🔬 physics

A global framework to estimate urban spatial cycling patterns based on crowdsourced data

تقدم هذه الورقة إطار عمل عالمي يستخدم بيانات خريطة "سترافا" الحرارية العالمية الموزونة بالسكان ونقاط الاهتمام لتقدير أنماط ركوب الدراجات في المناطق الحضرية والتحقق من صحتها بدقة، مما يوفر حلاً منخفض الجهد للتخطيط والتحليل واسع النطاق حيث تندر بيانات العد الرسمية.

المؤلفون الأصليون: Robert Klein, Elias Willberg, Silviya Korpilo, Tuuli Toivonen

نُشر 2026-03-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Robert Klein, Elias Willberg, Silviya Korpilo, Tuuli Toivonen

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول فهم كيفية تحرك الناس عبر مدينة ما، وتحديداً عدد الأشخاص الذين يركبون الدراجات الهوائية. في الماضي، كان على مخططي المدن الوقوف عند زوايا الشوارع ومعهم لوحات كتابة، أو تركيب أجهزة استشعار باهظة الثمن لعدّ الدراجات. كانت هذه العملية بطيئة، ومكلفة، وغالباً ما كانت تغفل أجزاءً ضخمة من المدينة.

يقدم هذا البحث طريقة جديدة وذكية لـ "رؤية" أنماط ركوب الدراجات باستخدام أداة يعرفها معظم الناس بالفعل: Strava، التطبيق الشهير للياقة البدنية.

إليك قصة البحث، مشروحة ببساطة:

1. المشكلة: "الخريطة الضبابية"

بدأ الباحثون بـ خريطة سترافا الحرارية العالمية (Strava Global Heatmap). فكر في هذه الخريطة الحرارية كخريطة متوهجة للعالم، حيث تظهر المناطق الأكثر سطوعاً الأماكن التي يركب فيها مستخدمو سترافا (معظمهم من عشاق اللياقة البدنية) دراجاتهم بكثرة.

ومع ذلك، كانت هناك عقبة. الخريطة الحرارية تشبه صورة ضبابية. فهي توضح أين يركب الناس، لكن درجة السطوع فيها "مُعايرة" (معدلة) بحيث يبدو العالم بأكمله متوازناً. وهذا يعني أن شارعاً مزدحماً في بلدة صغيرة قد يبدو بنفس سطوع شارع رئيسي شديد الازدحام في مدينة ضخمة. إذا نظرت فقط إلى الألوان الخام، فلن تستطيع معرفة أي مدينة تحتوي بالفعل على عدد أكبر من راكبي الدراجات. لقد كانت خريطة "نسبية"، وليست خريطة "مطلقة".

2. الحل: إضافة "مكونات السياق"

لتوضيح هذا الضباب، قرر الباحثون مزج الخريطة الحرارية مع مكونين آخرين: السكان ونقاط الاهتمام (POIs).

بيانات السكان: هذا يشبه معرفة عدد الأشخاص الذين يعيشون في حي ما. فزيادة عدد الناس تعني عادةً وجود إمكانات أكبر لراكبي الدراجات.
بيانات نقاط الاهتمام (POIs): هذه هي الأماكن مثل المقاهي، والمتاجر، والمدارس، والمنتزهات. فكر فيها كـ "مغناطيسات" تجذب الناس. إذا كان الشارع يحتوي على الكثير من المتاجر، فمن المرجح أن يمر به راكبو الدراجات للتوقف وليس فقط للمرور.

وضع الباحثون وصفة:

الخريطة الحرارية الخام + (السكان × نقاط الاهتمام) = صورة أوضح

لقد اختبروا ذلك عن طريق وزن قيم الخريطة الحرارية. تخيل أن الخريطة الحرارية هي صفيحة معدنية مسطحة. لقد وضعوا أوزاناً ثقيلة (تمثل الناس والمتاجر) فوقها. وحيثما كانت الأوزان أثقل، غاص المعدن للأسفل، مما كشف عن "العمق" الحقيقي لنشاط ركوب الدراجات.

3. الاختبار: "اختبار التذوق"

لمعرفة ما إذا كانت وصفتهم الجديدة قد نجحت، قارن الباحثون "خريطتهم الموزونة" بـ عدادات الدراجات الرسمية في 29 مدينة حول العالم (من لندن إلى نيويورك إلى بوينس آيرس).

فكر في العدادات الرسمية كـ "المعيار الذهبي" لاختبار التذوق. وسألوا: "هل تتنبأ خريطتنا الجديدة بالأماكن التي ترى فيها العدادات الرسمية أكبر عدد من الدراجات؟"

النتائج:

الخريطة الخام (الضبابية): فشلت في الاختبار. فقد كانت غالباً مخطئة بشأن الشوارع الأكثر ازدحاماً.
الخريطة الموزونة (الواضحة): اجتازت الاختبار بامتياز!
- في المدن الأوروبية، طابقت الخريطة الجديدة العدات الرسمية بشكل شبه مثالي (بنسبة تطابق تصل إلى 90%).
- في مدن أمريكا الشمالية، كانت جيدة جداً أيضاً، خاصة في الساحل الشرقي.
- تبين أن مكون "نقاط الاهتمام" (المتاجر والخدمات) هو "الخلطة السرية"، حيث كان يعمل بشكل أفضل من مجرد عدّ السكان.

4. الخلطة السرية: مناطق النطاق (Buffer Zones)

كان على الباحثين أيضاً تحديد المدى الذي يجب أن ينظروا إليه للبحث عن هذه "المغناطيسات" (المتاجر/الأشخاص).

إذا بحثت فقط في المربع المباشر (100 متر)، فستفقد الصورة الكبيرة.
إذا بحثت بعيداً جداً (5 كيلومترات)، فستدرج الكثير من الضجيج غير المفيد.

لقد وجدوا "منطقة غولدي لوكس" (المنطقة المثالية):

في المدن الأوروبية المكتظة: كان النظر لمسافة تتراوح بين 2.5 إلى 3 كيلومترات هو الأفضل.
في المدن الأمريكية المترامية الأطراف: كنت بحاجة للنظر بعيداً، حوالي 3.5 إلى 4 كيلومترات، لالتقاط نفس التأثير.

5. لماذا يهم هذا؟

هذه الدراسة تعد نقطة تحول لمخططي المدن لثلاثة أسباب:

إنها مجانية ومفتوحة: لست بحاجة لشراء بيانات باهظة الثمن أو انتظار الحكومة لتركيب أجهزة استشعار. البيانات موجودة بالفعل، بانتظار فك رموزها.
إنها عالمية: يمكنك استخدام نفس الطريقة لمقارنة ركوب الدراجات في باريس، وتورنتو، وسيدني فوراً. قبل ذلك، كانت مقارنة هذه المدن تشبه مقارنة التفاح بالبرتقال لأن البيانات لم تكن موجودة بنفس التنسيق.
تساعد في بناء مدن أفضل: إذا أرادت مدينة ما بناء مسار جديد للدراجات، يمكنها استخدام هذه الطريقة لمعرفة أين يريد الناس الركوب فعلياً، بدلاً من التخمين.

الخلاصة

لقد أخذ الباحثون خريطة تطبيق لياقة بدنية "ضبابية"، وأضافوا إليها بعض "أوزان السياق" (الناس والأماكن)، وحولوها إلى أداة قوية لفهم حركة المدن. الأمر يشبه أخذ صورة ضبابية واستخدام الذكاء الاصطناعي لجعلها حادة وواضحة، مما يكشف عن الإيقاع الحقيقي لراكبي الدراجات في المدينة.

باختختصار: إذا كنت تريد معرفة وجهة الدراجات في مدينة ما، فلا تنظر فقط إلى تطبيق اللياقة البدنية. انظر إلى تطبيق اللياقة البدنية بالإضافة إلى المتاجر والناس، وسترى الصورة الكاملة.

فيما يلي ملخص تقني مفصل لورقة البحث بعنوان: "إطار عمل عالمي لتقدير أنماط ركوب الدراجات في المناطق الحضرية بناءً على البيانات الجماعية".

1. بيان المشكلة

تعد ركوب الدراجات في المناطق الحضرية مكوناً حيوياً للتنقل المستدام، ومع ذلك، فإن التخطيط الفعال وصنع السياسات يعوقهما نقص البيانات المتعلقة بركوب الدراجات والتي تتسم بالدقة المكانية والشمولية والقابلية للمقارنة.

ندرة البيانات: غالباً ما يكون جمع البيانات التقليدي (العد اليدوي، المستشعرات الثابتة) متقطعاً، ويتطلب جهداً مكثفاً، ويفتقر إلى التغطية على نطاق واسع.
عوائق الوصول: توفر منصة Strava Metro بيانات عالية الدقة عن ركوب الدراجات، لكن الوصول إليها مقيد بمدن محددة ويخضع لسياسات متغيرة، مما يمنع إجراء تحليلات مقارنة عالمية.
محدودية البدائل المفتوحة: تعد خريطة Strava Global Heatmap متاحة للجميع وتغطي العالم، لكنها عبارة عن تصور ترتيبِيّ مُطَبَّع (بمقياس من 0 إلى 255) وليس بيانات حجم مطلقة. لم تقم الدراسات السابقة بالتحقق بشكل منهجي من جدوى استخدامها لتقدير كثافة ركوب الدراجات النسبية عبر مدن عالمية متنوعة أو تصحيح انحيازات التطبيع الداخلي الخاصة بها.

2. المنهجية

طوّر المؤلفون إطار عمل يتكون من أربع خطوات لاستخراج وتكرير والتحقق من أنماط ركوب الدراجات في المناطق الحضرية باستخدام Strava Global Heatmap.

أ. استخراج البيانات

المصدر: Strava Global Heatmap (أنشطة ركوب الدراجات/"ride")، يتم تحديثه شهرياً بناءً على بيانات المستخدمين خلال الـ 12 شهراً الماضية.
المعالجة: تم الوصول إلى الخريطة الحرارية عبر سكربت بلغة بايثون (Python) باستخدام بيانات اعتماد تسجيل الدخول إلى Strava. تم استخراج البيانات كصور شعاعية (rasters) ذات مرجع جغرافي عند مستوى زووم 16 (دقة تقريبية تبلغ 2.4 متر) لـ 29 مدينة في أوروبا وأمريكا الشمالية وأمريكا الجنوبية وأوقيانوسيا.
الحقيقة الأرضية (Ground Truth): تم جمع بيانات عد الدراجات الرسمية (العدادات التلقائية، العد اليدوي، أو التقديرات الاستراتيجية) للفترة من 2023 إلى 2025 لأغراض التحقق.

ب. التكرير (استراتيجية الوزن)

لمعالجة التطبيع الداخلي للخريطة الحرارية (الذي يجعل القيم غير قابلة للمقارنة عبر مناطق واسعة) ولنمذجة كثافة ركوب الدراجات المحلية، طبق المؤلفون متغيرين للوزن:

الكثافة السكانية: مشتقة من طبقة المستوطنات البشرية العالمية (GHSL) بدقة 100 متر.
نقاط الاهتمام (POI): مشتقة من OpenStreetMap (OSM). تم تصفية الوسوم (tags) المحددة لاستبعاد الميزات العامة أو غير ذات الصلة (مثل "مبنى"، "عمود إنارة") والاحتفاظ بالمرافق ذات الصلة بركوب الدراجات اليومي (مثل المحلات التجارية، محطات النقل، المتنزهات).

خوارزمية الوزن:
تم وزن قيمة الخريطة الحرارية الخام ( $h_l$ ) لموقع ما ( $l$ ) من خلال كثافة المتغير (السكان أو نقاط الاهتمام) داخل نصف قطر منطقة عازلة ( $b$ ).

المعادلة: $h_{l,b,weighted} = h_l \times \frac{n_{l,b}}{\max(n_{b,c})}$ $h_{l, b, w e i g h t e d} = h_{l} \times \frac{n _{l, b}}{m a x ( n _{b, c} )}$
- حيث $n_{l,b}$ هو عدد المتغير في المنطقة العازلة، و $\max(n_{b,c})$ هو الحد الأقصى للعدد في تلك المدينة.
الوزن المشترك: تم أيضاً اختبار المتوسط الهندسي لأوزان السكان ونقاط الاهتمام ( $\sqrt{pop \times POI}$ ).
أحجام المناطق العازلة: تم اختبارها عبر 12 نصف قطر للمناطق العازلة تتراوح من 100 م إلى 5000 م.

ج. التحقق

المقارنة: تمت مقارنة قيم الخريطة الحرارية الموزونة مع أعداد ركوب الدراجات الرسمية في 29 موقعاً لكل مدينة (بإجمالي آلاف نقاط البيانات).
المقاييس: تم حساب ارتباط بيرسون (Pearson) وارتباط سبيرمان (Spearman). تم إعطاء الأولوية لسبيرمان لأن الخريطة الحرارية تمثل الكثافة الترتيبية وليس الأعداد المطلقة.
التحليل السياقي: تم تحليل نتائج الارتباط بشكل أكبر مقابل مقاييس على مستوى المدينة: الحصة النسبية لركوب الدراجات، الكثافة السكانية، وكثافة مواقع العد.

3. النتائج الرئيسية

أ. تأثير الوزن

الخريطة الحرارية الخام: أدت أداءً ضعيفاً في معظم المدن (متوسط ارتباط سبيرمان $\rho < 0.5$ )، وفشلت في التقاط الأنماط المكانية بدقة بسبب التطبيع العالمي.
وزن السكان: أدى إلى تحسين الارتباطات بشكل كبير في المدن الأوروبية (غالباً $\rho > 0.7$ )، لكنه أظهر نتائج مختلطة في أمريكا الشمالية.
وزن نقاط الاهتمام (POI): كان الأفضل أداءً بشكل عام.
- أوروبا: أظهرت جميع المدن الـ 13 ارتباطات قوية ( $\rho > 0.7$ )، و9 مدن تجاوزت $\rho > 0.8$ (مثل لندن $\rho=0.89$ ، هامبورغ $\rho=0.86$ ).
- أمريكا الشمالية: أظهرت المدن الواقعة على الساحل الشرقي (مثل بوسطن، نيويورك، واشنطن) ارتباطات عالية ( $\rho > 0.7$ ). أما المدن الغربية (مثل لوس أنجلوس، أوستن) فقد كانت ارتباطاتها أضعف.
- الوزن المشترك: لم يتفوق بشكل كبير على وزن نقاط الاهتمام وحده.

ب. أحجام المناطق العازلة المثلى

أوروبا: تم العثور على أفضل الارتباطات مع مناطق عازلة تتراوح بين 2500–3000 م.
أمريكا الشمالية (الساحل الشرقي): تم العثور على أفضل الارتباطات مع مناطق عازلة تتراوح بين 3500–4000 م.
السبب: يُعزى الفرق إلى إسقاط "ويب ميركاتور" (Web Mercator) الذي تستخدمه Strava (والذي يشوه المسافات عند خطوط العرض العالية) وإلى المورفولوجيا الحضرية الأكثر كثافة في المدن الأوروبية مقارنة بالمدن الأكثر تشتتاً في أمريكا الشمالية.

ج. محركات الدقة

وجدت الدراسة أن دقة إطار العمل ترتبط طردياً بـ:

الحصة النسبية لركوب الدراجات: المدن ذات معدلات تبني ركوب الدراجات الأعلى حققت ارتباطات أفضل.
كثافة مواقع العد: المدن التي تمتلك كثافة أعلى من العدادات الرسمية قدمت نتائج تحقق أفضل، مما يشير إلى أن بيانات الحقيقة الأرضية المتفرقة تسبب ضجيجاً في البيانات.
الكثافة السكانية: المدن الأكثر كثافة أدت أداءً أفضل بشكل عام.

4. المساهمات الرئيسية

أول تحقق عالمي: هذه هي أول دراسة تتحقق بشكل منهجي من Strava Global Heatmap مقابل بيانات العد الرسمية عبر 29 مدينة عالمية متنوعة.
إطار عمل منهجي: توفر طريقة قابلة للتكرار ومنخفضة الجهد لتحويل بيانات الخريطة الحرارية الترتيبية إلى تقديرات نسبية لكثافة ركوب الدراجات مكانياً باستخدام بيانات مفتوحة (OSM و GHSL).
تفوق نقاط الاهتمام (POI): تثبت أن بيانات نقاط الاهتمام هي وسيط أكثر فعالية لكثافة ركوب الدراجات المحلية من الكثافة السكانية وحدها، ويرجع ذلك على الأرجه إلى أن نقاط الاهتمام تلتقط جانب "الوجهة" في ركوب الدراجات اليومي بشكل أفضل.
تحسين المناطق العازلة: يحدد الإطار أحجام المناطق العازلة المثلى لكل منطقة، مع مراعاة تأثير المورفولوجيا الحضرية وإسقاطات الخرائط.

5. الأهمية والآثار المترتبة

دعم التخطيط: يوفر إطار العمل بديلاً قابلاً للتطبيق لمخططي المدن في المدن التي تفتقر إلى بيانات رسمية حول البنية التحتية لركوب الدراجات. فهو يسمح بتقدير أنماط الاستخدام النسبية لتحديد أولويات الاستثمار في البنية التحتية.
القابلية للمقارنة عالمياً: من خلال توحيد عملية الاستخراج والوزن، تتيح الدراسة إجراء تحليلات مقارنة واسعة النطاق لسلوك ركوب الدراجات عبر بلدان وثقافات مختلفة، وهو ما كان مستحيلاً سابقاً بسبب تشتت البيانات.
دمقرطة البيانات: يستفيد الإطار من البيانات مفتوحة المصدر (Strava Heatmap + OSM) للتغلب على قيود المنصات المملوكة والمقيدة مثل Strava Metro.
القيود والعمل المستقبلي: يشير المؤلفون إلى أن الطريقة تقدر الكثافة النسبية وليس الأعداد المطلقة. كما أن الدقة تكون أقل في المدن ذات الحصص المنخفضة من ركوب الدراجات أو التي تعاني من ندرة في بيانات الحقيقة الأرضية. يجب أن تتوسع الأبحاث المستقبلية لتشمل المدن الآسيوية والأفريقية مع زيادة توافر البيانات المفتوحة.

في الختام، تثبت الورقة أن خرائط Strava Heatmap الموزونة بنقاط الاهتمام (POI) يمكن أن تمثل أنماط ركوب الدراجات في المناطق الحضرية بدقة، مما يوفر أداة قوية وقابلة للتوسع لتعزيز تخطيط التنقل الحضري المستدام.