Введение в вычислительные методы в городской истории

Понимание развития исторического городского планирования имеет важное значение для понимания того, как города развивались на протяжении веков. Традиционные подходы в значительной степени опирались на текстовые записи, карты и археологические раскопки, но эти методы часто оставляли пробелы в пространственном и временном охвате. Недавние вычислительные достижения открыли новые способы анализа прошлых городских макетов, инфраструктуры и социальной динамики с точностью и масштабом, которые ранее были невозможны. Применяя алгоритмы, анализ данных и моделирование, исследователи могут реконструировать древние городские планы, количественно определять пространственные отношения и моделировать модели роста - преобразуя то, как мы интерпретируем городскую историю.

Вычислительная городская история находится на пересечении цифровых гуманитарных наук, географии и науки о данных. Она позволяет ученым задавать вопросы, которые в основном количественны: как изменились уличные сети после крупного инфраструктурного проекта? Какие факторы привели к сегрегации районов в городах 19-го века? Как болезнь распространилась по доиндустриальным городским пространствам? Ответ на эти вопросы требует не только исторического опыта, но и способности обрабатывать большие наборы данных, создавать итеративные модели и визуализировать результаты способами, которые раскрывают скрытые закономерности. Переход от чисто качественного исследования к подходу смешанного метода был описан как «вычислительный поворот» в исторических исследованиях, и его влияние на историю городского планирования было особенно ярко выражено.

Основные вычислительные техники

Несколько вычислительных методов оказались особенно ценными для изучения исторического городского планирования. Каждый из них предлагает различные линзы, с помощью которых можно исследовать прошлое, и многие из них используются в сочетании для построения более богатых представлений.

Географические информационные системы (ГИС)

ГИС-технология позволяет картографировать, анализировать и визуализировать пространственные данные. В исторических исследованиях ГИС используется для геоссылки на старые карты, оцифровки археологических планов и создания многоуровневых цифровых атласов, которые отслеживают изменения с течением времени. Например, историки использовали ГИС для наложения карты Парижа 1748 года на современные уличные данные, раскрывая, как границы собственности, ширина дорог и общественные площади сохранились или сместились. ГИС также позволяет пространственные запросы, такие как измерение расстояния от средневековой скважины до ближайшего рынка, которые были бы непрактичными вручную.

Одним из знаковых проектов является Rome Lab, которая использует ГИС для реконструкции городской ткани древнего Рима из археологических записей и текстовых источников. Исследователи создали подробную цифровую модель города, как это было в 4 веке н.э., что позволяет им анализировать плотность населения, землепользование и даже поток товаров по соседствам. Аналогично, проект Stanford ORBIS проект модели римской дорожной сети и морских маршрутов для оценки времени и затрат на поездки между городами, предлагая понимание того, как инфраструктура влияла на политическую и экономическую интеграцию. (см. Orbis: Стэнфордская модель геопространственной сети римского мира.

Агент-ориентированное моделирование (ABM)

Агентное моделирование моделирует действия и взаимодействие отдельных «агентов» (людей, домохозяйств, учреждений) для наблюдения возникающих моделей в масштабе города. В городской истории ПРО помогает исследователям проверить гипотезы о том, как социальное поведение, экономические стимулы или экологические ограничения формировали развитие на протяжении десятилетий или столетий. Например, ПРО может моделировать, как средневековые торговцы выбирали места для магазинов, как жители решали, где строить дома по отношению к собору, или как правила зонирования (формальные или неформальные) влияли на сегрегацию.

Заметным применением является исследование древних торговых сетей. Исследователи построили ПРО, которые имитируют движение трейдеров по Шелковому пути, корректируя такие переменные, как бандитский риск, качество дорог и рыночный спрос, чтобы увидеть, какие конфигурации маршрутов были наиболее стабильными. Результаты помогают объяснить, почему некоторые города оазиса процветали, а другие уменьшались. Другое исследование использовало ПРО для изучения формирования уличных моделей в ранних исламских городах, моделируя, как пешеходный трафик и правила владения землей могут производить узкие извилистые переулки, характерные для этих городских форм. (пример можно найти в работе Crescioli & Murgatroyd, 2020 )

Сетевой анализ

Сетевой анализ рассматривает города как наборы узлов и краев — например, пересечений и улиц — и измеряет такие свойства, как центричность, связь и кластеризация. Этот метод стал необходимым для изучения того, как городская форма влияет на движение и доступ. Исторические уличные сети могут быть извлечены из старых карт с использованием оцифровки или автоматического извлечения из растровых изображений. После того, как в сетевом формате, аналитики могут вычислить метрики, такие как междугородняя центральная часть, чтобы определить, какие улицы с наибольшей вероятностью будут проходить через трафик, или близость центральная часть, чтобы найти области, наиболее доступные для остальной части города.

Исследования средневековых европейских городов показали, что рыночные площади обычно занимали самое высокое центральное место в сети, объясняя их экономическую важность. Исследования Парижа 19-го века под редизайном Хауссманна показывают, что новые бульвары намеренно создали «легкую» сеть, которая уменьшила способность жителей забаррикадировать узкие улицы — сетевой анализ, подтверждающий исторические отчеты о военных намерениях. Более поздняя работа использует сетевой анализ для количественной оценки «органического» и «планового» характера городских планировок, обеспечивая численную основу для типологий, которые ранее были субъективными.

Машинное обучение и глубокое обучение

Машинное обучение (ML) и глубокое обучение предлагают мощные инструменты для обработки больших объемов исторических данных - особенно отсканированных карт, аэрофотоснимков и спутниковых снимков. Свёрточные нейронные сети можно обучить распознавать дороги, строительные следы или зеленые пространства на исторических картах, автоматизируя оцифровку, которая в противном случае заняла бы месяцы. Другие алгоритмы могут обнаруживать шаблоны, такие как обычная сетка римской колонии по сравнению с нерегулярной тканью средневекового города, классифицируя тысячи районов за часы.

Неотразимым примером использования является проект «Картирование исторического Нью-Йорка», где исследователи применили глубокое обучение для извлечения контуров зданий из карт пожарного страхования 19-го века. Полученный набор данных позволил им изучить эволюцию плотности зданий и покрытия участков по всему городу, соотнося изменения с иммиграционными волнами и экономическими бумами. Аналогичным образом, обработка естественного языка (NLP) использовалась для анализа протоколов исторического городского совета, разрешений на строительство и газетных статей, извлечения ссылок на инфраструктурные проекты или споры о зонировании. Эти методы показывают не только то, что было построено, но и социальный и политический контекст, в котором принимались решения.

Приложения в исторические периоды

Вычислительные подходы применялись к городской истории во многие эпохи, каждая из которых предлагает уникальные задачи и идеи.

Древние города

Для городов древнего мира — Рима, Помпеи, Теотиуакана — археологические данные часто фрагментарны. Вычислительные методы помогают заполнить пробелы. ГИС используется для гипотезы местоположения отсутствующих структур на основе известной топографии и типологий зданий. Агентные модели имитируют, как популяции могли бы расти при различных ресурсных ограничениях. Сетевой анализ раскрывает логику планировок улиц, даже когда остаются только камни фундамента.

Проект Great Pompeii использует комбинацию ГИС, фотограмметрии и 3D-моделирования для реконструкции города, как он выглядел до извержения Везувия. Исследователи создали интерактивные карты, которые позволяют пользователям исследовать уличные сети, общественные здания и системы распределения воды. Эти инструменты не только представляют статичную картину; они также позволяют анализировать, как расположение города повлияло на повседневную жизнь - например, путем расчета расстояния ходьбы между домами, ваннами и форумами. (Дополнительная информация доступна на сайтах [FLT: 2]] Помпеи [FLT: 3]].

Средневековые и ранние современные города

Средневековое городское планирование часто описывается как органическое, но вычислительный анализ выявляет основные закономерности. Исследования более 300 средневековых городов в Центральной Европе использовали ГИС для измерения форм участков, ширины улиц и размещения рыночных площадей. Результаты показывают, что, хотя нет двух городов, идентичных, они имеют набор общих параметров, таких как отношение ширины рынка к длине улицы, которые предполагают общую традицию градостроительства, возможно, передаваемую через модельные книги или странствующих планировщиков.

Сетевой анализ досовременных торговых путей также расширил понимание того, как связаны города. Проект Цифровой атлас европейских городов, например, объединяет исторические карты с данными о населении и торговыми записями для моделирования экономических отношений между городами. Эти модели помогают объяснить, почему некоторые города превратились в крупные центры, в то время как другие застоялись, связывая городскую форму с экономической функцией. (см. проект на urbhist.org )

Промышленная эпоха и современные города

19-й и 20-й века представляют обилие данных: подробные карты, записи переписи, разрешения на строительство и фотографии. Вычислительные методы использовались для изучения влияния индустриализации на городскую форму. Например, исследователи оцифровали исторические карты страхования от пожаров в Санборне для сотен городов США, создав массив данных о следах зданий с 1860-х по 1950-е годы. Анализируя изменения плотности зданий и землепользования с течением времени, они могут отслеживать, как городское разрастание, зонирование и транспортные сети (включая трамваи и более поздние автомобили) изменили города.

Машинное обучение также применялось к историческим фотографиям и изображениям с видом на улицу для выявления изменений в архитектуре, уличной мебели и вывесках. Один проект использовал глубокое обучение для классификации более 10 000 исторических фотографий Лондона, создавая временную шкалу того, как визуальный характер города эволюционировал от викторианской эпохи до настоящего времени. Такой анализ предоставляет качественным историкам количественные доказательства для поддержки или оспаривания существующих повествований о городских изменениях.

Проблемы и ограничения

Несмотря на мощь вычислительных методов, они сталкиваются со значительными проблемами, которые исследователи должны решать.

Неполнота данных и предвзятость являются главными среди них. Исторические записи часто фрагментарны — целые кварталы города могут отсутствовать на картах, а письменные записи отражают перспективы грамотного и мощного. Модели ГИС, построенные на неполных данных, могут давать вводящие в заблуждение выводы, если пробелы заполнены предположениями. Модели на основе агентов требуют выбора в отношении поведения агента, которое может быть исторически неточным. Каждый вычислительный проект должен быть прозрачным в отношении своих источников данных и ограничений, и результаты должны рассматриваться как наводящие на размышления, а не окончательные.

Междисциплинарное сотрудничество необходимо, но трудно. Историки и компьютерные ученые часто говорят на разных методологических языках. Проект может потребовать тщательного обсуждения того, что считается доказательством, как справляться с неопределенностью и какие вопросы стоит задавать. Успешные вычислительные проекты городской истории обычно включают команды, включающие историка, специалиста по ГИС, статистика, а иногда археолога или градостроителя.

Вычислительные и инфраструктурные ограничения также играют роль. Обработка исторических карт высокого разрешения с глубоким обучением требует значительной мощности графического процессора. Хранение и управление большими наборами данных может быть дорогостоящим. Меньшим учреждениям может не хватать ресурсов для участия в крупномасштабных проектах, рискуя цифровым разрывом в дисциплине.

Документация по воспроизводимости и методам по-прежнему вызывает озабоченность. Многие ранние вычислительные исследования не обменивались кодом или данными, что делало невозможным проверку результатов. Область движется к открытым научным практикам, но культурный сдвиг медленный. Без прозрачных рабочих процессов вычислительная городская история рискует быть непрозрачной или ненадежной более широким историческим сообществом.

Будущие направления

Следующее десятилетие обещает достижения, которые будут дополнительно интегрировать вычислительные подходы в основную городскую историю. Одной из областей является интеграция нескольких типов данных — объединение карт, текстов, изображений и археологических наборов данных в единые цифровые платформы. Концепция Семантический город , например, использует связанные стандарты данных для подключения исторических источников, позволяя такие запросы, как «покажите мне все здания, построенные между 1850 и 1870 годами, которые были более трех этажей высотой и расположены в пределах 500 метров от линии трамвая».

Моделирование в реальном времени и интерактивные модели — это ещё одна граница. Историки и планировщики могли бы изучить сценарии «что если»: что, если бы город выбрал другую уличную сетку? Что, если бы чума не поразила? Эти симуляции требуют не только более совершенных моделей, но и более доступных пользовательских интерфейсов, которые позволяют непрограммистам корректировать параметры и видеть результаты.

Общественные и гражданские научные проекты также растут. Платформы, такие как Zooniverse, размещают проекты, в которых добровольцы оцифровывают исторические карты, функции создания тегов или транскрибируют рукописные записи. Эти усилия генерируют большие объемы структурированных данных при относительно низкой стоимости, а также привлекают общественность к историческим исследованиям. По мере роста этих наборов данных они становятся сырьем для машинного обучения и сетевого анализа.

Наконец, толчок к открытию данных и воспроизводимости укрепит доверие к вычислительной истории городов. Все больше журналов требуют, чтобы данные и код были депонированы вместе со статьями, и все чаще используются хранилища, такие как Фигшер и Зенодо . Эта тенденция позволит другим исследователям опираться на предыдущую работу, сравнивать результаты по городам и совершенствовать методы.

Заключение

Вычислительные подходы коренным образом изменили изучение исторического городского планирования. Такие инструменты, как ГИС, агентное моделирование, сетевой анализ и машинное обучение, позволяют исследователям задавать новые виды вопросов и тестировать теории, которые ранее были недоступны. От уличной сети древнего Рима до обширной промышленной карты Чикаго 19-го века эти методы раскрывают закономерности и отношения, которые формируют наше понимание того, как города росли и функционировали.

Однако ценность вычислительных методов заключается не только в технологии, но и в вопросах, на которые они помогают ответить. Самая мощная работа сочетает количественную строгость с глубоким историческим знанием, используя данные не как замену повествованию, а как дополнение. По мере созревания поля историки, урбанисты и ученые данных должны продолжать сотрудничать, делиться методами и оставаться критическими по отношению к своим собственным предположениям. Прошлое, в конце концов, не набор данных, но наборы данных могут помочь нам увидеть его более четко.