I slutten av juni deltok jeg på Computational Urban Planning and Management Conference (CUPUM 2025) i London. Det var første gang jeg besøkte Storbritannia, og opplevelsen var både inspirerende og øyeåpnende. Forskere fra hele verden presenterte studier om et bredt spekter av temaer innen byplanlegging, som bygrøntområder, mobilitet, klimamodellering, deltakende planlegging og kulturarv. Det som knyttet all forskningen sammen, var bruken av digitale verktøy og datadrevne metoder.
Jeg var spesielt interessert i de metodene som ble diskutert, som spente fra maskinlæringstilnærminger til banebrytende applikasjoner av store språkmodeller (LLMs). Det var mye å ta inn og reflektere over, men i denne bloggen vil jeg fokusere på de umiddelbare sammenhengene jeg ser mellom disse metodene og deres potensielle anvendelser innen rekreasjonsmonitorering og planlegging. Overordnet sett kan disse teknologiene støtte rekreasjon på to hovedområder: (1) monitorering av rekreasjon og (2) planlegging og forvaltning av rekreasjonsområder.
Koblinger til rekreasjonsmonitorering
Når det gjelder rekreasjonsmonitorering, er valg av metoder og datakilder alltid et sentralt diskusjonstema. I mange tilfeller avhenger dataen vi bruker av hva som er tilgjengelig, spesielt i denne tiden med big data. I løpet av det siste tiåret har fremveksten av mobile big data, som sosiale medier, introdusert mer varierte kilder for å forstå bevegelsene og atferden til rekreasjonsbrukere. Denne typen data kan gi flere perspektiver og ulike typer informasjon.
Men til tross for overfloden av data, er vi fortsatt avhengige av tradisjonelle monitoreringsmetoder, som ofte er mer nøyaktige og representative. Dette reiser et viktig spørsmål: Hvordan kan vi kalibrere og integrere multi-kilde mobile big data i rekreasjonsmonitorering på en meningsfull og pålitelig måte?
Dette får meg også til å undre på om nye AI-baserte metoder kan tilby bedre løsninger for datakalibrering, eller om tradisjonelle regresjonsteknikker fortsatt vil vise seg å være mer pålitelige. Videre, ettersom mobile applikasjoner raskt stiger og faller i popularitet, må vi spørre oss: Kan de foreslåtte metodene våre tilpasse seg disse stadig skiftende datakildene med ulike egenskaper?
En annen utfordring er hvordan vi kan oversette komplekse AI-modeller til brukervennlige arbeidsflyter eller verktøy som kan anvendes i rekreasjonsforvaltning. Det er fortsatt en lang vei å gå for å låse opp det fulle potensialet til disse teknologiene og validere deres effektivitet. Sammenlignet med felt som trafikkmonitorering, innebærer rekreasjon mer spontane og tilfeldige atferdsmønstre, noe som gjør det vanskeligere å spore og validere.
Med den enorme mengden og variasjonen av tilgjengelige data relatert til rekreasjon, mener jeg det er verdt å utforske tilnærminger innen datavitenskap. Slike tilnærminger kan bidra til å avdekke sammenhenger mellom ulike typer data, som besøksdata, miljøforhold og sosiodemografiske faktorer, både på tvers av tid og rom. Dette vil være avgjørende for å bygge et systematisk og flerdimensjonalt rammeverk for rekreasjonsmonitorering.
For eksempel kan maskinlæringsmodeller som gradient-boosted trær brukes til å estimere antall besøkende i områder uten monitorering ved å lære fra data i områder med kjente besøksantall – en prosess vi kan kalle romlig generalisering. Videre kan grafnevrale nettverk (GNNs) modellere romlige relasjoner mellom nærliggende steder, som veier, parker, delområder i parker eller individuelle tellepunkt. Dette reflekterer ideen om at besøksaktivitet i ett område kan påvirke eller korrelere med aktivitet i omkringliggende områder.
En av de mest spennende sesjonene på konferansen fokuserte på store språkmodeller (LLMs), som jeg fant spesielt interessante. Mange presentasjoner viste bruk av multimodale LLMs (MLLMs) i et bredt spekter av applikasjoner, inkludert vurdering av nabolagskvalitet, deteksjon av sosiale interaksjoner, simulering av komplekse mobilitetsmønstre og modellering av urbant klima.
MLLMs integrerer flere typer data, som bilder og tekst. I konteksten av rekreasjonsstudier kan disse modellene potensielt brukes til å estimere fordelingen og egenskapene til ulike besøksgrupper ved å kombinere video-, tekst-, bilde- og stedsdata fra ulike sosiale mediekilder. Dette åpner for en helt ny dimensjon i hvordan vi kan analysere og forstå rekreasjonsmønstre.
Koblinger til rekreasjonsplanlegging og forvaltning
Monitorering gir verdifulle innsikter som kan informere rekreasjonsplanlegging og forvaltning, som for eksempel evaluering av bruken av rekreasjonsfasiliteter eller identifisering av potensielle trusler mot økosystemer. Likevel er monitorering ofte bare én komponent innenfor en bredere planleggingsramme, som ofte er tett sammenvevd med andre systemer som naturrestaurering og planlegging av grønn infrastruktur. Dette gjør full integrering av monitoreringsdata i faktisk planlegging mer utfordrende.
Ut over monitorering åpner digitale verktøy for nye muligheter til å støtte planleggingsprosesser. Disse verktøyene kan bidra til dataanalyse, simulering av scenarier og beslutningsstøtte. På konferansen ble jeg spesielt inspirert av en presentasjon om adaptiv simulering av fotgjengerflyt. Forskerne brukte en AI-agentbasert rammeverk for å modellere fotgjengerstrømmer, der de inkorporerte adaptiv agentlogikk og sanntids atferdsparametere. Det mest bemerkelsesverdige var at metoden deres ble validert ved hjelp av spørreundersøkelsesdata og mottok dynamisk tilbakemelding basert på romlige og tidsmessige variasjoner i etterspørsel.
Agentbasert modellering (ABM) har lenge vært anvendt i simulering av rekreasjonsflyt. Videreutvikling av tradisjonell ABM ved hjelp av AI-agenter og detaljert miljødata kan potensielt forbedre nøyaktigheten i simuleringene. Dette representerer et spennende skritt fremover for å forstå og planlegge hvordan besøkende beveger seg i rekreasjonsområder, og hvordan deres atferd kan påvirkes av ulike faktorer.
Denne presentasjonen fikk meg til å reflektere over forskjellene mellom agentbasert modellering (ABM) og statistiske tilnærminger, spesielt med tanke på deres egnethet for rekreasjonsplanlegging. På konferansen presenterte jeg en poster der jeg brukte maskinlæringsmetoder for å vurdere endringer i rekreasjonsbruk som respons på en ny nasjonalparkplan. Denne analysen fokuserte på sammenhenger mellom miljøfaktorer og besøksdata, og fremhevet gruppedynamikk i spesifikke kontekster.
ABM, derimot, er en bottom-up-tilnærming som simulerer interaksjoner mellom enkeltindivider og deres miljø basert på generelle atferdsregler. Det ville være interessant å undersøke forskjellene mellom disse to tilnærmingene nærmere, samt deres respektive styrker i vurderingen av strategier for rekreasjonsplanlegging. Mens maskinlæring kan avdekke mønstre og korrelasjoner i eksisterende data, kan ABM potensielt gi en mer dynamisk forståelse av hvordan individers atferd utvikler seg i ulike miljøer. En kombinasjon av disse metodene kan kanskje gi en mer helhetlig tilnærming til utfordringene innen rekreasjonsplanlegging.
I tillegg er det avgjørende å involvere brukerne i planleggingsprosessen og forbedre kommunikasjonen for å oppnå effektiv rekreasjonsplanlegging og -forvaltning. For eksempel kan chatboter drevet av store språkmodeller (LLMs) tilby en interaktiv måte å dele informasjon med brukerne på, samtidig som de samler inn deres meninger og preferanser.
Videre kan teknologier som virtuell og utvidet virkelighet (VR/AR) gi brukerne muligheten til å utforske simulerte naturopplevelser, samtidig som deres bevegelser under disse interaksjonene spores. Dette åpner for spennende muligheter til å både engasjere brukerne og samle verdifulle data som kan informere fremtidig planlegging og forvaltning av rekreasjonsområder.
CUPUM-konferansen var en spennende reise for meg. De intensive presentasjonene ga meg et innblikk i hvor raskt feltet utvikler seg og hvor stort potensial det har. Samtidig innså jeg hvor mye jeg fortsatt trenger – og ønsker – å lære. Det var også første gang jeg besøkte Storbritannia, og det å møte nye kolleger samtidig som jeg gjenopptok kontakten med gamle venner, gjorde opplevelsen enda mer spesiell.
Når jeg ser fremover, håper jeg å utforske noen av metodene jeg kom over under konferansen og undersøke hvordan de kan bidra til å løse utfordringene i min doktorgradsforskning. Det er fortsatt en lang vei igjen, men jeg føler meg mer motivert enn noensinne.
