Карты и функции

Фото - из моей поездки в сентябре: пробка на одной из центральных улиц Махачкалы (Дахадаева), на противоположной стороне дороги - занявший тротуар самострой

Махачкала Махачкала - один из самых быстро растущих российских городов. И, наверно, самый яркий пример неконтролируемого роста застройки. На рисунке выше доля застроенных территорий в городе и вокруг него с разницей в тридцать лет, по данным GHSL. Официальная численность населения города выросла за постсоветский периоды в два раза - с 300 до 600 тыс. чел., городского округа - до 750 тыс. чел. Но эти цифры скорее всего занижены, так как часть застройки проходила на сельскохозяйственных землях. Городская инфраструктура была явно не готова к такому росту - отсюда пробки, проблемы с канализационными стоками и регулярные отключения воды и электричества, ставшие поводом для протестов жителей вплоть до перекрытия федеральной трассы (два таких эпизода в этом году попадали в ленты федеральных СМИ).

Торнадо и смерчи Климатология и метеорология, наверно, самая развитая область географии с точки зрения производства массивов данных и их открытости. Прогнозирование погоды, опасных явлений и моделирование климата в свое время дали мощный толчок развитию спутниковой съемки. Даже ночные снимки, которые эконом-географы используют для изучения расселения и экономики (см. пост), первоначально задумывались для анализа облачности. Выше - учебная картинка - количество торнадо в континентальной части США (без Аляски) в 1950-2019 гг. Сумма дана по гексагонам шириной 100 км, номерами показаны месяцы года. Подглядел датасет в этой статье и второй год использую на парах. Сама статья о том, как пространственный ареал распространения торнадо постепенно смещается на восток. В России с 1991 по 2022 гг. зафиксировано 85 торнадо и смерчей с ущербом экономике и населению. Данные по ним и другим опасным гидрометеорологическим явлениям можно найти здесь.

Города и/или пригороды. Ч.2 Московская область обогнала Москву (и все остальные регионы) по абсолютным годовым показателям ввода нового жилья еще в далеком 2005 году. По относительным показателям (на 1000 жителей) она сейчас уступает лишь Ленинградской области (данные Росстата на 2022 г.). Третья - моя родная Тюменская область, где продолжается взрывной рост Тюмени, следом - Чечня, Краснодарский край и Калининградская область. В продолжение темы две статьи: статья Николая Куричева о том, как жилищное строительство провоцирует дополнительный приток мигрантов в Московский столичный регион; и статья коллег-демографов о том, что опережающий миграционный прирост пригородов - общее свойство современных крупных российских городов.

Города и/или пригороды. Ч.1 Сегодня на паре разбирали со студентами, как работать с растровами данными в R. Для примера по данным GHSL построили вот такую карту - она показывает, как менялась площадь застройки в радиусе 60 км от центра Москвы с 2000 по 2020 гг. в процентных пунктах (п.п.) по ячейкам 100 на 100 м. Например, если в 2000 году было застроено 20% от ячейки, а в 2020-м уже 30%, на карте будет +10 п.п. Чем светлее пиксель, тем больше новой застройки. Думаю, если бы мы не показали на карте границу Москвы, вы бы все равно ее увидели - по контрасту значений.

Прогнозы населения для климата. Ч. 2 На рисунке - прогноз по численности населения России до конца столетия по трем сценариям SSPs, подготовленный Международным институтом прикладного системного анализа (IIASA) в Вене. В R есть пакет wcde, который позволяет подгружать данные с их сервера. По всем сценариям - снижение численности населения на фоне естественной убыли. Различия главным образом связаны с прогнозируемым уровнем международной миграции. В своей работе я также пользуюсь субнациональными прогнозами для России, которые IIASA делал с Росстатом и РАНХиГС в 2018 году. По этим прогнозам, к 2050 г. вырастут только 17 регионов, а в Москве и области будет жить 23 млн чел. или 17% населения страны (против 14% в 2018 г.).

Прогнозы населения для климата. Ч. 1 На следующей неделе делаю доклад на конференции по климату. Тема климатических изменений давно шагнула за рамки собственно климатологии - половина конференции про последствия и адаптацию. Я буду рассказывать о наших расчетах по подверженности (population exposure) российских регионов волнам жары по прогнозам на середину века (когда выйдет статья - расскажу об этой работе подробнее). Прогнозирование климата - штука сложная, во многом потому что будущий климат зависит от человека, спровоцировало появление новых направлений социально-экономического прогнозирования. Их ядро - т.н. Shared Socioeconomic Pathways (SSPs), пять сценариев будущего, основанных на допущениях о технологическом росте, экономике, демографическом развитии, степени открытости мира, доминирующих ценностях и пр. Представьте мир, в котором экономический рост сочетается со снижением неравенства, развитием образования и сокращением международных конфликтов (SSP1). Или мир крепнущего национализма, закрытых границ и глубокого неравенства внутри и между стран (SSP3, кажется, наш случай). Подробнее о нарративах в основе SPPs можно почитать здесь - это любопытно.

Ящерицы и улитки. Ч. 2 Geomodel - это модель, которая пытается отрисовывать на карте ареал распространения вида и улучшить точность модели компьютерного зрения. По смыслу очень похоже на SDM, о которых я писал выше, вот только в качестве предиктора здесь используется всего одна переменная - высота над уровнем моря, зато модель строится одновременно для 80 тыс. видов, примерно как строятся модели компьютерного зрения. Подробнее о методе можно посмотреть вот здесь. Мы использовали наблюдения с iNaturalist для SDM, когда предсказывали ареал потенциального распространения двух инвазивных степных улиток - Brephulopsis cylindrica и Xeropicta derbentina (рисунок - пример такой карты). Первоначально эти улитки обитали в Причерноморье, но в последние годы встречаются далеко за пределами естественного ареала - в Западной Европе, Беларуси, Армении и степных регионах России, видимо, распространяясь вдоль железных дорог. Если интересно, полная версия статьи - на сайте журнала.

Ящерицы и улитки. Ч. 1 Это Прыткая ящерица (Lacerta agilis) - мое первое наблюдение на iNaturalist, поймал в кадр в Воронежской области в мае прошлого года. iNaturalist - краудсорсинговая платформа гражданской науки. Работает примерно так: устанавливаете на телефон приложение, фотографируете растение или животное, встроенная модель компьютерного зрения помогает определить вид, а дальше два эксперта должны подтвердить находку, и ваше наблюдение попадает в общую базу. Сейчас в базе 160 млн. наблюдений по 431 тыс. видам. Недавно iNaturalist представил новый инструмент - Geomodel.

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.