Modeling Functional Urban Centrality via Graph Attention Networks and Multi-Source Spatial Data Fusion

لطالما فُهمت المدن من خلال أشكالها المادية. فقد نظر المخططون والجغرافيون تقليديًا إلى عدد السكان في حي ما، ومدى ارتفاع المباني، وكيفية تخطيط الشوارع على الخريطة. وافترضوا أنه إذا بدا مكان ما كثيفًا ومزدحمًا، فإنه يمثل مركز النشاط. ولكن في العالم الحديث، غالبًا ما يخطئ هذا النوع من الرؤية للمدينة الهدف. فقد يكون الحي مكدسًا بالمنازل والسكان، ومع ذلك يبدو فارغًا ومنفصلًا عن بقية المدينة لأن الطرق لا تؤدي إليه، أو لأن الوظائف والمتاجر تقع في مكان آخر. وعلى العكس من ذلك، قد يضج مكان ما بالنشاط رغم قلة عدد سكانه، لأنه يقع عند تقاطع مثالي لمسارات النقل والخدمات. هذه الفجوة بين ما تبدو عليه المدينة وما تعمل به فعليًا هي اللغز الذي يحاول الباحثون حله. إنهم ينتقلون بعيدًا عن الخرائط الثابتة لفهم "المركزية الوظيفية" — وهي مقياس لمدى أهمية مكان ما بناءً على التدفق الفعلي للناس والسلع والخدمات من خلاله، وليس فقط بناءً على مظهره المادي.

ولمعالجة هذا التحدي، لجأ فريق من الباحثين من المغرب وسويسرا إلى نوع جديد من الأدوات الرقمية. فقد ركزوا على منطقة الرباط-سلا-القنيطرة، وهي ممر حضري مترامي الأطراف يضم قرابة ثلاثة ملايين نسمة. وتعد هذه المنطقة مزيجًا معقدًا من المراكز التاريخية، والمناطق التجارية المخططة، والأحياء العمالية المكتظة، مما يجعلها أرضًا مثالية للاختبار. أراد الباحثون بناء نموذج يمكنه رؤية المدينة ليس كمجموعة من الكتل المعزولة، بل كشبكة حية حيث يتصل كل جزء بكل جزء آخر عبر الطرق التي يسلكها الناس فعليًا بالسيارات أو سيرًا على الأقدام.

وبدلاً من استخدام الخرائط القياسية، قام الفريق بتقسيم المنطقة بأكملها إلى شبكة من السداسيات الصغيرة، تشبه خلايا النحل. وأصبح كل شكل سداسي نقطة بيانات، تحمل ثروة من المعلومات حول تلك البقعة المحددة من الأرض. لقد غدّوا الحاسوب بكمية هائلة من البيانات المتنوعة: صور الأقمار الصناعية التي توضح حرارة الأرض ومقدار المساحات الخضراء، وسجلات أماكن تواجد المحلات والمكاتب، وتعداد السكان، وحتى توهج أضواء المدينة ليلاً، والذي يعمل كمؤشر للنشاط الاقتصادي. والأهم من ذلك، قاموا برسم خريطة لشبكة الطرق الفعلية، وحسبوا الوقت المستغرق للسفر بين أي نقطتين، بدلاً من مجرد قياس المسافة في خط مستقيم.

كان جوهر عملهم برنامجًا حاسوبيًا متخصصًا يسمى "شبكة الانتباه الرسومي المشفرة تلقائيًا" (Graph Attention Network Autoencoder). ورغم أن هذا الاسم يبدو تقنيًا، إلا أن وظيفته بسيطة؛ تخيل نظامًا ينظر إلى حي ما ويسأل: "من هم جيرانك، وما مدى أهميتهم؟". بخلاف الأساليب القديمة التي كانت تعامل كل حي كجزيرة مستقلة، تعلم هذا النظام كيفية وزن تأثير المناطق المحيطة بناءً على مدى اتصالها بالطرق. وقد أولى اهتمامًا خاصًا للمناطق القريبة فيزيائيًا ولكن يصعب الوصول إليها بسبب حركة المرور أو تخطيط الطرق، كما أدرك أن المكان الذي يضم مبانٍ أقل يمكن أن يكون مركزًا رئيسيًا إذا كان يقع على مسار نقل حيوي. عالج البرنامج كل هذه المعلومات لإنشاء نوع جديد من الخرائط، خريطة تظهر "النبض الوظيفي" الحقيقي للمدينة بدلاً من كثافتها المادية فقط.

وعندما قارن الباحثون خريطتهم الجديدة بالأساليب الأقدم والأبسط، كان الفرق مذهلاً. فالأساليب التقليدية، التي تعتمد على الإحصاءات الأساسية، كانت تميل لرؤية مراكز المدن الأكثر وضوحًا وكثافة فقط، وكانت تغفل عن المراكز الثانوية الناشئة على طول خطوط النقل أو بالقرب من خدمات معينة. ومع ذلك، كشف النموذج الجديد عن صورة أكثر دقة وتفصيلًا؛ فقد نجح في تحديد المناطق الكثيفة فيزيائيًا ولكن المنعزلة وظيفيًا، مثل الأحياء العمالية القديمة حيث تشكل الشوارع متاهة لا تتصل جيدًا بالمدينة الأوسع. كما رصد المناطق التي تبدو هادئة على الخريطة ولكنها في الواقع محركات اقتصادية حيوية لأنها تتمتع بموقع مثالي لاستقبال الحركة والخدمات.

وللتأكد من أن نتائجهم كانت حقيقية وليست مجرد نتاج برمجي، تحقق الفريق من نتائجهم مقابل أدلة من أرض الواقع. فقد قارنوا "الدرجات الوظيفية" التي أنتجها نموذجهم لمختلف الأحياء مقابل الأسعار الفعلية للأراضي والعقارات في تلك المناطق. وأظهرت النتائج وجود رابط واضح: الأماكن التي حددها النموذج على أنها عالية الوظيفية وجيدة الاتصال كانت تفرض قيمًا أعلى للأراضي والعقارات. وقد أكد هذا أن النموذج يلتقط شيئًا حقيقيًا يتعلق بالحيوية الاقتصادية للمدينة، وأثبت أن قيمة المكان مدفوعة بمدى سهولة وصول الناس إليه وما يمكنهم القيام به بمجرد وصولهم، أكثر من عدد الأشخاص الذين يعيشون فيه.

كما قدمت الدراسة نظرة أعمق على تاريخ المدينة نفسها. فمن خلال دمج خريطتهم الجديدة مع التاريخ المعروف للتخطيط الحضري في المنطقة، استطاع الباحثون رؤية كيف شكلت القرارات الماضية الحاضر. ووجدوا أن المناطق الأكثر حيوية واتصالاً هي غالبًا تلك التي استفادت من مشاريع البنية التحتية الكبرى، مثل خطوط الترام الجديدة أو محطات القطار فائق السرعة. وفي المقابل، كُشف النقاب عن بعض الأحياء الأكثر كثافة سكانية باعتبارها "جيوبًا معزولة" — وهي أماكن يعيش فيها الناس في تقارب شديد ولكنهم مقطوعون عن التدفق الرئيسي للمدينة بسبب نقص الطرق الرابطة. هذه المناطق، التي غالبًا ما كانت نتيجة لبرامج إسكان منتصف القرن التي صُممت من أجل السرعة لا التكامل، ظهرت كجزر معزولة في خريطة النموذج، مما يسلط الض الضوء على عدم مساواة هيكلية فشلت الأساليب القديمة في اكتشافها.

وفي الختام، يوضح هذا البحث أن فهم المدينة يتطلب ما هو أكثر من مجرد عد المباني أو قياس المسافات؛ إنه يتطلب فهم الشبكة غير المرئية من الروابط التي تجمع المكان معًا. ومن خلال استخدام التعلم الحاسوبي المتقدم لدمج بيانات الأقمار الصناعية وشبكات الشوارع والنشاط البشري، ابتكر الباحثون أداة يمكنها تشخيص صحة المدينة بوضوح غير مسبوق. إنها تظهر أن المركز الحقيقي للمدينة ليس دائمًا حيث تقف أطول المباني، بل حيث تتلاقى تدفقات الحياة. ويقدم هذا النهج طريقة قوية للمخططين لرؤية أين تخفق المدينة في خدمة سكانها، وأين يمكن للاستثمارات الجديدة في الطرق والنقل أن تطلق العنان لإمكانات الأحياء التي تم تركها خلف الركب.