Neupositionierung mit allen OC + Referenzen im Vordergrund (sorry, Mods).
Ich habe die Baum- und Straßendaten des Vancouver Open Data-Portals verwendet und die 10 und 30 dichtesten Kirschblütenbäume in Vancouver kartiert und sie für Besucher (zu Fuß? Laufen? Fahrrad?) kartiert.
Das erste Bild zeigt die Straßen mit einer Kirschblütenbaumdichte auf ausgewählten Straßenabschnitten, die einen bestimmten Baumschwellenwert erreichen. Dann wurden diese einzelnen Straßen von der höchsten zur niedrigsten Dichte geordnet und durchliefen einen grundlegenden Pfadalgorithmus. Die Straßendaten scheinen ein paar Lücken zu haben, sodass der Code die Straßen nicht aus den Daten des Vancouver Open Data-Portals routen kann. Deshalb habe ich die einzelnen Standorte nach Google und ORSM exportiert, um stattdessen das Routing durchzuführen.
Anschließend zeige ich die Routenreihenfolge für die Top-10- und Top-30-Standorte sowie die Strava-Route, wenn die Leute eine Möglichkeit zum Laufen oder Radfahren suchen.
Die Analyse wurde hier im R.-Code-Repository durchgeführt: https://github.com/chendaniely/yvr-cherry-blossoms.
Die Visualisierungen stammen von der MapLibre-Schnittstelle von R und einem Screenshot von Strava. Ich habe verwendet https://project-osrm.org/ um beim Generieren der Routen und GPX-Dateien zu helfen.
Details zur Geschichte in diesem Blogbeitrag (mit zoombaren Figuren, GPX-Dateien und Strava-Route): https://chendaniely.github.io/posts/2026/2026-03-30-yvr-cherry-blossoms-marathon/
Datenquellen
- Öffentliche Bäume — Bauminventar mit Art, Standort und Abmessungen
- Öffentliche Straßen — Von der Stadt unterhaltene Straßenabschnitte
- Straßen außerhalb der Stadt — privat unterhaltene Straßen
- Fahrspuren — Fahrspursegmente
- Lokale Gebietsgrenze — Nachbarschaftspolygone
Ich habe vor, irgendwann alles in Python zu machen. Jetzt werde ich einen Teil dieser Route laufen, um meine Theorie zu bestätigen.
Von chendaniely
1 Kommentar
All the references!
> Where or how you got the data **(Source)**
Vancouver Open Data Portal: [https://opendata.vancouver.ca/pages/home/](https://opendata.vancouver.ca/pages/home/)
Specifically these data sources:
* [Public Trees](https://opendata.vancouver.ca/explore/dataset/public-trees/information/) — tree inventory with species, location, and dimensions
* [Public Streets](https://opendata.vancouver.ca/explore/dataset/public-streets/information/) — city-maintained street segments
* [Non-City Streets](https://opendata.vancouver.ca/explore/dataset/non-city-streets/information/) — privately-maintained streets
* [Lanes](https://opendata.vancouver.ca/explore/dataset/lanes/information/) — lane segments
* [Local Area Boundary](https://opendata.vancouver.ca/explore/dataset/local-area-boundary/information/) — neighbourhood polygons
> The tool used to generate the visual **(Tool)**
Done in R, you can find the code, data, exports all here in the code repository. The actual figures you see are screen shots since the original figure is interactive (see blog post below) [https://github.com/chendaniely/yvr-cherry-blossoms](https://github.com/chendaniely/yvr-cherry-blossoms)
The GPX files were created with [https://project-osrm.org](https://project-osrm.org/) and visualized by importing it into [https://www.strava.com/](https://www.strava.com/)
For more background about the data and ongoing process I started the first set of a blog series to talk about the data story: [https://chendaniely.github.io/posts/2026/2026-03-30-yvr-cherry-blossoms-marathon/](https://chendaniely.github.io/posts/2026/2026-03-30-yvr-cherry-blossoms-marathon/)