Pedaling through the cityscape: Unveiling the association of urban environment and cycling volume through street view imagery analysis رکاب زدن در منظر شهری: رونمایی از ارتباط محیط شهری و حجم دوچرخه سواری از طریق تحلیل تصاویر نمای خیابان
Ming Gao ^(a,b){ }^{\mathrm{a}, \mathrm{b}}, Congying Fang ^(C,^(,)){ }^{\mathrm{C},{ }^{,}} مینگ گائو ^(a,b){ }^{\mathrm{a}, \mathrm{b}} ، نیش کانگینگ ^(C,^(,)){ }^{\mathrm{C},{ }^{,}}^(a){ }^{a} School of Architecture and Design, Harbin Institute of Technology, Key Laboratory of Cold Region Urban and Rural Human Settlement Environment Science and Technology, Ministry of Industry and Information Technology, Harbin 150006, China ^(a){ }^{a} دانشکده معماری و طراحی، موسسه فناوری هاربین، آزمایشگاه کلیدی علوم و فناوری محیط زیست سکونتگاه های انسانی شهری و روستایی در منطقه سردسیر، وزارت صنعت و فناوری اطلاعات، 150006 هاربین، چین^("b "){ }^{\text {b }} Department of Architecture, College of Design and Engineering, National University of Singapore, Singapore 117566, Singapore ^("b "){ }^{\text {b }} گروه معماری، دانشکده طراحی و مهندسی، دانشگاه ملی سنگاپور، سنگاپور 117566، سنگاپور^("c "){ }^{\text {c }} Graduate School of Science and Technology, Kumamoto University, Kumamoto 860-8555, Japan ^("c "){ }^{\text {c }} دانشکده تحصیلات تکمیلی علم و فناوری، دانشگاه کوماموتو، کوماموتو 860-8555، ژاپن
ARTICLE IN F O مقاله در F O
Keywords: کليدواژه:
Cycling volume حجم دوچرخه سواری
Built environment محیط ساخته شده
Street view images تصاویر نمای خیابان
Machine learning یادگیری ماشین
Abstract چکيده
Cycling behavior significantly contributes to urban sustainability and enhances public health. However, revealing the relationship between the built environment and public cycling volume, particularly at the street scale, and achieving urban bicycle-friendly objectives remains a challenge due to a lack of large-scale quantitative methodologies and variability in estimation techniques. This study introduces a novel approach employing street-view imagery and machine learning technologies (specifically training deep learning models on large datasets) to overcome the limitations of traditional methods characterized by low efficiency and narrow geographic coverage. For the implementation of this method, we focus on the correlation between urban built environments and cycling volume using Amsterdam, known as a cycling haven, as a case study. The research identifies a dual interaction between street-level and surrounding greenery, manifesting in collaborative and competitive dynamics that jointly shape cycling volume. Moreover, the application of a 4D framework to assess built environments in relation to urban perceptual qualities shows significant correlations with cycling volume. To foster the development of bicycle-friendly cities and enhance public cycling practices, policymakers and urban planners may need to pay greater attention to multidimensional interventions in urban environments. رفتار دوچرخه سواری به طور قابل توجهی به پایداری شهری کمک می کند و سلامت عمومی را افزایش می دهد. با این حال، آشکار کردن رابطه بین محیط ساخته شده و حجم دوچرخه سواری عمومی، به ویژه در مقیاس خیابان، و دستیابی به اهداف دوستدار دوچرخه شهری به دلیل فقدان روش های کمی در مقیاس بزرگ و تنوع در تکنیک های برآورد، همچنان یک چالش است. این مطالعه رویکردی جدید با استفاده از تصاویر نمای خیابان و فناوری های یادگیری ماشین (به ویژه آموزش مدل های یادگیری عمیق بر مجموعه داده های بزرگ) برای غلبه بر محدودیت های روش های سنتی که با کارایی پایین و پوشش جغرافیایی محدود مشخص می شوند، معرفی می کند. برای اجرای این روش، ما بر همبستگی بین محیط های ساخته شده شهری و حجم دوچرخه سواری با استفاده از آمستردام، معروف به پناهگاه دوچرخه سواری، به عنوان مطالعه موردی تمرکز می کنیم. این تحقیق یک تعامل دوگانه بین سطح خیابان و فضای سبز اطراف را شناسایی می کند که در پویایی مشارکتی و رقابتی آشکار می شود که به طور مشترک حجم دوچرخه سواری را شکل می دهد. علاوه بر این، کاربرد چارچوب چهار بعدی برای ارزیابی محیط های ساخته شده در ارتباط با کیفیت های ادراکی شهری همبستگی معناداری با حجم دوچرخه سواری نشان می دهد. برای تقویت توسعه شهرهای دوستدار دوچرخه و ارتقای شیوه های دوچرخه سواری عمومی، سیاست گذاران و برنامه ریزان شهری ممکن است نیاز به توجه بیشتری به مداخلات چندبعدی در محیط های شهری داشته باشند.
1. Introduction 1. مقدمه
The interplay between the planning of bicycle lanes and urban renewal has emerged as a primary issue in global planning literature and practice (Hoffmann, 2016). Cycling, as a healthy and sustainable mode of transport, has the capability to alleviate urban traffic congestion, reduce vehicular emissions, and improve air quality (Li et al., 2011). More importantly, it contributes to increased frequency and duration of physical activity among the public (Kerr et al., 2016) and can reduce the risk of mental health issues, such as lowering the incidence of depression (Rissel & Watkins, 2014). The deterioration of the urban built environment and the associated negative perceptions can adversely affect cycling behavior (Kelarestaghi et al., 2019), reflecting the extent to which urban environmental planning aligns with cycling behavior or preferences (Chevalier et al., 2019). Additionally, urban greenery, as a significant component of the built environment, is considered a crucial factor in promoting cycling participation, as it enhances the appeal and pleasantness of the cycling environment (Kelarestaghi et al., 2019; Lu تعامل بین برنامه ریزی خطوط دوچرخه و نوسازی شهری به عنوان یک موضوع اصلی در ادبیات و عملکرد برنامه ریزی جهانی ظاهر شده است (هافمن، 2016). دوچرخه سواری به عنوان یک روش حمل و نقل سالم و پایدار، توانایی کاهش ازدحام ترافیک شهری، کاهش انتشار گازهای گلخانه ای وسایل نقلیه و بهبود کیفیت هوا را دارد (لی و همکاران، 2011). مهمتر از همه، به افزایش فراوانی و مدت زمان فعالیت بدنی در بین مردم کمک می کند (کر و همکاران، 2016) و می تواند خطر ابتلا به مسائل مربوط به سلامت روان، مانند کاهش بروز افسردگی را کاهش دهد (Rissel & Watkins، 2014). بدتر شدن محیط ساخته شده شهری و ادراکات منفی مرتبط با آن می تواند بر رفتار دوچرخه سواری تأثیر منفی بگذارد (Kelarestaghi et al.، 2019)، که نشان دهنده میزان همسویی برنامه ریزی محیط زیست شهری با رفتار یا ترجیحات دوچرخه سواری است (شوالیه و همکاران، 2019). علاوه بر این، فضای سبز شهری، به عنوان یکی از اجزای مهم محیط ساخته شده، عاملی حیاتی در ارتقای مشارکت دوچرخه سواری در نظر گرفته می شود، زیرا جذابیت و دلپذیری محیط دوچرخه سواری را افزایش می دهد (Kelarestaghi et al., 2019; لو
et al., 2019). However, empirical findings on the relationship between urban greenery and cycling are inconsistent (Lu et al., 2019). Furthermore, the complexity of the micro-level street environment is often overlooked; for instance, streets perceived as having higher visual complexity and safety are more likely to attract dockless bikeshare users (Song et al., 2024). This oversight creates a critical gap in research (Blitz, 2021), as understanding cyclists’ actual perceptions of the street environment is essential (Ma & Dill, 2015), especially when a limited set of variables may struggle to accurately capture the impact of the urban built environment. Consequently, planners and policymakers globally are interested in maximizing cycling volume using limited resources, whether through the design of shared bicycles or dedicated cycling lanes. Consequently, planners and policymakers globally are interested in maximizing cycling volume using limited resources, whether through the design of shared bicycles or dedicated cycling lanes (Ahmed et al., 2024; Cai et al., 2024; Zhao & Guo, 2024). To foster efficient and sustainable urban planning and renewal, it is essential for planners to comprehend the key environmental attributes that affect public cycling و همکاران، 2019). با این حال، یافته های تجربی در مورد رابطه بین فضای سبز شهری و دوچرخه سواری متناقض است (لو و همکاران، 2019). علاوه بر این، پیچیدگی محیط خیابان در سطح خرد اغلب نادیده گرفته می شود. به عنوان مثال، خیابان هایی که دارای پیچیدگی بصری و ایمنی بالاتری هستند، به احتمال زیاد کاربران اشتراک دوچرخه بدون اسکله را جذب می کنند (سونگ و همکاران، 2024). این نظارت یک شکاف حیاتی در تحقیقات ایجاد می کند (Blitz، 2021)، زیرا درک درک واقعی دوچرخه سواران از محیط خیابان ضروری است (Ma & Dill، 2015)، به ویژه زمانی که مجموعه محدودی از متغیرها ممکن است برای درک دقیق تأثیر محیط ساخته شده شهری تلاش کنند. در نتیجه، برنامه ریزان و سیاست گذاران در سراسر جهان علاقه مند به به حداکثر رساندن حجم دوچرخه سواری با استفاده از منابع محدود، چه از طریق طراحی دوچرخه های اشتراکی یا مسیرهای اختصاصی دوچرخه سواری هستند. در نتیجه، برنامه ریزان و سیاست گذاران در سراسر جهان علاقه مند به به حداکثر رساندن حجم دوچرخه سواری با استفاده از منابع محدود، چه از طریق طراحی دوچرخه های اشتراکی یا خطوط اختصاصی دوچرخه سواری هستند (احمد و همکاران، 2024; کای و همکاران، 2024; Zhao & Guo, 2024). برای تقویت برنامه ریزی و نوسازی شهری کارآمد و پایدار، درک ویژگی های کلیدی زیست محیطی که بر دوچرخه سواری عمومی تأثیر می گذارد، برای برنامه ریزان ضروری است
volumes. حجم.
Applying the street-view imagery analysis, machine learning, and multiple regression analysis to examine data collected from the urban center of Amsterdam, known as a cycling kingdom. Specifically, this work addresses three research questions: استفاده از تجزیه و تحلیل تصاویر نمای خیابان، یادگیری ماشینی و تحلیل رگرسیون چندگانه برای بررسی داده های جمع آوری شده از مرکز شهری آمستردام، معروف به پادشاهی دوچرخه سواری. به طور خاص ، این کار به سه سوال تحقیق می پردازد:
Research question 1 (RQ1): Does the urban built environment influence cycling volumes, and which environmental attributes have the greatest impact? سوال پژوهشی 1 (RQ1): آیا محیط ساخته شده شهری بر حجم دوچرخه سواری تأثیر می گذارد و کدام ویژگی های محیطی بیشترین تأثیر را دارند؟
Research question 2 (RQ2): Does a competitive dynamic exist among urban greenery factors within the built environment that influences cycling volumes? سؤال پژوهشی 2 (RQ2): آیا پویایی رقابتی بین عوامل فضای سبز شهری در محیط ساخته شده وجود دارد که بر حجم دوچرخه سواری تأثیر می گذارد؟
Research question 3 (RQ3): Is there a correlation between perceived urban environments and cycling volumes? سؤال پژوهشی 3 (RQ3): آیا بین محیط های شهری ادراک شده و حجم دوچرخه سواری همبستگی وجود دارد؟
This study contributes threefold to the literature on bicycle-friendly urban planning, and streets renovation practices. First, it adopts the uncommon approach of machine learning to examine public cycling behavior. More importantly, by applying reinforcement learning methods with cycling volume data estimated from street-view images, it achieves precise geographical mapping of urban street cycling activities, such as the number of cyclists on various streets within the city center and their spatial locations. This can serve as a key lever for sustainable urban transportation (Mrkajić & Anguelovski, 2016), providing empirical support for science-based urban bicycle planning, design, and policy. Secondly, we propose a method to quantify the combined effect of the built and perceived environments and their association with cycling volume, which aids in bridging the critical gap from material to perceptual factors influencing cycling behavior. Thirdly, this study also compares and analyzes the potential competitive relationships between urban street greenery characteristics and cycling volume. Starting with the greenery on urban streets and the green volume around buffer zones, it identifies the key influencing factors and mechanisms affecting public cycling behavior. By correlating these factors with cycling volume, we assist governments and urban designers in formulating urban renewal and sustainability goals, which are crucial for urban planning practices. این مطالعه به ادبیات مربوط به برنامه ریزی شهری دوستدار دوچرخه و شیوه های نوسازی خیابان ها کمک می کند. اول، رویکرد غیرمعمول یادگیری ماشین را برای بررسی رفتار دوچرخه سواری عمومی اتخاذ می کند. مهمتر از همه، با استفاده از روش های یادگیری تقویتی با داده های حجم دوچرخه سواری برآورد شده از تصاویر نمای خیابان، به نقشه جغرافیایی دقیقی از فعالیت های دوچرخه سواری خیابانی شهری مانند تعداد دوچرخه سواران در خیابان های مختلف مرکز شهر و مکان مکانی آنها دست می یابد. این می تواند به عنوان یک اهرم کلیدی برای حمل و نقل شهری پایدار عمل کند (Mrkajić & Anguelovski، 2016)، که پشتیبانی تجربی از برنامه ریزی، طراحی و سیاست دوچرخه شهری مبتنی بر علم را ارائه می دهد. در مرحله دوم، ما روشی را برای کمی کردن اثر ترکیبی محیط های ساخته شده و ادراک شده و ارتباط آنها با حجم دوچرخه سواری پیشنهاد می کنیم که به پر کردن شکاف بحرانی از عوامل مادی به عوامل ادراکی موثر بر رفتار دوچرخه سواری کمک می کند. ثالثا، این مطالعه همچنین به مقایسه و تحلیل روابط رقابتی بالقوه بین ویژگی های فضای سبز خیابانی شهری و حجم دوچرخه سواری می پردازد. با شروع با فضای سبز در خیابان های شهری و حجم سبز اطراف مناطق حائل، عوامل و مکانیسم های کلیدی تأثیرگذار بر رفتار دوچرخه سواری عمومی را شناسایی می کند. با ارتباط این عوامل با حجم دوچرخه سواری، ما به دولت ها و طراحان شهری در تدوین اهداف نوسازی شهری و پایداری کمک می کنیم که برای شیوه های برنامه ریزی شهری بسیار مهم است.
2. Literature review 2. بررسی ادبیات
2.1. The critical role of urban planning policies and design in promoting public cycling 2.1. نقش حیاتی سیاست ها و طراحی برنامه ریزی شهری در ارتقای دوچرخه سواری عمومی
Cycling, as a sustainable and healthy mode of transportation and exercise, can see increased usage through deliberate urban planning and design. This not only enhances the utility of bicycles but also contributes to the sustainability of urban environments (Garrard et al., 2008) and improves the quality of life for city residents. دوچرخه سواری به عنوان یک روش حمل و نقل و ورزش پایدار و سالم، می تواند از طریق برنامه ریزی و طراحی شهری آگاهانه شاهد افزایش استفاده باشد. این نه تنها کاربرد دوچرخه ها را افزایش می دهد بلکه به پایداری محیط های شهری نیز کمک می کند (Garrard et al.، 2008) و کیفیت زندگی ساکنان شهر را بهبود می بخشد.
Numerous cities in the Netherlands, Denmark, and Germany have implemented programs aimed at fostering and enhancing interest and enthusiasm for cycling across different age groups (Pucher & Buehler, 2008). Public policy in urban areas plays a crucial role in encouraging cycling (Pucher et al., 2010), with proven effective strategies including the construction of cycling infrastructure (Kraus & Koch, 2021) and support for bike-sharing programs (Chibwe et al., 2021). شهرهای متعددی در هلند، دانمارک و آلمان برنامه هایی را با هدف تقویت و افزایش علاقه و اشتیاق به دوچرخه سواری در گروه های سنی مختلف اجرا کرده اند (Pucher & Buehler، 2008). سیاست عمومی در مناطق شهری نقش مهمی در تشویق دوچرخه سواری ایفا می کند (پوچر و همکاران، 2010)، با استراتژی های موثر اثبات شده از جمله ساخت زیرساخت های دوچرخه سواری (Kraus & Koch، 2021) و حمایت از برنامه های اشتراک دوچرخه (Chibwe et al.، 2021).
Recognizing the importance of cycling in promoting urban health and sustainability, the role of the built environment in cultivating cycling behaviors has increasingly garnered attention, in addition to individual-level educational interventions (Chen et al., 2017). Specifically, urban built environment characteristics are assessed at a macroplanning scale-considering density, diversity, and accessibility of destinations (Chen et al., 2017; Chen et al., 2022). Additionally, research by Hochmair et al. (2019) has highlighted the correlation between urban transportation facilities, built environment characteristics, and sociodemographic factors with cycling volumes. Notably, cities with more installed cycling infrastructure, such as bike lanes and segregated cycle paths, experience higher usage of bicycles (Buehler & Pucher, با درک اهمیت دوچرخه سواری در ارتقای سلامت و پایداری شهری، نقش محیط ساخته شده در پرورش رفتارهای دوچرخه سواری علاوه بر مداخلات آموزشی در سطح فردی، به طور فزاینده ای مورد توجه قرار گرفته است (چن و همکاران، 2017). به طور خاص، ویژگی های محیط ساخته شده شهری در مقیاس برنامه ریزی کلان با در نظر گرفتن تراکم، تنوع و دسترسی به مقاصد ارزیابی می شود (چن و همکاران، 2017; چن و همکاران، 2022). علاوه بر این، تحقیقات Hochmair و همکاران (2019) همبستگی بین امکانات حمل و نقل شهری، ویژگی های محیط ساخته شده و عوامل اجتماعی جمعیتی را با حجم دوچرخه سواری برجسته کرده است. قابل ذکر است که شهرهایی با زیرساخت های دوچرخه سواری نصب شده تر، مانند مسیرهای دوچرخه سواری و مسیرهای دوچرخه سواری تفکیک شده، استفاده بیشتری از دوچرخه را تجربه می کنند.
2024; Lu et al., 2018), as cycle tracks on streets are more attractive than standalone paths without any cycling facilities (Hood et al., 2011). Street connectivity and the extent of facility coverage are key determinants of cycling frequency. Effective street connections linking residential areas, commercial zones, and other key destinations encourage more citizens to choose cycling as their daily mode of transportation (Heinen et al., 2010). Thus, urban planning plays a vital role in the design of cycling paths and in promoting public cycling. Especially accurate and comprehensive data on cycling volumes are crucial for cities to effectively formulate infrastructure investment strategies and allocations (Chen et al., 2017). 2024; لو و همکاران، 2018)، زیرا مسیرهای دوچرخه سواری در خیابان ها جذاب تر از مسیرهای مستقل بدون هیچ گونه امکانات دوچرخه سواری هستند (هود و همکاران، 2011). اتصال خیابانی و میزان پوشش تسهیلات از عوامل تعیین کننده اصلی فرکانس دوچرخه سواری هستند. اتصالات خیابانی موثر که مناطق مسکونی، مناطق تجاری و سایر مقاصد کلیدی را به هم متصل می کند، شهروندان بیشتری را تشویق می کند تا دوچرخه سواری را به عنوان وسیله حمل و نقل روزانه خود انتخاب کنند (Heinen et al., 2010). بنابراین، برنامه ریزی شهری نقش حیاتی در طراحی مسیرهای دوچرخه سواری و ترویج دوچرخه سواری عمومی دارد. داده های دقیق و جامع در مورد حجم دوچرخه سواری برای شهرها برای تدوین موثر استراتژی ها و تخصیص های سرمایه گذاری زیرساختی بسیار مهم است (چن و همکاران، 2017).
2.2. Potential impacts of urban environments on cycling behavior 2.2 تأثیرات بالقوه محیط های شهری بر رفتار دوچرخه سواری
A compact, mixed-use urban environment with well-connected streets and shorter distances to destinations can promote cycling behavior (Christiansen et al., 2016). However, this perspective underestimates the importance of cyclists’ on-site perceptions of the street environment. For example, cyclists often prioritize a sense of safety when navigating urban spaces (Song et al., 2024). Thus, perceived environmental factors play a crucial role in the relationship between street environments and cycling behavior (Koh & Wong, 2013; Song et al., 2024). These valuable insights into the perceived characteristics of the environment can provide urban planners and designers with evidence to implement cost-effective street design interventions, thereby directly enhancing the cycling experience and envisioning more desirable urban streets (Shen et al., 2018; Zhang, Te Brömmelstroet, et al., 2024). یک محیط شهری جمع و جور و با کاربری مختلط با خیابان های متصل و مسافت کوتاه تر تا مقصد می تواند رفتار دوچرخه سواری را ارتقا دهد (کریستیانسن و همکاران، 2016). با این حال، این دیدگاه اهمیت ادراک دوچرخه سواران در محل از محیط خیابان را دست کم می گیرد. به عنوان مثال، دوچرخه سواران اغلب هنگام پیمایش در فضاهای شهری احساس امنیت را در اولویت قرار می دهند (سونگ و همکاران، 2024). بنابراین، عوامل محیطی درک شده نقش مهمی در رابطه بین محیط های خیابانی و رفتار دوچرخه سواری ایفا می کنند (Koh & Wong, 2013; سونگ و همکاران، 2024). این بینش های ارزشمند در مورد ویژگی های درک شده محیط می تواند شواهدی را برای برنامه ریزان و طراحان شهری برای اجرای مداخلات طراحی خیابان مقرون به صرفه در اختیار برنامه ریزان و طراحان شهری قرار دهد و در نتیجه مستقیما تجربه دوچرخه سواری را افزایش دهد و خیابان های شهری مطلوب تری را پیش بینی کند (شن و همکاران، 2018; ژانگ، ته بروملستروت، و همکاران، 2024).
In addition to accessibility and safety-related factors, aesthetic elements are also essential in encouraging cycling behavior (Yang et al., 2019). Specifically, the presence of urban greenery often enhances cyclists’ experience and mood (Cole-Hunter et al., 2015; Nawrath et al., 2019; Zhang, Te Brömmelstroet, et al., 2024). While studies utilizing street view imagery have identified a positive relationship between cycling behavior and street-level greenery, the same cannot be said for NDVI (Lu et al., 2019). Surprisingly, some research has even reported unexpected negative associations between urban greenery and cycling (Mertens et al., 2017). This discrepancy may be attributed to the fact that NDVI does not represent perceived greenery, as it is derived from overhead views rather than eye-level perspectives (Gascon et al., 2016). Moreover, potential competition between internal and external urban greenery might also contribute to this negative association (Tao et al., 2023). Therefore, it is necessary to explore the impact of greenery on cycling within the built environment. علاوه بر دسترسی و عوامل مرتبط با ایمنی، عناصر زیبایی شناختی نیز در تشویق رفتار دوچرخه سواری ضروری هستند (یانگ و همکاران، 2019). به طور خاص، وجود فضای سبز شهری اغلب تجربه و خلق و خوی دوچرخه سواران را افزایش می دهد (Cole-Hunter et al., 2015; Naurath و همکاران, 2019; ژانگ، ته بروملستروت، و همکاران، 2024). در حالی که مطالعاتی که از تصاویر نمای خیابان استفاده می کنند، رابطه مثبتی بین رفتار دوچرخه سواری و فضای سبز در سطح خیابان شناسایی کرده اند، نمی توان همین را در مورد NDVI گفت (لو و همکاران، 2019). با کمال تعجب، برخی از تحقیقات حتی ارتباط منفی غیرمنتظره ای بین فضای سبز شهری و دوچرخه سواری را گزارش کرده اند (مرتنز و همکاران، 2017). این اختلاف ممکن است به این واقعیت نسبت داده شود که NDVI نشان دهنده فضای سبز درک شده نیست، زیرا از نماهای بالای سر به جای چشم اندازهای سطح چشم مشتق شده است (Gascon et al.، 2016). علاوه بر این، رقابت بالقوه بین فضای سبز داخلی و خارجی شهری نیز ممکن است به این ارتباط منفی کمک کند (تائو و همکاران، 2023). بنابراین، بررسی تأثیر فضای سبز بر دوچرخه سواری در محیط ساخته شده ضروری است.
2.3. Opportunities for urban research through machine learning and street-view imagery 2.3. فرصت هایی برای تحقیقات شهری از طریق یادگیری ماشین و تصاویر نمای خیابان
With the rapid advancement of mapping services, an extensive array of images detailing urban environments and their geographic information has become publicly accessible (Ding et al., 2021). Street-view imagery provides an accurate representation of the urban built environment and aligns more closely with actual human perceptions than other spatiotemporal data sources such as remote sensing images (Chen & Biljecki, 2023). As a result, researchers have employed street-view imagery as an effective alternative for auditing street-level architectural features (Wang et al., 2024), particularly when using desktopbased tools to evaluate urban environmental characteristics (Rzotkiewicz et al., 2018), thereby enhancing the efficiency and reliability of data processing. Combining street-view imagery with machine learning has substantially reduced the time costs associated with using traditional desktop-based environmental audit tools to assess street features (Biljecki & Ito, 2021). This approach includes assessing variations in greenery visible in street views (Lu et al., 2019; Lumnitz et al., 2021；Xia et al., 2021), street walkability (Jeon & Woo, 2023; Liao et al., 2022), neighborhood quality from a visual perspective (Wang et al., با پیشرفت سریع خدمات نقشه برداری، مجموعه گسترده ای از تصاویر که جزئیات محیط های شهری و اطلاعات جغرافیایی آنها را نشان می دهد، در دسترس عموم قرار گرفته است (Ding et al., 2021). تصاویر نمای خیابان نمایش دقیقی از محیط ساخته شده شهری ارائه می دهد و نسبت به سایر منابع داده مکانی و زمانی مانند تصاویر سنجش از دور با ادراکات واقعی انسان هماهنگ تر است (چن و بیلجکی، 2023). در نتیجه، محققان از تصاویر نمای خیابان به عنوان جایگزینی موثر برای حسابرسی ویژگی های معماری در سطح خیابان استفاده کرده اند (وانگ و همکاران، 2024)، به ویژه هنگام استفاده از ابزارهای مبتنی بر رومیزی برای ارزیابی ویژگی های محیطی شهری (Rzotkiewicz et al.، 2018)، در نتیجه کارایی و قابلیت اطمینان پردازش داده ها را افزایش می دهند. ترکیب تصاویر نمای خیابان با یادگیری ماشین، هزینه های زمانی مرتبط با استفاده از ابزارهای ممیزی محیطی سنتی مبتنی بر دسکتاپ برای ارزیابی ویژگی های خیابان را به میزان قابل توجهی کاهش داده است (Biljecki & Ito، 2021). این رویکرد شامل ارزیابی تغییرات فضای سبز قابل مشاهده در نماهای خیابان است (لو و همکاران، 2019; لومنیتز و همکاران، 2021؛ شیا و همکاران، 2021)، پیاده روی خیابانی (Jeon & Woo، 2023; لیائو و همکاران، 2022)، کیفیت محله از منظر بصری (وانگ و همکاران،
2024), bikeability (Ito & Biljecki, 2021), characteristics of the built environment (Gonzalez et al., 2020), urban perceptual qualities such as wealth, safety, liveliness, and beauty (Liao et al., 2022; Yao et al., 2019), and urban functionalities (Zhang et al., 2023). 2024)، دوچرخه پذیری (ایتو و بیلجکی، 2021)، ویژگی های محیط ساخته شده (گونزالس و همکاران، 2020)، ویژگی های ادراکی شهری مانند ثروت، ایمنی، سرزندگی و زیبایی (لیائو و همکاران، 2022; یائو و همکاران، 2019) و عملکردهای شهری (ژانگ و همکاران، 2023).
Notably, research on cycling has predominantly relied on traditional survey methods (Boakye et al., 2023; Xing et al., 2018), focusing on bicycle usage, riding distance, and frequency (Duran-Rodas et al., 2019; Gao et al., 2018; Wang et al., 2023), which tend to overlook cycling volume. These methods inherently suffer from limitations such as recall bias, social desirability bias, and being time-consuming and laborintensive. To date, there has been limited attention to cycling behavior at the population level in urban areas, such as neighborhood cycling volumes, due to the challenges associated with collecting such data. This approach is often time-intensive and challenging to apply at different or larger environmental scales (Zhou et al., 2023). However, the use of street view imagery, such as Google Street View, presents new opportunities for researchers to estimate cycling volumes, as cycling detection techniques based on street view imagery can automatically and accurately count cyclists (Hankey et al., 2021; Lu et al., 2019). The integration of machine learning with street view imagery offers promising potential for exploring the relationship between the built environment and cycling volumes at finer spatial resolutions and larger scales within different urban contexts (Biljecki & Ito, 2021; Zhang, Liu, et al., 2024). This advancement enables urban planners to better design cycling infrastructure interventions that promote urban sustainability and encourage recreational physical activities. قابل ذکر است که تحقیقات در مورد دوچرخه سواری عمدتا به روش های سنتی نظرسنجی متکی بوده است (Boakye et al., 2023; زینگ و همکاران، 2018)، با تمرکز بر استفاده از دوچرخه، مسافت سواری و فرکانس (دوران-روداس و همکاران، 2019; گائو و همکاران، 2018; وانگ و همکاران، 2023)، که تمایل دارند حجم دوچرخه سواری را نادیده بگیرند. این روش ها ذاتا از محدودیت هایی مانند سوگیری یادآوری، سوگیری مطلوبیت اجتماعی و زمان بر و پر زحمت رنج می برند. تا به امروز، به دلیل چالش های مرتبط با جمع آوری چنین داده هایی، توجه محدودی به رفتار دوچرخه سواری در سطح جمعیت در مناطق شهری، مانند حجم دوچرخه سواری محله ای وجود داشته است. استفاده از این رویکرد اغلب زمان بر و چالش برانگیز است (ژو و همکاران، 2023). با این حال، استفاده از تصاویر نمای خیابان، مانند نمای خیابان گوگل، فرصت های جدیدی را برای محققان فراهم می کند تا حجم دوچرخه سواری را تخمین بزنند، زیرا تکنیک های تشخیص دوچرخه سواری بر اساس تصاویر نمای خیابان می توانند به طور خودکار و دقیق دوچرخه سواران را بشمارند (Hankey et al., 2021; لو و همکاران، 2019). ادغام یادگیری ماشینی با تصاویر نمای خیابان، پتانسیل امیدوارکننده ای را برای کاوش در رابطه بین محیط ساخته شده و حجم دوچرخه سواری با وضوح فضایی دقیق تر و مقیاس های بزرگتر در زمینه های مختلف شهری ارائه می دهد (Biljecki & Ito, 2021; ژانگ، لیو و همکاران، 2024). این پیشرفت برنامه ریزان شهری را قادر می سازد تا مداخلات زیرساختی دوچرخه سواری را بهتر طراحی کنند که پایداری شهری را ارتقا می دهد و فعالیت های بدنی تفریحی را تشویق می کند.
2.4. The research gaps 2.4 شکاف های تحقیق
Previous studies quantifying cycling volumes have primarily relied on GIS-based activity-tracking applications, such as Strava (Hong et al., 2020; Jestico et al., 2016). However, data from these applications often exhibit a bias towards male and younger cyclists (Jestico et al., 2016), and some streets may register zero cycling activity (Hong et al., 2020). To address these limitations, we employed street view imagery to مطالعات قبلی که حجم دوچرخه سواری را کمی می کنند، در درجه اول به برنامه های ردیابی فعالیت مبتنی بر GIS، مانند Strava متکی بوده اند (Hong et al., 2020; جستیکو و همکاران، 2016). با این حال، داده های این برنامه ها اغلب تعصب نسبت به دوچرخه سواران مرد و جوان را نشان می دهند (جستیکو و همکاران، 2016)، و برخی از خیابان ها ممکن است فعالیت دوچرخه سواری صفر را ثبت کنند (هونگ و همکاران، 2020). برای رفع این محدودیت ها، از تصاویر نمای خیابان برای
identify cyclists. Moreover, when investigating the impact of the urban built environment on cycling, the relationship between perceived subjective qualities and cycling behavior has been relatively underexplored. Existing research has given limited attention to street-level spatial qualities such as pleasantness, safety, cycling convenience, and perceived street vitality (Guo & He, 2021). Importantly, past studies on perception have primarily relied on self-reported surveys, interviews, and field observations-methods that are time-consuming, labor-intensive, and inevitably constrain the scope of research. The application of deep learning techniques to assess urban environmental perception offers a new opportunity to overcome these limitations. Although urban greenery is a critical component of the urban environment, its impact on cycling may be underestimated, especially given that existing empirical studies have focused almost exclusively on park greenery rather than street greenery (Lu et al., 2019). However, street-level greenness may be more closely related to cycling behavior than overall greenness, such as that estimated through NDVI. Additionally, greenness measurements from an overhead perspective may not accurately capture cyclists’ actual street-level perceptions. Therefore, it is necessary to re-examine the relationship between urban greenery and cycling behavior. دوچرخه سواران را شناسایی کنید. علاوه بر این، هنگام بررسی تأثیر محیط ساخته شده شهری بر دوچرخه سواری، رابطه بین کیفیت ذهنی ادراک شده و رفتار دوچرخه سواری نسبتا کمتر مورد بررسی قرار گرفته است. تحقیقات موجود توجه محدودی به کیفیت فضایی در سطح خیابان مانند دلپذیری، ایمنی، راحتی دوچرخه سواری و نشاط خیابانی درک شده داشته است (Guo & He، 2021). نکته مهم این است که مطالعات گذشته در مورد ادراک در درجه اول به نظرسنجی ها، مصاحبه ها و مشاهدات میدانی خود گزارش شده متکی بوده اند - روش هایی که وقت گیر، کار فشرده هستند و به ناچار دامنه تحقیق را محدود می کنند. استفاده از تکنیک های یادگیری عمیق برای ارزیابی ادراک محیط زیست شهری، فرصت جدیدی را برای غلبه بر این محدودیت ها فراهم می کند. اگرچه فضای سبز شهری یکی از اجزای حیاتی محیط شهری است، اما تأثیر آن بر دوچرخه سواری ممکن است دست کم گرفته شود، به ویژه با توجه به اینکه مطالعات تجربی موجود تقریبا به طور انحصاری بر فضای سبز پارک متمرکز شده است تا فضای سبز خیابانی (لو و همکاران، 2019). با این حال، سبزی در سطح خیابان ممکن است بیشتر با رفتار دوچرخه سواری مرتبط باشد تا سبزی کلی، مانند آنچه از طریق NDVI تخمین زده می شود. علاوه بر این، اندازه گیری های سبزی از منظر بالای سر ممکن است به طور دقیق ادراکات واقعی دوچرخه سواران در سطح خیابان را ثبت نکند. بنابراین لازم است رابطه بین فضای سبز شهری و رفتار دوچرخه سواری مورد بررسی مجدد قرار گیرد.
3. Methods 3. روش ها
3.1. Study area 3.1 منطقه مطالعه
In this study, the Centrumgebied (central district) of Amsterdam was selected as the case study site. As depicted in Fig. 1, this area is located at the core of Amsterdam and is renowned for its historically rich and functionally diverse urban layout. Notably famous for its unique canal system, these canals encircle the city center, forming what is known as the “Canal Ring,” a primary gathering spot for tourists and local residents alike. The urban layout and design reflect both the historical evolution and the contemporary urban planning needs of the city. در این مطالعه، Centrumgebied (منطقه مرکزی) آمستردام به عنوان سایت مورد مطالعه انتخاب شد. همانطور که در شکل 1 نشان داده شده است، این منطقه در هسته آمستردام واقع شده است و به دلیل چیدمان شهری غنی تاریخی و از نظر عملکردی متنوع مشهور است. این کانال ها که به دلیل سیستم کانال منحصر به فرد خود مشهور هستند، مرکز شهر را احاطه کرده اند و آنچه را که به عنوان "حلقه کانال" شناخته می شود، یک مکان اصلی تجمع برای گردشگران و ساکنان محلی تشکیل می دهند. طرح و طراحی شهری هم منعکس کننده تکامل تاریخی و هم نیازهای برنامه ریزی شهری معاصر شهر است.
Moreover, Amsterdam, as the Netherlands’ largest city, is referred to as a “cycling kingdom” (Piatkowski, 2024), with one of the highest علاوه بر این، آمستردام، به عنوان بزرگترین شهر هلند، به عنوان "پادشاهی دوچرخه سواری" شناخته می شود (پیاتکوفسکی، 2024)، با یکی از بالاترین ها
Fig. 1. Location of the study area. شکل 1. مکان یابی منطقه مورد مطالعه.
