Jak liczyć dostępność transportową w QGIS?

Materiały do zajęć

Na samym początku instalujecie obie wtyczki i uruchamiacie pobieranie silników. Pobieranie trwa w tle, kiedy opowiadam o metodzie.

Planer podróży, który można zapytać o całe miasto

OpenTripPlanner (OTP) to otwarty, multimodalny silnik wyszukiwania tras. Połączony z mapą OpenStreetMap i rozkładem jazdy GTFS działa jak Google Maps albo jakdojade.pl: znajduje trasę transportem publicznym od drzwi do drzwi, z dojściem, czekaniem i przesiadkami.

W Norwegii, Finlandii i Islandii OTP jest krajowym planerem podróży. Działa też w Portland, Nowym Jorku i Los Angeles. W Polsce na razie tylko w Poznaniu. OTP nie ma interfejsu graficznego do analiz: obsługuje się go zapytaniami, np. ze skryptu.

Jakich danych potrzebuje

Czym różni się od innych wtyczek QGIS

Wtyczki Valhalla, ORS Tools czy QNEAT3 liczą trasy piesze, rowerowe i samochodowe. Izochron transportu publicznego nie dają, bo nie znają rozkładu jazdy. OTP zna: wie, że na tramwaj czeka się 6 minut, a ostatni autobus odjeżdża o 23:10.

Zaczęło się od kilku linijek w R

Pierwsze analizy robiłem w RStudio pakietem otpr: skrypt wysyła zapytanie do serwera OTP, a wynik trafia do QGIS jako warstwa.

Z każdego heksa na kampus: pętla zapytań

Siatka heksagonów, z każdego centroidu jedno zapytanie o trasę na kampus Politechniki Łódzkiej. Z odpowiedzi OTP biorę nie tylko czas, ale też czekanie, dojście do przystanku i liczbę przesiadek. Wada: pętla zapytań po kolei trwała ponad 5 minut.

Powierzchnia czasu podróży: jedna sekunda zamiast 5 minut

OTP umie sam policzyć raster, w którym każda komórka ma czas dojazdu z punktu w minutach, od 1 do 120 (ten limit jest wpisany na sztywno w OTP 1.5). To jedno zapytanie zamiast tysięcy, więc trwa około sekundy. Na takich powierzchniach opiera się cała reszta.

Jeden do wielu, wiele do wielu

Zapytanie z jednego punktu do 2700 celów i zapytanie z 30 punktów do 30 celów to ta sama operacja w różnej skali. Liczba zapytań rośnie bardzo szybko, dlatego bez automatyzacji się nie obejdzie.

Ile Żabek jest w 10 minut pieszo?

To przykład miary dostępności kumulatywnej: dla każdego miejsca liczymy, ile celów da się osiągnąć w zadanym czasie. Algorytm ma dwa kroki:

1. Powierzchnia dla każdego sklepu

   Dla każdej Żabki OTP liczy pieszą powierzchnię czasu dojścia (raster jak wyżej). Na filmie widać te powierzchnie jedna po drugiej.

2. Zliczenie w każdej komórce

   Dla każdej komórki siatki sprawdzamy wszystkie powierzchnie i liczymy, w ilu czas dojścia jest ≤ 10 min. Wynik 12 znaczy: z tego miejsca w 10 minut dojdziesz do 12 różnych Żabek.

Pieszo pora dnia nie ma znaczenia, więc wystarczy jeden moment i wiele punktów. W analizie temporalnej (następna sekcja) jest odwrotnie: jeden punkt i wiele momentów. We wtyczce ten algorytm to Run service coverage.

Jak policzyć czas obsługi transportem?

Zwykła izochrona to jeden moment, np. 7:00 rano. Pieszo i rowerem to wystarcza, ale rozkład jazdy zmienia się co minutę: o 7:05 autobus może właśnie odjechać, a o 22:00 jeździć co pół godziny. Dlatego pytamy inaczej: przez ile godzin w ciągu doby z danego miejsca da się dojechać do celu w 30 minut? Tę liczbę godzin nazywam czasem obsługi.

1. Powierzchnia co minutę

   Od 6:00 do 22:00 co minutę jedna powierzchnia czasu podróży do celu (np. kampusu). To 961 rastrów.

2. Stos rastrów

   Wszystkie powierzchnie składamy w jeden wirtualny raster: każda warstwa to jedna minuta doby.

3. Zliczenie minut

   Dla każdej komórki liczymy, w ilu warstwach czas dojazdu jest ≤ 30 min. Wynik w minutach dzielimy przez 60: to czas obsługi w godzinach.

4. Klasy obsługi

   12–16 h: stała, 6–12 h: regularna, 3–6 h: okresowa, 0–3 h: epizodyczna. Wynik przenosimy na siatkę heksów.

5. Nakładka ludności

   Dane GUS NSP 2021 z obwodów spisowych przeliczamy na heksy. Wtedy widać nie tylko gdzie, ale też ile osób ma dobrą obsługę.

Pierwsza wersja: 12 kroków ręcznie

W badaniu do artykułu każdy krok był osobno: pozyskanie OSM i GTFS, siatka, start serwera OTP, pętla zapytań w R, wirtualny raster w QGIS, zliczanie skryptem PyQGIS, klasyfikacja, nakładka GUS i mapa. Trzeba było znać R, Pythona i konfigurację OTP.

Wynik: dostępność kampusów w 6 miastach

Warszawa, Poznań, Kraków, Łódź, Wrocław, Gdańsk. Kolej wiąże się z wyższą i stabilniejszą dostępnością, widać wyraźną różnicę między centrum a peryferiami.

Druga wersja: wtyczka easy-OTP

Najtrudniejsza była technika: Java, serwer, R. Teraz wszystko dzieje się w QGIS. Wtyczka pobiera Javę, OTP i dane, buduje graf, liczy powierzchnie, nakłada ludność z GUS i nadaje styl. Kroki od startu serwera do klasyfikacji robi jeden algorytm, Run temporal accessibility.

Jakie pytania można zadać wtyczce

Jak zmienia się zasięg z jednego miejsca w ciągu dnia?

Jedna izochrona z tego samego punktu co godzinę, od 6:00 do 22:00, a potem animacja w QGIS. Potrzebne: plik OSM twojego miasta i rozkład P50 z 16.09.2026 z paczki gtfs_p50.7z.

1. Silnik OTP

   easy-OTP → Setup → Download Java 8 JRE and OpenTripPlanner Jar (PL: 1 · Konfiguracja → Pobierz Java 8 JRE i plik Jar OpenTripPlanner), folder np. C:\otp\. Wtyczka zapamięta ścieżki do Javy i jara. Jeśli pobieranie nie działa: skopiuj folder otp/ z pendrive’a prowadzącego.

2. Sprawdzenie

   Diagnostics → Test OTP server (PL: 2 · Diagnostyka → Test serwera OTP). Wynik „Wszystkie testy zaliczone” znaczy, że Java i jar są gotowe.

3. Dane

   Z paczek wypakuj <miasto>.osm.pbf i <miasto>_realized_gtfs_2026-09-16_p50.zip. Plik rozkładu skopiuj do osobnego folderu, w którym nie ma innych plików .zip: ten folder wskażesz jako Folder GTFS.

4. Podkład mapy

   Wtyczka QuickMapServices: Wtyczki → Zarządzaj wtyczkami, wyszukaj QuickMapServices i zainstaluj. Potem Internet → QuickMapServices → OSM → OSM Standard. Bez podkładu trudno trafić w dworzec albo uczelnię.

5. Izochrona co godzinę

   Analysis → Generate isochrones over time (PL: 3 · Analiza → Generuj izochrony w czasie):

   • punkt: przycisk „…” obok pola i klik na mapie (dworzec albo uczelnia);
   • plik OSM, Folder GTFS z poprzedniego kroku;
   • tryb TRANSIT, kierunek FROM, próg 30;
   • okno 06:00–22:00, interwał 60 (domyślnie jest 15), data 2026-09-16 (domyślnie jest dzisiejsza);
   • Katalog roboczy: nowy pusty folder, np. C:\otp\praca.

   Wynik: 17 izochron, każda z polem time. Pierwszy przebieg buduje graf, to najdłuższy krok (ok. 1–2 min dla Łodzi). Dla Łodzi prowadzący ma na pendrivie gotowy graf (otp_graf_lodz.7z): wypakuj go i wskaż folder otp_praca_lodz jako Katalog roboczy, a budowa się pominie.

6. Ustawienia czasu warstwy

   Właściwości warstwy → Czas: zaznacz Dynamiczna kontrola czasu, Tryb: pojedyncze pole z datą/godziną, pole time, czas trwania zdarzenia 60 minut. Wtyczka nie ustawia tego sama.

7. Animacja

   Widok → Panele → Sterowanie czasem (Temporal Controller): kliknij ikonę animacji, potem Ustaw na pełny zakres, krok 1 godzina i ▶. W każdej klatce widać jedną izochronę.

8. Dla chętnych

   Ten sam punkt z interwałem 15 min albo z progami 15,30. Użyj tego samego Katalogu roboczego: graf jest już zbudowany, więc liczy się szybko. Liczba zapytań rośnie z każdym progiem i każdym krokiem czasu.

A gdyby policzyć izochronę z każdego miejsca w Łodzi?

OTP liczy jeden punkt naraz. R5 liczy od razu z tysięcy punktów, np. z każdego heksa w mieście, do wszystkich celów. Do tego dla każdej minuty okna odjazdów, np. 7:00–9:00, i podaje percentyle: medianę i wariant ostrożny. Wynik nie zależy od tego, czy trafiliśmy na odjazd o 7:13 czy o 7:15, dlatego dobrze nadaje się do porównań.

Przykład 1: do ilu uczelni dojedziesz w 30 minut z każdego heksa?

Łódź, siatka 500 m, trzy uczelnie: Politechnika, Uniwersytet Łódzki i Uniwersytet Medyczny. Dla każdego heksa liczymy, do ilu z nich dojedziesz transportem publicznym w 30 min (rozkład zrealizowany P50 z 21.08.2026). To ta sama miara co przy Żabkach, tylko z tysięcy punktów naraz.

Przykład 2: ile kosztują opóźnienia?

Ta sama dostępność policzona dwa razy dla tego samego dnia: raz na rozkładzie, raz na rozkładzie zrealizowanym (P50) odtworzonym z nagrań GTFS-RT. Różnica pokazuje, gdzie opóźnienia odbierają mieszkańcom szkoły, apteki, uczelnie i centra handlowe w zasięgu 30 min. Policzone w całości algorytmami Easy-R5.

Przykład 3: skąd najłatwiej dojechać na uczelnię?

Sześć miast, dostępność do uczelni w 30 min zestawiona z liczbą osób w wieku 20–29 lat. Mapa dwuzmienna: kolor mówi jednocześnie, jak dobry jest dojazd i ilu młodych ludzi tam mieszka.

Zobacz na interaktywnych mapach

Jaka jest różnica między wakacjami a rokiem szkolnym na drogach?

Ta sama analiza dla dwóch środ: 26.08.2026 (wakacje) i 16.09.2026 (rok szkolny). Liczymy na rozkładzie zrealizowanym odtworzonym z nagrań GTFS-RT, a nie na planie. Dzięki temu w wyniku są i zmiany rozkładu, i korki, które we wrześniu spowalniają autobusy i tramwaje. Wynik podajemy w liczbie mieszkańców w wieku 10–19 lat, nie tylko w heksach.

1. Silnik R5

   Easy-R5 → Setup → Download R5 engine and Java 21 (PL: Konfiguracja → Pobierz silnik R5 i Javę 21). Awaryjnie: folder r5/ z pendrive’a prowadzącego.

2. Dwa dni z nagrań

   Wtyczki → Easy-R5 → Download transit recordings…:

   • City: twoje miasto (Łódź jest na końcu listy, nie myl jej z Łódzką Koleją Aglomeracyjną);
   • najpierw Month 2026-08, potem Day 2026-08-26;
   • Variant: Realized — median (P50);
   • Download into: np. C:\r5\nagrania.

   Potem drugi raz: Month 2026-09, Day 2026-09-16, P50. Każdy dzień trafia do osobnego folderu (…\<miasto>\<data>\p50\) i tak ma zostać.

3. Kontrola danych

   Diagnostics → Check transit data (GTFS): wskaż plik .zip z folderu danego dnia i wpisz tę samą datę (2026-08-26, potem 2026-09-16). Zero błędów oznacza, że można budować; ostrzeżenia są w porządku.

4. Dwie sieci

   Build R5 network (PL: Konfiguracja → Zbuduj sieć R5) dwa razy: ten sam <miasto>.osm.pbf, raz folder z 26.08, raz z 16.09. Pole z folderem GTFS podpowiada ostatnio pobrany dzień, więc przy 26.08 zmień je ręcznie. Po każdej budowie zapisz ścieżkę do network.dat z okna wyników: folder ma losową nazwę, a w analizie musisz wskazać właściwą sieć.

1. Siatka heksagonalna
   • wczytaj <miasto>_granica.gpkg;
   • Create grid (PL: Utwórz siatkę): heksagony, odstęp 500 m, EPSG:2180, zasięg z granicy;
   • Extract by location (PL: Wyodrębnij wg położenia): heksy, które przecinają granicę;
   • na heksach w kalkulatorze pól dodaj liczbowe pole hex_id = @row_number;
   • dopiero teraz Centroids (PL: Centroidy): centroidy odziedziczą hex_id, więc wszystkie dalsze łączenia zadziałają.
2. Szkoły z OSM
   • przeciągnij <miasto>.osm.pbf do QGIS (otwiera go wbudowany sterownik OSM, bez dodatkowych wtyczek); w oknie wyboru warstw zaznacz points i multipolygons;
   • filtr na points: "other_tags" LIKE '%"amenity"=>"school"%';
   • filtr na multipolygons: "amenity" = 'school' (tu amenity jest osobną kolumną);
   • z poligonów zrób Centroids, potem scal obie warstwy: Merge vector layers (PL: Połącz warstwy wektorowe);
   • na scalonej warstwie w kalkulatorze pól dodaj liczbowe pole szkoly = 1. Bez niego analiza nie ma czego zliczać.

   W Łodzi wychodzi ok. 260 szkół. Jeśli masz kilkadziesiąt, poligony nie przeszły przez filtr.

3. Ludność z GUS
   • z brec_2021_polska.gpkg (warstwa obwody_spisowe) wytnij swoje miasto: Extract by location z granicą (wczytanie całej Polski chwilę trwa);
   • Prepare population layer (PL: Analiza → Przygotuj warstwę ludności): plik ludnosc_nsp_2021.xlsx, arkusz = twoje województwo dokładnie jak w Excelu (np. Łódzkie), kolumna 10-19, klucz OBWOD. Pole wynikowe nazwie się pop10_19;
   • Population overlay (PL: Analiza → Nałóż ludność na siatkę): siatka = heksy (poligony z hex_id), pole ludności = pop10_19. Wynik jest w polu population. Ostrzeżenia o pustych wartościach to obwody utajnione przez GUS.

1. Dwa przebiegi, identyczne parametry

   Run accessibility (PL: Analiza → Policz dostępność):

   • sieć: network.dat z 26.08, data 2026-08-26;
   • punkty źródłowe: centroidy heksów, pole identyfikatora hex_id;
   • punkty docelowe: szkoły, pola możliwości: szkoly;
   • czas odjazdu 07:00, okno 120 min (czyli 7:00–9:00), percentyl 50;
   • progi czasowe: 30 (domyślnie jest 15,30,45,60).

   Potem drugi raz z siecią i datą 16.09. Wynik jest w polu acc_szkoly_p50_c30: liczba szkół w zasięgu 30 min.

2. Porównanie

   Scenarios → Compare scenarios: A = wynik 26.08, B = wynik 16.09, pole identyfikatora hex_id, pole acc_szkoly_p50_c30, „wyżej znaczy lepiej” zaznaczone. Narzędzie odmówi porównania, jeśli metoda się różni. To celowe zabezpieczenie.

3. Mapa

   Join attributes by field value (PL: Złącz atrybuty wg wartości pola): warstwa wejściowa = heksy, warstwa łączona = wynik porównania, pole hex_id w obu. Styl: stopniowany według diff, rampa RdBu, symetrycznie wokół 0.

4. Kontrola ręczna

   Kalkulator pól: "value_b" - "value_a". Musi wyjść to samo co diff.

5. Wynik w ludziach

   Najpierw dołącz ludność do wyniku każdego przebiegu: Join attributes by field value, wynik Run accessibility ← heksy z ludnością, po hex_id, pole population. Potem Summarize accessibility equity: pole ludności population, pole dostępności acc_szkoly_p50_c30, próg 1, a dla porównania także 10. Zdanie do zapisania: „X% uczniów ma szkołę w 30 min w wakacje, Y% we wrześniu”. Przy progu 1 obie daty dają zwykle prawie to samo; różnicę widać przy progu 10.

6. Wariant dodatkowy: P85

   Pobierz 16.09 w wariancie Realized — conservative (P85), zbuduj trzecią sieć i powtórz Run accessibility. Percentyl zostaw 50: P85 dotyczy danych, nie parametru analizy. Zrób Summarize accessibility equity dla P85 i porównaj odsetek z P50 przy progach 1 i 10: ilu uczniów traci szkoły w zasięgu, kiedy trafią na wolniejszy kurs?

Od pozycji autobusu do mapy dostępności

W ćwiczeniu 2 pobraliście rozkład „jak było naprawdę”. Skąd się wziął? Pojazdy wysyłają swoje pozycje w standardzie GTFS-Realtime. Trzy moje projekty zamieniają je w dane, które da się wczytać do wtyczek, i w mapy, które czyta każdy.

Repozytorium bez kodu aplikacji, same workflowy GitHub Actions. Codziennie dla każdego miasta:

2. pozycja co 60 s Nagrywanie

   Co minutę: gdzie jest każdy pojazd i jakim kursem jedzie.

3. punkt na trasie Dopasowanie

   Pozycję rzutujemy na trasę: między którymi przystankami jest pojazd.

4. godzina minięcia Interpolacja

   Z dwóch pozycji: o której minął przystanek.

5. czas odcinka Agregacja

   Przejazdy odcinka z tej samej pory dnia: P50 i P85.

6. stop_times.txt Przebudowa

   Czasy z rozkładu zamieniamy na zmierzone.

7. GTFS P50 i P85 Wydanie

   Zwykły GTFS na każdy dzień, do OTP i R5.

Statyczna strona, która przegląda wydania easy-GTFS-RT: miasto, miesiąc, dzień. Dla każdego dnia pokrycie godzinowe, liczba dopasowanych obserwacji, wykres średniego opóźnienia w ciągu dnia i pliki do pobrania. Z tego samego indeksu korzysta moduł Download transit recordings w Easy-R5, którego użyliście w ćwiczeniu 2.

Interaktywne mapy z analiz zrobionych tymi samymi wtyczkami. Każda odpowiada na jedno pytanie i działa w przeglądarce, bez QGIS.

Dokąd dojadę? ↗

Izochrona z dowolnego miejsca w 8 miastach. Suwak pory dnia, rozkład albo GTFS-RT.

Ile kosztują opóźnienia? ↗

Ile szkół, aptek, uczelni i centrów handlowych tracą heksy przez opóźnienia, 6 miast.

Jak długo czekać na przystanku? ↗

Mediana odstępu między kolejnymi przyjazdami na przystanku z nagrań GTFS-RT, 4 miasta.

Dostępność w Łódzkiem ↗

Dojazd do 10 kategorii usług w całym województwie i zmiana po uwzględnieniu realizacji.

Gdzie mieszkać w Łodzi? ↗

Ustawiasz wymagania (dojazd, przystanki, zieleń, hałas), mapa pokazuje pasujące heksy.

Schemat linii Łodzi ↗

Schemat linii tramwajowych, autobusowych i nocnych w stylu mapy metra, wygenerowany z GTFS.

Wszystko jest otwarte: dane z nagrań, wtyczki i kod analiz. Możesz pobrać dowolny dzień z katalogu i powtórzyć ćwiczenie dla innego miasta albo innej pary dni.

Paczka danych i silniki awaryjne

Dane leżą w wydaniu repozytorium w czterech archiwach: OSM, granice, GUS i rozkłady. Rozkłady są na wypadek, gdyby pobieranie we wtyczce nie zadziałało.