Integrating urban data and machine learning approach to study the correlations of walkability and urban vitality

Streetscape walkability attributes related to urban design quality are usually posited to correlate with hedonic walking activities and invigorate urban vitality. They are widely regarded as beneficial for the construction of walkable and livable cities, playing a significant role in improving public health, boosting community cohesion, and promoting sustainable and eco-friendly urban transportation. Concurrently, the rapid advancement of urban data and artificial intelligence technologies is reshaping the perceptions and research methodologies within the field of urban design. In this context, a more precise and efficient research method based on the emerging data and methods to analyze the correlations between qualitative walkability attributes and walking activities are feasible and worth further exploration. This research selects facade porosity, land use, urban furniture, and street-level greenery as representative qualitative walkability attributes and take slow walking speed as proxy of walking activities. The primary objective of this research is to investigate the correlations between the four attributes and pedestrian’s walking speed. To achieve this aim, urban data (such as Google Street View and Strava Metro) and machine learning approach (image segmentation models for facade and street-level greenery) are validated and applied. The case study is divided into two parallel sections, each organized according to different logics: the first section examines three routes in Milan and Rotterdam with similar origins and destinations (routes connecting a railway station to a museum or museum park), while the second section focuses on cases selected for their diverse street layouts. Both sections conduct investigations to uncover the correlations between facade porosity, various types of land use, a wide range of urban furniture, and street-level greenery, respectively, with slower walking speeds. The findings highlight pronounced correlations between qualitative walkability attributes and slower walking speeds, demonstrating their potential to create more comfortable and pleasant street environments. Additionally, this study introduces an integrative approach, utilizing urban data and machine learning models, to quantitatively assess these qualitative walkability attributes and walking speeds in various contexts. Finally, this research presents a wide range of walkable street cases, from narrow lanes to wide boulevards, providing references for street design and transformation initiatives. This collection offers insightful perspectives for designing and implementing walkable, livable, and vibrant urban spaces.

Gli attributi della camminabilità del paesaggio urbano relativi alla qualità del design urbano sono generalmente considerati correlati con attività di camminata edoniche e stimolano la vitalità urbana. Sono ampiamente riconosciuti come benefici per la costruzione di città camminabili e vivibili, giocando un ruolo significativo nel migliorare la salute pubblica, incrementare la coesione comunitaria e promuovere trasporti urbani sostenibili ed ecologici. Contemporaneamente, il rapido avanzamento dei dati urbani e delle tecnologie di intelligenza artificiale sta ridefinendo le percezioni e le metodologie di ricerca nel campo del design urbano. In questo contesto, un metodo di ricerca più preciso ed efficiente basato sui dati emergenti e sui metodi per analizzare le correlazioni tra gli attributi qualitativi della camminabilità e le attività di camminata è fattibile e merita ulteriori esplorazioni. Questa ricerca seleziona la porosità delle facciate, l'uso del suolo, l'arredo urbano e il verde a livello stradale come attributi qualitativi rappresentativi della camminabilità e adotta la bassa velocità di camminata come proxy delle attività di camminata. L'obiettivo primario di questa ricerca è indagare le correlazioni tra i quattro attributi e la velocità di camminata dei pedoni. Per raggiungere questo scopo, i dati urbani (come Google Street View e Strava Metro) e l'approccio di machine learning (modelli di segmentazione delle immagini per facciate e verde a livello stradale) sono validati e applicati. Lo studio di caso è diviso in due sezioni parallele, ciascuna organizzata secondo logiche diverse: la prima sezione esamina tre percorsi a Milano e Rotterdam con origini e destinazioni simili (percorsi che collegano una stazione ferroviaria a un museo o parco museale), mentre la seconda sezione si concentra su casi selezionati per le loro diverse configurazioni stradali. Entrambe le sezioni conducono indagini per scoprire le correlazioni tra porosità delle facciate, vari tipi di uso del suolo, un'ampia gamma di arredi urbani e il verde a livello stradale, rispettivamente, con velocità di camminata più lente. I risultati evidenziano correlazioni pronunciate tra attributi qualitativi della camminabilità e velocità di camminata più lente, dimostrando il loro potenziale per creare ambienti stradali più confortevoli e piacevoli. Inoltre, questo studio introduce un approccio integrativo, utilizzando dati urbani e modelli di machine learning, per valutare quantitativamente questi attributi qualitativi della camminabilità e le velocità di camminata in vari contesti. Infine, questa ricerca presenta una vasta gamma di casi di strade camminabili, da vicoli stretti a viali ampi, fornendo riferimenti per iniziative di progettazione e trasformazione stradale. Questa raccolta offre prospettive illuminanti per la progettazione e l'attuazione di spazi urbani camminabili, vivibili e vibranti.