Using OpenStreetMap to inventory bicycle infrastructure: A comparison with open data from cities
Notice bibliographique
Résumé
ABSTARCTWith rapid growth in bicycling, timely and spatially rich bicycling infrastructure data are essential for understanding determinants of ridership, equity of access, and potential for future developments. OpenStreetMap (OSM) is a collaborative global map that was built by volunteers and is promising for active transportation research. In this article, we use OSM to inventory bicycling infrastructure in six Canadian cities, compare it to municipal open data, and provide guidance for practitioners using OSM data. We conducted an evaluation of OSM and open data, overall and for four categories of bicycle infrastructure: cycle tracks; on-street bicycle lanes; paths (bicycle only or multiuse); and local street bikeways. We found that the concordance in terms of total length of OSM infrastructure to open data infrastructure very high in two of the six cities (< ±2%), and reasonably high in all cities (maximum difference ±30%). Concordance for infrastructure categories was highest for on-street bicycle lanes, which were the most common, and easily identifiable type of bicycle infrastructure in the OSM data, and lowest for cycle tracks and local street bikeways, both of which are new or relatively rare infrastructure types in some Canadian cities. In some cases, OSM was more detailed and timely than open data. A challenge in OSM is consistent tagging of bicycle infrastructure types. We encourage practitioners to consider OSM data for multicity studies, but to be mindful of potential inconsistencies in attribution and local definitions. We also recommend users of OSM to publish data queries for repeatability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,013 | 0,031 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».