The hardware and bandwidth for this mirror is donated by dogado GmbH, the Webhosting and Full Service-Cloud Provider. Check out our Wordpress Tutorial.
If you wish to report a bug, or if you are interested in having us mirror your free-software or open-source project, please feel free to contact us at mirror[@]dogado.de.

Guía de Inicio Rápido: Análisis de Caminabilidad Urbana con walkability

Introducción

El paquete walkability es un sistema de análisis geoespacial y teoría de grafos diseñado para modelar y medir la caminabilidad urbana y transitabilidad activa a nivel de calle.

Implementa el cálculo de la longitud de red caminable alcanzable en 10 minutos a pie (10-minute reachable walkable network length), utilizando un motor de alto rendimiento escrito en Rust paralelizado a nivel de CPU.


1. Flujo de Trabajo con Datos del Usuario

Una de las principales ventajas de walkability es que permite procesar redes viales propias (archivos Shapefile, GeoPackage, GeoJSON u objetos sf) con total control y transparencia sobre el diagnóstico y la reparación topológica.

Para este tutorial utilizaremos la red vial del Centro Histórico de Cusco (streets_cusco), distribuida como dataset oficial del paquete en formato proyectado (UTM 19S, EPSG:32719). También se incluyen datasets para Lima (streets_lima) y Arequipa (streets_arequipa).

Paso 1: Carga y Diagnóstico No Invasivo de la Red

Antes de modificar o corregir geometrías, walk_diagnose_network() realiza una inspección no invasiva de la salud topológica de la red:

library(walkability)
library(sf)

# Cargar la capa real de Cusco incluida en el paquete
data(streets_cusco)
mis_calles <- streets_cusco

# Diagnóstico de conectividad y detección de undershoots en un radio de 5 metros
diag <- walk_diagnose_network(mis_calles, snap_search_radius_m = 5.0)

# Imprimir resumen de componentes e islas
print(diag)
#> 
#> ── Walkability Network Health Diagnosis ────────────────────────────────────────
#> ✔ Total network analyzed: 484 segments (40.0 km)
#> ✔ Total components detected: 125
#> • Giant (main) component: 68.3% of network (27.3 km)
#> ! Detected 124 disconnected components / islands (12.69 km, 31.7% of network).
#> ℹ Identified 81 potential undershoots (dangling ends located <= 5 m from another street).
#> ! Recommendation: You can fix these by running walk_build_network(..., repair =
#>   TRUE, snap_tolerance_m =
#> 5
#> ).
#> 
#> Run `plot(diagnosis)` to inspect isolated segments and undershoots on a map.

Para inspeccionar visualmente los tramos desconectados y la ubicación exacta de los undershoots:

plot(diag)

Paso 2: Construcción del Grafo y Reparación Opcional

Una vez revisado el diagnóstico, el usuario decide libremente si aplicar reparaciones geométricas mediante los argumentos repair, snap_tolerance_m y planarize:

# Construir grafo peatonal limpio y estructurado
red_limpia <- walk_build_network(
  data = mis_calles,
  crs = 32719,                   # Proyección métrica local (UTM 19S)
  walk_speed_kmh = 4.5,          # Velocidad de diseño (4.5 km/h = 1.25 m/s)
  repair = TRUE,                 # Decisión explícita del usuario de reparar
  snap_tolerance_m = 5.0,        # Conectar extremos a <= 5 metros (corrige el undershoot)
  planarize = TRUE,              # Dividir líneas en intersecciones
  keep_components = "largest",   # Conservar la componente gigante conectada
  verbose = FALSE
)

print(red_limpia)
#> 
#> ── Walkability Network ─────────────────────────────────────────────────────────
#> ✔ Total nodes: 822 (Giant component: 807)
#> ✔ Total edges: 1082 segments (38.2 km)
#> ✔ Walking speed: 4.5 km/h (1.25 m/s)
#> ✔ Connected components: 5
#> ✔ CRS: EPSG:32719

2. Cálculo de la Métrica de Caminabilidad (Rust)

El cálculo del isócrono utiliza el algoritmo de Dijkstra con crédito parcial de aristas (partial-edge rule), ejecutado en paralelo en Rust con la librería rayon:

# Por defecto se calcula para 10 minutos (time_min = 10.0).
# Para redes barriales o ciudades intermedias/pequeñas, el usuario puede
# ajustar libremente el parámetro (por ejemplo, time_min = 5.0 o 7.5):
metricas <- walk_compute_reach(
  network = red_limpia,
  time_min = 10.0,
  verbose = FALSE
)

print(metricas)
#> 
#> ── Walkability Reachable Network Length ────────────────────────────────────────
#> ✔ Isochrone Budget: 10.0 minutes (~750 m at 4.5 km/h)
#> ✔ Evaluated Nodes: 807
#> • Average Reach: 19.04 km
#> • Highest Reach: 28.08 km
#> • Lowest Reach: 0.75 km
#> • 5th-95th percentile: 7.8 - 27.4 km

3. Visualización Cartográfica con ggplot2

Las funciones cartográficas de walkability están construidas sobre ggplot2 y utilizan paletas perceptualmente continuas como viridis:

# Mapa temático de caminabilidad
mapa <- walk_plot_reach(
  reach = metricas,
  palette = "viridis",
  title = "Caminabilidad Peatonal en 10 Minutos",
  subtitle = "Longitud de red accesible a pie desde cada intersección (Centro Histórico de Cusco)",
  dark = TRUE
)

print(mapa)


4. Análisis de Circuidad y Desvío de Rutas

Para evaluar la permeabilidad y qué tan directos son los trayectos peatonales frente a distancias euclidianas:

circuidad <- walk_compute_circuity(red_limpia, sample_size = 50)
summary(circuidad$mean_circuity)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.     NAs 
#>   1.189   1.243   1.277   1.302   1.318   2.080       1

Valores cercanos a 1.0 reflejan una retícula directa y eficiente; valores sustancialmente superiores evidencian rodeos obligados por cul-de-sacs o barreras físicas.

These binaries (installable software) and packages are in development.
They may not be fully stable and should be used with caution. We make no claims about them.
Health stats visible at Monitor.