Привет, дорогие подписчики! не знаю, что вы любите больше - карты или код, или строить карты с помощью кода, но при любом раскладе нам по пути. Это канал про географию, анализ данных и пространственное моделирование, - что-то вроде моего открытого дневника, где я пишу про свою работу, разбираю интересные статьи, делюсь новостями и идеями. А еще, на телефоне и ноуте скопилась тонна заметок и ссылок на материалы, которые могут быть кому-то интересны и полезны, - с удовольствием делюсь. Ваш А.Ш.

Еще в тему. Можно моделировать не только современное, но и будущее распространение видов. Вот, например, красивая визуализация ожидаемого смещения ареалов обитания птиц в Северной Америке под влиянием изменения климата: https://www.audubon.org/climate/survivalbydegrees

Gridded population

Недавно читал большой обзор современных глобальных растровых данных о плотности населения (WorldPop, Landscan, GPW, GHS-POP и др.) и обнаружил в нем ссылки на работы Вениамина Семенова-Тян-Шанского - создателя дазиметрического метода. Вот фрагмент карты Европейской России 1927 года под его редакцией.

О чем речь? Статистика, как правило, собирается по административным ячейкам, поэтому карты плотности на ее основе "размазывают" население туда, где в реальности никто не живет. Мы же хотим получить более точную карту, чтобы, ткнув пальцем в точку на карте, узнать, сколько людей живет в этом месте.

Со времен Семенова-Тян-Шанского появились новые алгоритмы моделирования и массивы спутниковых данных, но суть метода осталась прежней - дезагрегировать данные статистики в ячейки меньшего размера - в те, где, вероятнее всего, живут люди. Для этого предварительно создаем слой с весами вероятности, используя дополнительные переменные: плотность застройки, интенсивность ночного освещения, близость центра города и крупных магистралей, характер рельефа и пр. Например, WorldPop с разрешением 100 м использует более двух десятков дополнительных переменных. Затем "расселяем" людей по ячейкам в соответствии с весами.

Зачем нужны такие данные? Например, чтобы быстро оценить количество людей в зоне риска стихийного бедствия или вооруженного конфликта, для моделирования распространения заболеваний, для оценки антропогенной нагрузки на экосистемы, нагрузки на транспортные сети и пр.

Что такое город? Ч.1

На SEDAC (портал NASA c открытыми данными по социально-экономической географии) лежит датасет, в котором собраны оценки численности населения городов - с библейских времен и до наших дней. Выше карта на его основе.

Любопытная карта, как и сами данные, но к ним сразу возникает вопрос: а что именно авторы считали городами? Особенно в таком широком историческом контексте. Действительно ли древние города-государства Месопотамии, греческие полисы, средневековые города, индустриальные города нового времени и современные постиндустриальные города можно считать явлениями одного порядка? Что их объединяет?

P.S.: Я сейчас в Дагестане, и здесь расположен, возможно, самый древний город на территории России - Дербент. Как доберусь - пришлю фото.

Что такое город? Ч.2

На тему определения понятия "город" сломано много копий. Меня в свое время зацепила статья Скотта и Сторпера, которые попытались определить город через его связь с окружающими (сельскими) районами и сравнивали города с горами, которые объективно отличаются от равнин, но на местности между ними невозможно провести границу. Города выступали центрами обслуживания, а, кроме того, центрами торговли на длинные расстояния - точками входа в региональные и глобальные сети, что часто становилось основой для экономической специализации не только самих городов, но и окружающих районов.

Между прочим, метафора города как горы может иметь вполне прикладной смысл. Например, в этой статье авторы исследуют структуру городских центров по данным ночной спутниковой съемки и для выделения ядра и субцентров используют методы из геоморфологии, которые разрабатывались для анализа рельефа и нахождения вершин и локальных пиков.

Горы на карте. Ч.1

Продолжаю путешествие по Дагестану. Это Хунзахский район. Горы здесь невероятные. Сложенные из рыхлого известняка, они легко поддаются эрозии, поэтому формируют сложнейшую топографию: плато с отвесными обрывами, узкие ущелья и широкие долины с башнями-останцами, изъеденные водой и ветром высоченные скалы; а на крутых склонах - старинные селения и земледельческие террасы.

Показать рельеф, особенно такой сложный, на плоской карте - задача нетривиальная. Чтобы придать картографическому изображению объем, используют тени (relief shading или hillshading). Эта техника появилась еще в те времена, когда карты рисовали вручную. Здесь собрано много примеров работ мастеров в этой области - швейцарцев. Посмотрите, например, известную работу 30-х гг. Walensee Эдуарда Имхофа или более современный Пик Ленина. Настоящие произведения искусства.

Горы на карте. Ч.2

Современные гис-программы легко позволяют добавить тени на карты - достаточно указать, с какой стороны и под каким углом светит солнце. Но добиться такого эффекта, как на картах старых мастеров, не получится. Секрет в том, что при ручном накладывании теней изображение искажалось: для каждой горы направление и угол падения света слегка меняли - чтобы четче отразить контуры конкрентной формы рельефа. Авторы этой статьи пошли на хитрость и научили нейронную сеть копировать стиль и технику швейцарских картографов. Выше рисунок с Кавказом из их работы

Ночная география

Выше я рассказывал, как создаются растровые данные о плотности населения и зачем они нужны. У этих данных есть ограничение: в их основе - статистика по численности постоянного населения.

Помните, как опустела Москва во время ковида, когда упал поток трудовых мигрантов из области, а часть горожан укрылась на дачах? Численность населения колеблется в разное время суток, дни недели и сезоны года - это касается как города, так и его окрестностей. В Москве перепады могут достигать нескольких сотен тысяч или даже миллионов человек.

Можно ли учесть такие колебания при создании карт плотности населения? Самое лучшее приближение дают данные сотовых операторов, но это коммерческий продукт со всеми вытекающими отсюда ограничениями. В идеале нужны открытые, регулярно обновляемые данные с большим пространственным охватом.

Вместе с моей коллегой Александрой Стариковой мы экспериментировали с ночными спутниковыми снимками. Интенсивность ночного излучения (мы использовали данные в видимом и ближнем инфракрасном спектре) тесно коррелирует с плотностью населения и плотностью экономической активности - если отследить сезонные колебания, можно выделить направления и ареалы дачной экспансии горожан, ввести поправочные коэффициенты и корректировать данные о населении под нужный временной интервал.

Идею тестировали на Ярославской области, а затем масштабировали до Москвы и соседних с ней областей. У данных и метода как это всегда бывает обнаружилось много подводных камней, но базовая идея работает. Некоторые сельские населенные пункты, где официальная статистика показывает даже нулевое население, вполне себе "светятся" в дачный сезон.

По ссылке статья о нашей работе моего друга, научного журналиста Михаила Орлова.