¿Alguna vez ha estado corriendo en una acera haciendo bastante buen tiempo, luego golpeó una colina y bajó la velocidad? Si es así, ha experimentado cómo la pendiente afecta las tasas de viaje. Para la mayoría de nosotros, entender cómo la inclinación de la pendiente afecta nuestra velocidad esuna cuestión de condición física. Para otros, como los bomberos salvajes que se retiran de la línea de fuego a una zona de seguridad, predecir cuánto tiempo lleva moverse por el terreno puede ser una cuestión de vida o muerte.
Los equipos de bomberos, los planificadores de ciudades 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 pequeñose ignoran cuán diferente se mueve la gente a través de 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 fuertemente cómo la pendiente del terreno afecta las tasas de viaje humano. Utilizando una base de datos masiva de seguimiento de la aptitud, los geógrafos analizaron datos de GPS de casi 30,000 personas alrededor de Salt Lake City, Utah. Los individuoscaminé, troté y corrí un total combinado de 81,000 millas, equivalente a más de tres viajes alrededor del ecuador de la Tierra. Los modelos resultantes son los primeros en dar cuenta de la variabilidad en las tasas de viaje entre los motores de movimiento lento, medio y rápido.
"Esto revolucionará nuestra comprensión de cómo el terreno afecta el movimiento de peatones", dijo Michael Campbell, profesor asistente en Fort Lewis College y autor principal del estudio. "Desde la perspectiva de los bomberos, en condiciones normales, un equipo de bomberos puede tener tiempo suficiente paracaminar a una zona de seguridad, pero si el sh * t golpea el ventilador, van a tener que correr para llegar allí. Intentamos introducir flexibilidad predictiva que pueda imitar el rango de condiciones que uno debe considerar al estimar el viajetarifas y horarios "
El artículo publicado en línea el 3 de abril de 2019, en la revista Geografía aplicada .
Big data
Los investigadores aprovecharon datos de crowdsourcing de Strava, una aplicación de acondicionamiento social que rastrea a ciclistas, corredores, excursionistas y nadadores que usan datos de GPS a través de los teléfonos móviles de los usuarios y otros dispositivos con GPS. Strava Metro es un programa que distribuye grandes cantidades de agregados, datos anónimos de GPS a entidades como los 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, carrera ytrotar datos de las actividades en los senderos, y son los primeros en utilizar grandes datos para estimar la relación entre la pendiente y las tasas de viaje en los senderos. Los geógrafos evaluaron la pendiente con lidar, que utiliza pulsos láser para medir la topografía en unos pocos centímetros.en estimaciones mucho más gruesas para determinar cómo la pendiente afecta las tasas de viaje.
"Calcular la rapidez con que las personas se mueven a través del entorno es un problema de más de un siglo de antigüedad. Tener datos de una cantidad tan grande de personas moviéndose a todas las velocidades diferentes nos permitió crear modelos mucho más avanzados que lo que se ha hecho antes", dijoPhilip Dennison, profesor del Departamento de Geografía de la Universidad de Utah y autor del estudio, "cualquier aplicación que calcule la rapidez con que las personas caminan, trotan o corren desde el punto A hasta el punto B puede beneficiarse de este trabajo".
Steph Hannon, director de producto de Strava, agregó: "Esta es una aplicación fascinante del conjunto de datos de Strava Metro fuera de la planificación de la infraestructura y la movilidad urbana, y estamos encantados con las implicaciones de este estudio que salvan vidas".Me alegra que nuestra información sobre datos pueda respaldar el trabajo que protege a los bomberos mientras trabajan arduamente para proteger al resto de nosotros ".
El modelo más utilizado para estimar las tasas de viaje por pendiente es la función de senderismo de Tobler. En 1993, el geógrafo Waldo Tobler ajustó una función matemática a una figura que resumía los datos empíricos recopilados en la década de 1950, antes de la edad del GPS.La función de senderismo de Tobler para estimar los tiempos de evacuación de 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 alpinista escocés hizo una caminata, luego escribió una entradaen el Scottish Journal of Mountaineering. Basado en su experiencia personal, escribió que uno debe presupuestar tres horas por cada tres millas horizontales recorridas, y agregar una hora por cada 2,000 pies verticales ascendidos.
"Cientos de personas están utilizando estas funciones de velocidad de desplazamiento en pendiente 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 las tasas de viaje con 200 personas en 2018. El nuevo estudio utilizó datos registrados entre el 1 de julio de 2016y el 30 de junio de 2017 de casi 30,000 personas, con un total de casi 1.1 millones de puntos de datos. La gran cantidad de datos permitió a los geógrafos desarrollar funciones flexibles en un espectro de velocidades de viaje, desde los excursionistas más lentos en el primer percentil hasta los corredores más rápidos enel percentil 99
De acuerdo con los resultados del estudio, una caminata lenta en un sendero plano de 1,6 km 1 milla demora aproximadamente 33 minutos en promedio, mientras que el mismo nivel de esfuerzo en una pendiente empinada de 30 grados tomará aproximadamente 97 minutosEn el otro extremo del espectro, una carrera rápida en un sendero plano de 1 milla dura aproximadamente seis minutos, en comparación con 13 minutos en una pendiente de 30 grados. La gente se mueve más rápidamente en una pendiente ligeramente descendente, y las tasas de viaje fueronmás rápido para el movimiento cuesta abajo que cuesta arriba. Por ejemplo, caminar por una pendiente pronunciada de 30 grados se realizó a la misma velocidad que subir una pendiente de 16 grados.
sintonizar grandes datos para bomberos
Los datos tienen algunas limitaciones. Debido a que es de crowdsourcing, los datos son desordenados. Y debido a su anonimato, los investigadores no saben acerca de los corredores individuales. Si tuvieran información sobre el nivel de condición física de cada persona, podrían desarrollar funciones más matizadaspara 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 bomberos en Utah, Idaho, Colorado y California usarán rastreadores GPS para registrar sus movimientos y registrar sus tarifas de viaje.les permitirá comprender mejor las tarifas de viaje de la población única de bomberos, que a menudo atraviesan terrenos accidentados, trabajan largas horas y llevan paquetes pesados.
"Necesitamos encontrar dónde se encuentran los bomberos a lo largo de este espectro a partir de los grandes datos", dijo Campbell. "No se les dice a los bomberos que podemos predecir cuánto tiempo llevará llegar a zonas de seguridad utilizando datos de una población diversa de usuarios de Strava nova a ser tan convincente como los datos que proporcionan los propios bomberos. Cualquier cosa que podamos hacer que mejore las estimaciones de la tasa de viaje para los bomberos proporcionará un margen de seguridad adicional y con suerte salvará vidas ".
Las siguientes entidades proporcionaron fondos para esta investigación: el Plan Nacional de Incendios del Servicio Forestal del USDA a través de la Oficina de Investigación, y el Subcomité de Comportamiento de Incendios del Grupo Coordinador Nacional de Incendios Forestales, Acuerdos Cooperativos 15CR11221637105, 18JV11221637153 y 18JV11221637154. Este trabajo también fue apoyado por elNúmero de concesión de la Fundación Nacional de Ciencia DEB-1714972.
Fuente de la historia :
Materiales proporcionado por Universidad de Utah . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :