2 minute read
Fig. Indice d’activation 38
Types de façades
Façade active suscitant la flânerie, la rencontre et le séjour Façade active suscitant des entrées/sorties et des flux rapides
Advertisement
Quantification Type de locaux Quantification
3 Magasin, arcade 2.5 Hotel, restaurant, bar, dancin 3 3
Façade active attirant le regard, créant un effet d'intrigue et suscitant des latéralisations 2 Bureau, cabinet 2
Façade neutre 1.5 Atelier 2
Façade ennuyeuse 1 Ecole, creche 2
Façade repoussante 0 Locaux specialises Salle sport Habitation 2 2 1.5
Clinique, hopital, foyer facade sans activite 1.5 1
Parkings publics socle inactif 1 0
Autre 0
30.Fig. Table avec le pointage attribué au type de façades Construction indicateur de façade :
Expression Python
def Reclass(type_locaux): if type_locaux==»Magasin, arcade»: return 3 elif type_locaux==»Hotel, restaurant, bar, dancin»: return 3 elif type_locaux==»Bureau, cabinet»: return 2 elif type_locaux==»Atelier»: return 2 elif type_locaux==»Ecole, creche»: return 2 elif type_locaux==»Locaux specialises»: return 2 elif type_locaux==»Salle sport»: return 2 elif type_locaux==»Habitation»: return 1.5 elif type_locaux==»Clinique, hopital, foyer»: return 1.5 elif type_locaux==»facade sans activite»: return 1 elif type_locaux==»Parkings publics»: return 1 elif type_locaux==»socle inactif»: return 0 else: return 0 Reclass( !type_locaux!
OBJECTIDID_SEGFREQUENCYCOUNT_type_locaux
1 1 10 10 2 2 13 13 3 3 8 8 4 4 7 7 5 5 8 8 6 6 16 16 7 7 21 21 8 8 18 18 9 9 14 14 10 10 12 12 11 11 13 13 12 12 31 31 13 13 15 15 14 14 14 14 15 15 7 7
• Construction de l’indice d’activation
Pour l’élaboration de l’indice d’activation, au préalable, nous avons ajouté un champ nommé Type_activation. À partir de la couche existante : type d’établissement, nous avons classifié le type d’activité au rdc selon trois caractéristiques : rencontre et séjour, entrées et sorties, et non active. Une vérification a été faite façade par façade, selon l’observation effectuée sur le terrain.
Avec l’aide de Python, nous avons effectué une classification selon les valeurs de champ.
Type d'activation Quantification Type de locaux Quantification
Recontre et séjour Entrée et sorties Non active 2 Magasin, arcade Recontre et séjour 1 Hotel, restaurant, bar, dancinRecontre et séjour 0 Bureau, cabinet Entrée et sorties
Atelier
Entrée et sorties Ecole, creche Entrée et sorties Locaux specialises Entrée et sorties Salle sport Entrée et sorties Habitation Entrée et sorties Clinique, hopital, foyer Entrée et sorties facade sans activite Non active Parkings publics Entrée et sorties socle inactif Non active Autre Non active
31.Fig. Table avec le pointage attribué au type d’activation
Expression Python
def Reclass(activation): if activation==»rencontre et sejour»: return 2 elif activation==»entree et sorties»: return 1 elif activation==»non active»: return 0 Reclass (!type_activation!)
• Identification de nombre d’établissements par segment
Afin de connaître la diversité d’établissements par segment, nous avons effectué un « spatial join » entre la couche Façades_RDC et le Réseau_piéton, dans le but d’identifier le type de locaux disposés à 20 mètres de la trame piétonne. Nous avons obtenu comme résultat une couche appelée Réseau_piéton_indice_type_locaux. À partir de cette information, un summary_stadistics a été fait, avec pour objectif de « conter » le nombre d’établissements par secteurs, voici la table résultante :
