ПРОСТРАНСТВЕННЫЙ АНАЛИЗ ГОРОДОВ И АГЛОМЕРАЦИЙ: ИНТЕГРАЦИЯ ТЕХНОЛОГИЙ ГИС И BIG DATA

Введение. Традиционные источники информации, которые принято использовать для проведения пространственного анализа геодемографических процессов не всегда способны обеспечить обширное представление об эффектах связанных с ростом или сокращением численности населения городов и агломераций. В этой связи для пространственного анализа важное значение приобретают данные, полученные с помощью технологий Big Data. Для решения задачи по обработке и интерпретации больших данных эффективным инструментом являются современные ГИС. ГИС позволяют структурировать данные и производить их визуализацию, таким образом, получая географическую интерпретацию информации. Апробация возможностей применения данных полученных по технологии Big Data, основанная на интеграции с ГИС, а также c использованием традиционных источников информации (госкомстат) проведена на примере городов и городских агломераций Липецка и Ставрополя. Материалы и методы исследования. Для анализа динамики застроенных территорий Липецка и Ставрополя в период с 2000 по 2020 год использованы космические снимки со спутников Sentinel-2 и Landsat-8. Для обработки космических снимков применялись возможности программного обеспечения ScanEx Image Processor. Работа по выделению границ застройки в разные годы проводилась методом обратного дешифрирования. Для анализа плотности населения городов, использовались тепловые карты предоставляемые сервисом Export Base. Оценка стоимости жилых помещений производилась за счет обработки информации, взятой из интернет-сервисов для размещения объявлений (Авито и ЦИАН). В качестве основного геоинформационного инструмента использован Quantum GIS. Результаты исследования и их обсуждения. Апробация интеграционных технологий и методов исследования на примере городов-ядер Липецка и Ставрополя позволила выявить, что демографически благоприятный город Ставрополь имеет более высокие темпы застройки, обладает более высокими ценами на жилую недвижимость. Этот процесс приводит к концентрации населения, в том числе в новых микрорайонах, что не так ярко выражено в депопулирующем Липецке. Пригородные зоны, входящие в получасовую и часовую транспортную доступность в целом сопоставимы по стоимости жилых помещений в рамках обоих агломераций. Выводы. Развитие и интеграция технологий сбора, обработки и анализа пространственно-временных данных способствует расширению методического инструментария геодемографических исследований и открывает широкие возможности комплексно подойти к вопросу развития внутри агломерационных и внутригородских процессов. Традиционные источники позволили оценить динамику численности городов, а применение технологии Big Data с интеграций ГИС раскрыли особенности развития застройки территории городов и пригородов, тепловые карты плотности дали представление об особенности концентрации населения, в том числе вновь застроенных районах. Анализ стоимости жилья с использованием данных интернет-сервисов для размещения объявлений в центральных городах и их пригородах подтвердили основные тенденции связанные с центральностью мест и периферией.

ГИС, ДДЗ, Авито, ЦИАН, пространственный анализ, демографическое развитие, Липецк, Ставрополь

1. Аксенов К. Э. Трансформация городских пространственно-временные систем (на примере влияния ритейла на районы массовой жилой застройки в Ленинграде-Санкт-Петербурге, 1989-2016 гг.) // Известия Русского географического общества. 2019. Т. 151. № 1. С. 29-44.

2. Антонов Е. В., Махрова А. Г. Крупнейшие городские агломерации и формы расселения надагломерационного уровня в России // Известия РАН. Серия географическая. 2019. № 4. C. 31-45.

3. Белозеров В. С., Гладилин А. В., Щитова Н.А., Черкасов А.А. Геоинформационно-картографическое сопровождение миграционных и демографических исследований: технологии, методы, базы данных // Наука Инновации Технологии. 2019. № 3. С. 49-62.

4. Волынсков В. Э. «Большие данные» (BigData) в градостроительстве // Academia. Архитектура и строительство. 2017. № 3. С. 99-102.

5. Дохов Р. А., Алов И. Н., Шубина Д. О., Волков М. С., Мацур В. Н., Умнова Т. Н., Шерстнёва А. Р. Пространственные структуры постсоциалистических пригородов: функциональные и социальные ядра субурбии Махачкалы // Городские исследования и практики. 2020. С. 35-53.

6. Краак М. -Я., Ормелинг Ф. Картография: визуализация геопространственных данных М : Научный мир, 2005. 325 с.

7. Новиков А. В. Проблема больших данных в городских исследованиях // Видеоинтервью. https://www.youtube.com/watch?v=6n6TVg-KAgM (режим доступа 27.11.2021).

8. Попов С. Б. Большие данные дистанционного зондирования земли: проблемы и возможности // Информационные технологии и нанотехнологии (ИТНТ-2016) Институт систем обработки изображений РАН. 2016. С. 1004-1007.

9. Тикунов В. С., Белозеров В. С., Антипов С. О., Супрунчук И. П. Социальные медиа как инструмент анализа посещаемости туристических объектов (на примере Ставропольского края) // Вестник Московского университета. Серия 5: География. 2018. № 3. С. 89-95.

10. Сизов О. С. Вопросы практического внедрения Big Geo Data на примере развития технологий дистанционного зондирования // GEOMATICS. 2015. № 3. С. 16-25.

11. Федеральная служба государственной статистики. URL: http://www.gks.ru/ (режим доступа 04.11.2020).

12. Большие данные: свойства, методы обработки, описание Otus Journal. https://otus.ru/journal/bolshie-dannye-svojstva-metody-obrabotki-opisanie/(режим доступа 27.10.2021).

13. Как мы визуализировали большие данные на картах: трудности и особенности. Хабр. https://habr.com/ru/company/lineate/blog/592741 /(режим доступа 02.12.2021).