Significant patterns in urban form

Spatial analysis of morphological indicators

Université Côte d’Azur, CNRS, ESPACE, 98 bld Herriot, BP 3209, 06204 Nice, France

Abstract

A set of morphological indicators is proposed to identify the characteristics of urban fabrics using spatial clustering. Local Indicators of Network-Constrained Clusters (LINCS) are preferred to classical Local Indicators of Spatial Association (LISA) in order to better integrate the point of view of pedestrians moving in the city. However, spatial analysis of the morphological indicators need careful consideration of their statistical asymmetries and of heteroscedasticity. Morphological rates are for example calculated on extremely variable base populations. Classical empirical Bayesian correction used in epidemiology, with the spatial unit surface area as base population, seems unfit to the analysis of urban morphology, as spatial units depend from morphological phenomena. New empirical Bayesian corrections are thus proposed and tested on the case study of urban landscapes of the French Riviera. A new Bayesian correction which is a sublinear function of the base population proves better able to reduce rate heteroscedasticity for several morphological indicators.

Résumé

Un ensemble d’indicateurs morphologiques est proposé pour identifier les caractéristiques des tissus urbains par clustering spatial. L’approche des indicateurs locaux de regroupements à contrainte de réseau (LINCS) est préférée aux plus classiques indicateurs locaux d’association spatiale (LISA) pour mieux intégrer le point de vue du piéton dans la ville. Cependant, l’analyse spatiale des indicateurs morphologiques doit prendre en compte attentivement leurs asymétries statistiques et leur hétéroschédasticité. Plusieurs indicateurs sont ainsi des taux calculés sur des populations mères très variables. La correction empirique bayésienne utilisée en épidémiologie, où la population mère serait la surface de l’unité spatiale, semble mal s’appliquer à la morphologie urbaine, car celle-ci influence le découpage spatial. Des nouvelles corrections bayésiennes sont ainsi proposées et testées sur les paysages urbains de la Côte d’Azur. Une correction utilisant une fonction sous-linéaire des populations mères se montre plus apte à réduire l’hétéroscédasticité des taux pour plusieurs indicateurs morphologiques.