¿Alguna vez has estado corriendo en una acera haciendo un buen rato? luego golpeó una colina y redujo la velocidad? Si es así, ha experimentado cómo la pendiente afecta las tasas de viaje. Para la mayoría de nosotros, Entender cómo la pendiente de la pendiente afecta nuestra velocidad es una cuestión de aptitud. Para otros, como los bomberos forestales que se retiran de la línea de fuego a una zona de seguridad, predecir cuánto tiempo se tarda en moverse por el terreno puede ser una cuestión de vida o muerte.

Equipos de bomberos, Los planificadores urbanos y los equipos de búsqueda y rescate son solo algunos de los muchos grupos que pueden usar modelos matemáticos para predecir cómo la pendiente afecta las tasas de viaje. Los modelos existentes tienen dos grandes problemas. Se basan en conjuntos de datos con tamaños de muestra muy pequeños e ignoran la diferencia con la que las personas se mueven por su entorno:caminar y correr por la misma pendiente producirá tasas de viaje muy diferentes.

Un equipo de geógrafos desarrolló una serie de modelos que predicen claramente cómo la pendiente del terreno afecta la tasa de viajes humanos. Usando un masivo, base de datos de seguimiento del estado físico de colaboración colectiva, los geógrafos analizaron datos de GPS de casi 30, 000 personas alrededor de Salt Lake City, Utah. Los individuos caminaron, trotar y corrió un combinado de 81, 000 millas, equivalente a más de tres viajes alrededor del ecuador de la Tierra. Los modelos resultantes son los primeros en tener en cuenta la variabilidad en las tasas de viaje entre lentos, motores medianos y rápidos.

"Esto revolucionará nuestra comprensión de cómo el terreno afecta el movimiento de los peatones, "dijo Michael Campbell, profesor asistente en Fort Lewis College y autor principal del estudio. "Desde la perspectiva de un bombero, En condiciones normales, un equipo de bomberos puede tener tiempo suficiente para caminar hasta una zona de seguridad. pero si la mierda golpea el ventilador, van a tener que correr para llegar allí. Intentamos introducir una flexibilidad predictiva que pueda imitar el rango de condiciones que uno podría tener que considerar al estimar las tasas y los tiempos de viaje ".

El documento publicado en línea el 3 de abril de 2019, en el diario Geografía aplicada .

Big data

Los investigadores aprovecharon los datos de fuentes colaborativas de Strava, una aplicación de fitness social que rastrea a los ciclistas, corredores caminantes, y nadadores que utilizan datos de GPS a través de los teléfonos móviles de los usuarios y otros dispositivos habilitados para GPS. Strava Metro es un programa que distribuye grandes cantidades de agregados, datos GPS anónimos a entidades como gobiernos locales y regionales para ayudar en la planificación del transporte. Hasta la fecha, Las colaboraciones de Strava Metro han girado principalmente en torno a los datos de ciclismo y carrera en entornos urbanos. Los geógrafos son algunos de los primeros en utilizar su senderismo, datos de correr y trotar de actividades en senderos, y son los primeros en utilizar big data para estimar la relación entre la pendiente y las tasas de viaje en las rutas de senderismo. Los geógrafos evaluaron la pendiente con lidar, que utiliza pulsos de láser para medir la topografía en unos pocos centímetros. Los estudios anteriores se basaron en estimaciones mucho más generales para determinar cómo la pendiente afecta las tasas de viaje.

"Calcular la rapidez con la que las personas se mueven por el entorno es un problema de más de un siglo. Tener datos de un número tan grande de personas moviéndose a diferentes velocidades nos permitió crear modelos mucho más avanzados que lo que se había hecho antes, "dijo Philip Dennison, profesor del Departamento de Geografía de la Universidad de Utah y autor del estudio. "Cualquier aplicación que calcule qué tan rápido camina la gente, empujoncito, o correr del punto A al punto B puede beneficiarse de este trabajo ".

Steph Hannon, el director de producto de Strava, adicional, "Esta es una aplicación fascinante del conjunto de datos de Strava Metro fuera de la planificación de infraestructura y movilidad urbana, y estamos encantados con las implicaciones de este estudio para salvar vidas. Me alegra que nuestros conocimientos de datos puedan respaldar el trabajo que protege a los bomberos mientras trabajan duro para proteger al resto de nosotros ".

El modelo más utilizado para estimar las tasas de viaje por pendiente es la función de caminata de Tobler. En 1993, El geógrafo Waldo Tobler ajustó una función matemática a una figura que resumía datos empíricos recopilados en la década de 1950, antes de la era del GPS. La gente ha utilizado la función de senderismo de Tobler para estimar los tiempos de evacuación de los tsunamis, búsqueda y rescate de personas desaparecidas y rutas de escape de bomberos forestales. La siguiente función más utilizada, llamada Regla de Naismith, existe desde 1892. Un montañero escocés hizo una caminata, luego escribió una entrada en el Scottish Journal of Mountaineering. Basado en su experiencia personal, escribió que uno debería presupuestar tres horas por cada tres millas horizontales recorridas, y agregue una hora por cada 2, 000 pies verticales ascendidos.

"Cientos de personas están utilizando estas funciones de tasa de desplazamiento de pendientes basadas en un tipo escocés aleatorio de la década de 1890 y algunos datos de la década de 1950, ", dijo Campbell." Queríamos hacerlo mejor ".

En 2017, Campbell, Dennison y otros midieron experimentalmente la pendiente y las tasas de viaje para 37 personas, que fue el mayor conjunto de datos experimentales hasta que Irmischer y Clarke registraron tasas de viaje con 200 personas en 2018. El nuevo estudio utilizó datos registrados entre el 1 de julio de 2016, y el 30 de junio 2017 de casi 30, 000 individuos, totalizando casi 1,1 millones de puntos de datos. La enorme cantidad de datos permitió a los geógrafos desarrollar funciones flexibles en un espectro de velocidades de viaje, desde los excursionistas más lentos en el percentil 1 hasta los corredores más rápidos en el percentil 99.

Según los resultados del estudio, un lento caminar sobre un piso, El sendero de 1 milla (1,6 km) toma alrededor de 33 minutos en promedio, mientras que ese mismo nivel de esfuerzo en una pendiente, Una pendiente de 30 grados tardará unos 97 minutos. En el otro extremo del espectro, una carrera rápida en un piso, El sendero de 1 milla toma alrededor de seis minutos, en comparación con 13 minutos subiendo una pendiente de 30 grados. Las personas se mueven más rápidamente en una pendiente ligeramente cuesta abajo, y las tasas de desplazamiento eran más rápidas para los movimientos cuesta abajo que cuesta arriba. Por ejemplo, caminar por una pendiente empinada de 30 grados se realizó a la misma velocidad que caminar por una pendiente de 16 grados.

Adaptación de big data a los bomberos

Los datos tienen algunas limitaciones. Porque es de colaboración colectiva los datos son confusos. Y debido a su anonimato, los investigadores no conocen a los corredores individuales. Si tuvieran información sobre el nivel de condición física de cada persona, podrían desarrollar funciones más matizadas para predecir los tiempos de viaje.

Mirando este mes los geógrafos aplicarán sus nuevos modelos a los bomberos forestales. Durante su entrenamiento de primavera, casi una docena de equipos de bomberos en Utah, Idaho, Colorado y California utilizarán rastreadores GPS para registrar sus movimientos y registrar sus tarifas de viaje. Esto les permitirá comprender mejor las tasas de viaje de la población única de bomberos, que a menudo atraviesan terrenos accidentados, trabajando largas horas, y llevar paquetes pesados.

"Necesitamos encontrar dónde encajan los bomberos en este espectro a partir del big data, ", dijo Campbell." Decirle a los bomberos que podemos predecir cuánto tiempo tomará llegar a las zonas de seguridad utilizando datos de una población diversa de usuarios de Strava no será tan convincente como los datos que brindan los propios equipos de bomberos. Todo lo que podamos hacer para mejorar las estimaciones de la tasa de viajes de los bomberos proporcionará un margen de seguridad adicional y, con suerte, salvará vidas ".