroky například k rozlišení rohových domů od dvojdomků? A jaká relevantní zvážení byste vzali v úvahu? Velmi mě zajímají vaše nápady!