Geodatamess

С небольшим опозданием, но все же решила отметить большую дату для канала – 5 лет его существования

Канал, созданный как сборник ссылок и материалов, переросший в сборник материалов для студентов в пандемию и ресурс для публикации личных проектов, неожиданно преодолел отметку в 1000 подписчиков.

За время существования канала изменился он сам, мир и моя жизнь: приняла участие в некоторых открытых мероприятиях, хакатонах и конкурсах (с переменным успехом), опубликовала некоторые обучающие материалы, но самое большое изменение, наверно, произошло в конце прошлого года со сменой работы.

Спасибо всем, кто подписан и читает (знаю, что здесь есть те, кто пришел в самом начале), моим друзьям и близким за поддержку.

КДПВ – воспроизведение графика похода наполеоновской армии на Москву Шарля Минара средствами QGIS. Это часть большого личного проекта, который запланирован к выходу в этом году.

Если вы хотите мне что-то написать в связи с каналом или просто так, это можно сделать по контакту в информации о канале

​​Плагин для QGIS с помощью ChatGPT – Wurman Dots

Создавать точки Вурмана в QGIS теперь можно с помощью плагина Wurman Dots. Пока что инструмент позволяет только визуализировать плотность объектов точечного слоя. Но планируется расширить его возможности и для других сценариев.

Примечательно, что код скрипта, который лёг в основу плагина, полностью был написан ChatGPT. То есть его можно было запустить в консоли Python QGIS.

На эту работу потребовалась несколько вечеров и добрая пара десятков версий кода, который шлифовался промптами. По итогу парочка ошибок осталась, их исправили коллеги из NextGIS и превратили скрипт в полноценный плагин.

Возможно, специалисты Python быстрее бы разработали этот плагин и без AI, но я не программист :)

Wurman Dots уже доступен в QGIS. Узнать больше о плагине можно в материале. Работа продолжается.

#imap

Alex Selby-Boothroyd сделал 3D версию карты Джона Сноу про вспышки холеры в Лондоне.

R’s Geospatial Kaleidoscope: Exploring Perspectives, Strengths, and Challenges 🔥

Jakub Nowosad сделал интересный доклад, который касается обзора текущих R-инструментов и перспектив развития в области пространственных данных. Можно посмотреть его прекрасную презентацию, которая охватывает множество тем, начиная от типов данных до различных перспективных направлений. Отличное введение для всех, кто интересуется, как используется язык R в пространственном анализе!

Machine learning approaches for working with spatial data - еще один интересный (хотя и не всеобъемлющий) обзор на основе mlr-подхода от Jacub'а.

Помимо прочего, Jacub в своем блоге (+пост) недавно опубликовал отличную серию статей по сравнению растровых данных (как непрерывных, так и категориальных).

📈Плиточника вызывали?
Антон Мизинов сделал сервис для создания плиточных карт регионов России Tilemapper. Простой, не требует навыков программирования и регистрации на платных сервисах. Основа — плиточная карта ТАСС. Интерфейс понятный, разобрался даже я.

Как это работает:

1. Загружаете данные: CSV-файл (код региона | значение параметра) Пример датасета

2. Настраиваете цветовую палитру и другие параметры плиток.

3. Скачиваете результат в формате PNG или SVG. Можно даже сохранить шрифт не в кривых)

Респект Антону за такие разработки, поддержите сердечком🧡

Попробовать: https://mizinov.pro/tilemapper/

Картетика проводит исследование рынка труда гео-специалистов 📊

Мы продолжаем собирать информацию про нашу профессиональную деятельность. В прошлом году мы делали исследование гео-вакансий по данным HH. Но то, что пишут в резюме и вакансиях, только частично отражает общую картину.

Чтобы углубить наше знание о реальном положении дел, в этом году мы сделали свой опрос. Он для всех, кто причисляет себя к гео-специалистам 🗺

Примеры вопросов, на которые мы хотим и пытаемся найти ответы:
- какие зарплаты у нас в сфере
- какие навыки и ПО сейчас актуальны на рынке
- как много тех нас, кто работает на нескольких работах
- какая фактическая география нашего рынка труда

⚡️Как можно поучаствовать в исследовании:
- пройдите опрос самостоятельно, это займёт 7-10 минут
- поделитесь опросом с друзьями и коллегами, которые работают в нашей сфере

Чем больше ответов мы соберём, тем полнее и показательнее будут результаты💪🏻 Результаты опроса мы выложим открыто и добавим к ним свежие данные по вакансиям.

День 7 #30DayMapChallenge - vintage style

Еще один эксперимент с цифровой моделью рельефа. Ретро отображение рельефа Хибин - в виде комбинации теневой отмывки и штрихового отображения.

Исходные данные - FABDEM

Туториал для построения штриховой карты рельефа взят отсюда.

День 6 #30DayMapChallenge - растр

Небольшой эксперимент со стилями теневой отмывки рельефа.

Карта рельефа Хибин в стиле швейцарского картографа Эдуарда Эмхофа. Получилось немножко Средиземье.

В качестве руководства пользовалась заметкой от Джона Нельсона.

Исходные данные - FABDEM.

День 3 (с опозданием) #30DayMapChallenge - полигоны.

Несмежная анаморфная карта по плотности населения в муниципальных образованиях. Форма здесь сохранена, но к объектам применено масштабирование для их пропорционального уменьшения по значению плотности населения.

Исходные данные: OpenStreetMap и Росстат.

Техника создания взята на основе туториала

День 2 #30DayMapChallenge - линии

Идея была в том, чтобы показать пешеходную доступность станций метро в пределах 15 минут, но не привычными полигонами изохрон, а в виде сегментов улично-дорожной сети с вариацией в толщине и цвете.

Чем дальше от станции метро находится сегмент, тем он тоньше. Цвет меняется от зеленого до оранжевого также по мере удаления от станций.
Реализуется такая вариация с использованием интерполированной линии в QGIS.

Наступило 1 ноября, а значит время #30DayMapChallenge

Тема первого дня - точки (points).

У меня технически не совсем точки, но близкое - точки Вурмана (Wurman dots). Были разработаны дизайнером Ричардом Вурманом для отображения плотности городского населения в “Urban Atlas: 20 American Cities. A Communication Study Notating Select Urban Data at a Scale of 1:48,000”.
Здесь внешняя граница ячейки показывает максимальное значение величины, а внутренний круг - долю от него. Чуть подробнее здесь https://www.esri.com/arcgis-blog/products/js-api-arcgis/mapping/reference-size-maps-bringing-back-the-60s/

На карте количество населения в Санкт-Петербурге. В качестве исходных данных использовался набор данных по плотности населения от компании Kontur https://data.humdata.org/organization/kontur

Для подготовки карты пользовалась вот этим туториалом

Делала в двух вариантах для тестирования режимов смешивания и эффекта свечения.

Пешим ходом (1)

Цветом отобразил доступность городской инфраструктуры — от высокого зеленого (Москва) до низкого красного (Кинешма). Размер кружочков — площадь в расчете на человека: чем больше «ареал обитания» среднего жителя, тем сложнее добраться до инфраструктуры. В принципе, здесь видна взаимосвязь, если сравнить, опять же, Кинешму с Москвой, но более четко эту взаимосвязь увидим позже.

Сейчас же хочется отметить, что во многих областях ЦФО второй крупный город (Кинешма, Елец, Мичуринск, Обнинск) не дотягивает до региональной столицы (Иваново, Липецк, Тамбов, Калуга). Вероятно, это следствие перетока части населения в локальные центры экономической активности или в Москву. Хотя есть и исключения – например, в паре Орел / Ливны второй город, наоборот, выделяется высокой доступностью инфраструктуры

Пешим ходом (2)

А теперь – к сравнениям. До Германии по доступности городской инфраструктуры дотянуться сложно, но не только для России, но и для других стран. В США пешая доступность не в приоритете, но и в Великобритании немало городков, существенно не отличающихся от российских по доступности инфраструктуры. Удивительно, но из рассмотренных стран Россия ближе всего к Японии по распределению удаленности инфраструктуры и площади городов в расчете на жителя. Китай очень неоднороден (точки слева-внизу – Гонконг и некоторые его районы, почему-то выделенные в базе отдельно; но в массе своей инфраструктура в городах Китая менее доступна, чем в России). Но везде связь доступности инфраструктуры и плотности населения в целом сохраняется.

Ограничение анализа – зависимость от OpenStreetMap, который может заполняться с разной интенсивностью и где-то быть слабо репрезентативным

Пешим ходом

Попался интересный источник данных по доступности инфраструктуры для пешеходов в городах мира (учитываются супермаркеты, места отдыха, кафе и рестораны, школы, больницы и т.д.). Справочно для всех городов приведены координаты, площадь и население (последние два показателя не совпадают с официальными данными, а рассчитаны для «функциональных городских территорий»). Файл в формате geojson можно скачать по ссылке.

Попробуем исследовать эти данные с двух сторон. В главке (1) посмотрим, какова доступность инфраструктуры в городах ЦФО — кто чемпион и кто аутсайдер, и связано ли это с плотностью населения? В главке (2) сравним Россию с некоторыми другими странами — пусть это будут Германия, США, Япония, Великобритания и Китай

Анализ российских данных на внутрирегиональном уровне осложняется изменениями границ муниципальных образований, изменениями их типов, названий и кодов ОКТМО.

С 2018 по 2024 гг. изменилась муниципальная структура более 40 регионов:
◽️ есть регионы, где все муниципалитеты меняли свои типы - Магаданская и Курганская области, Ставропольский край, ЯНАО, Удмуртия и др.;
◽️есть регионы, где было большое количество изменений границ - Московская область, Пермский край и др. - около 3% муниципалитетов России в 17 регионах.

Масштаб изменений сильно осложняет сбор панельных данных по муниципалитетам. При этом процесс преобразований не прекращается. Но удобных открытых машиночитаемых данных о таких преобразованиях нет.

Поэтому мы собрали базу данных об изменениях муниципалитетов и их границ, теперь можно:
🔸прочитать в статье на habr о проблемах данных на муниципальном уровне и как мы собрали и объединили данные из Росстата и OpenStreetMap;
🔸скачать с сайта СберИндекса версионный справочник муниципальных образований и пространственный слой с границами муниципалитетов с 2018 г.
 
Эта информация может помочь:
◽️ геоаналитикам, заинтересованным в данных о границах муниципальных образований
◽️исследователям, которые работают с муниципальными данными
◽️при проектировании БДПМО 2.0. Росстата

#визуализация
История визуализации данных (до 1904 года)
https://tableau.pro/datavizhistory

Сборник понятий, терминов и теории по геоинформационным системам и технологиям от некоммерческой организации The University Consortium for Geographic Information Science (UCGIS) - Университетский консорциум по геоинформатике.

Доступен в двух вариантах:
- в виде платформы с возможностью поиска по темам https://gistbok-topics.ucgis.org/UCGIS
- в формате "Живого учебника" (Living textbook) https://gistbok-ltb.ucgis.org/ (требует регистрации)

Urban Analysis & Spatial Science 🏡

На канале уже было множество различных источников связанных с пространственным анализом городской среды на основе языков R и Python (книги на R + книги на Python). Elijah Knaap пишет книгу Urban Analysis & Spatial Science, которая представляет собой введение в основы современного городского анализа с использованием Python и набора библиотек PySAL (The Python Spacial Analysis Library - сайт) + geosnap (The Geospatial Neighborhood Analysis Package - руководство).

Книга подходит для прикладных исследователей или аспирантов в области городских социальных наук, желающих повысить свой технический потенциал в области городских данных, а также для студентов, желающих познакомиться с теоретическими основами городской аналитики.

В настоящий момент текст книги находится в разработке, поэтому какие-то главы или часть ноутбуков могут на момент написания этого обзора отсутствовать. Печатная версия книги будет опубликована в издательстве CRC Press в 2025 году.

🗺 Гайд по созданию карт от Urban Institute (Jon Schwabish в авторах):
- когда выбрать карту
- какую выбрать (в том числе правила по интервалам для хороплета)
- где карты создавать
- и тьюториалы по инструментам для создания карт

Как импортировать картографические данные в Blender

00:00 Импорт данных шейп-файла

• В видео показано, как импортировать данные шейп-файла в Blender с помощью дополнения Blender GIS.
• Используется версия 2.28, работающая с Blender 3.2.

02:28 Настройка навигации и импорт данных

• Импортируется базовая карта, содержащая ссылки на данные.
• Изменяется настройка навигации для удобства работы.
• Импортируются данные из шейп-файла, используя опцию "экструзия".

05:59 Визуализация данных

• Данные шейп-файла визуализируются с помощью материала и цвета.
• Придается градиент к высоте каждой точки данных.
• Используются узлы для создания градиента и цветовых переходов.

09:44 Создание градиента для отображения данных

• Выбор всех объектов в коллекции и связывание их с одним материалом.
• Создание эталонного объекта для масштабирования градиента.

11:31 Настройка отображения градиента

• Изменение отображения с сгенерированного на объектное.
• Настройка прозрачности шейдера для отображения через точки данных.

13:29 Настройка камеры и освещения

• Настройка камеры для просмотра данных.
• Добавление солнечного света для освещения сцены.
• Настройка камеры и источника света для улучшения визуализации.

продолжаем смотреть на старые книжки. сегодня перед нами:

начальное основание ситуации, заключающее в себе всё что изображается на топографических, частных картах и военных планах в пользу упражняющихся в сей науке, изданное императорскаго шляхетнаго сухопутнаго кадетскаго корпуса учителем семёном лукиным. 1794.

https://kp.rusneb.ru/item/material/nachalnoe-osnovanie-situacii