Город на карте

Всем привет!
Из-за недавних сбоев в работе плагина QuickOSM решил собрать свой модуль-загрузчик данных из OSM под названием de_osm.
Установка через колбу, открываем плагин, нажимаем кнопку 🔗, в окне поиска вводим названием de_osm, находим и сохраняем скрипт.
После запуска скрипта внизу слева появится виджет, в котором нужно выбрать тег объектов загрузки, затем с помощью кнопки установки охвата чертим рамку выгрузки (по аналогии с выгрузкой данных в nspd_navigator). После установки рамки нажимаем Download.
В наборе тегов отобраны часто используемые значения, его можно пополнить другими значениями. При необходимости ненужные теги можно удалить или сбросить все до изначального вида.

Собираем собственный навигатор: на GitHub выпустили GeoLibre — бесплатную опенсорсную платформу для работы с геоданными.

Внутри — 700+ инструментов обработки карт, 3D-здания, полноценные глобусы Земли и других небесных тел. Есть даже панорамы улиц с архивом снимков за 10 лет.

Можно делать стильные визуализации или анимации и даже вайбкодить собственный аналог Google Maps с офлайн-картами.

Забираем тут.

📍📍Сделала интерактивный тренажёр по пространственной статистике📍📍

Внутри условный город с сетью датчиков PM2.5 и одна сквозная задача: по 60 точкам понять, что происходит во всём городе.

В конце песочница для ваших CSV/GeoJSON: всё считается в браузере, данные никуда не отправляются. Формул нет совсем, но под каждым экраном готовый код на R и Python, который делает то же самое как в реальных расчетах.

@urban_mash

Курс по использованию спутниковых эмбеддингов для анализа городской среды

Алекс Синглтон (Alex Singleton) подготовил краткий курс по использованию спутниковых эмбеддингов AlphaEarth Foundations для анализа городской среды — Using Google’s AlphaEarth Foundations Embeddings for Building Analysis. По окончании, учащиеся научатся:

・ Настраивать Google Earth Engine (Python), загружать и извлекать нужные эмбеддинги.
・ Выполнять кластеризацию (k‑средних) для выявления типов зданий, определять оптимальное число кластеров и проверять результаты.
・ Использовать UMAP (Uniform Manifold Approximation and Projection) для визуализации многомерных эмбеддингов в двумерном пространстве.
・ Вычислять косинусное сходство для поиска зданий со схожими характеристиками.
・ Объединять спутниковые эмбеддинги с административными данных (например, сертификатами энергоэффективности — Energy Performance Certificates).
・ Создавать индексы предрасположенности (propensity indices) для описания распределения кластеров по характеристикам зданий.
・ Строить модели “случайного леса” для прогнозирования характеристик зданий, оценивать их точность и понимать ограничения.
・ Экспортировать результаты в различные форматы (GeoPackage, Parquet) для использования в ГИС-программах.
・ Создавать готовые к публикации графики и статистические сводки.

#ИИ #GEE #python #город

Топ-10 населённых пунктов России по средней зарплате в 2025 (до вычета налогов)

Фактически это два разных списка, случайно оказавшихся рядом.
Первый — деревни и посёлки под Москвой. Сверхдоходов у их жителей, как правило, нет. Росстат относит зарплату к месту, где зарегистрирована организация, а не туда, где человек живёт и работает. Стоит в деревне на несколько десятков дворов головной офис большой компании или указан её юридический адрес, и весь её фонд оплаты труда приписывается этой точке.

Нагляднее всего Коледино: здесь крупнейший сортировочный центр и регистрация Wildberries, поэтому «средняя по деревне» вбирает оклады айтишников и менеджмента всей фирмы. У Борзых, Северного, Сколкова, Жилина-1 и Новоивановского примерно то же самое: цифра показывает адрес в отчётности, а не заработки местных (хотя в Сколкове и Новоивановском свой вклад многие действительно работают по месту регистрации, ведь здесь большую роль играют компании-резиденты «Сколково»).

Второй список — ресурсные посёлки Севера и Дальнего Востока, где зарабатывают не только местные, но и вахтовики. Усть-Карск в Забайкалье держится на прииске «Усть-Кара», одном из крупнейших золотодобытчиков региона и одном из десяти главных налогоплательщиков края. Чайво на Сахалине обслуживает нефтегазовый проект «Сахалин-1». Андег в Ненецком округе и Ивашка на Камчатке живут промышленной ловлей рыбы и морепродуктов. Высокая средняя складывается из трёх вещей: вахта с переработками, северные коэффициенты и надбавки, небольшое число занятых при высокой выработке на человека.

Так что если вдруг попадётся громкий заголовок про «самую богатую деревню страны», сначала стоит понять, что там измеряют: реальные доходы людей или прописку корпорации. На карте оба типа лидеров видно сразу, их легко различить по региону и набору отраслей.

Полная интерактивная карта средних зарплат по ~14 тыс. населённых пунктов — по ссылке. А желающих поддержать автора и посмотреть версию с фильтрами и выгрузкой первичных данных приглашаю подписаться на Boosty.

Телеграм | Max

География будущего: какой она будет?

23 июня в Национальном центре «Россия» соберутся учителя географии, преподаватели вузов, студенты и эксперты из всех регионов страны.

На форуме обсудят, как меняется географическое образование: от новых технологий и спутниковых данных до экспедиций, полевых исследований и создания нового учебника географии.

Почему стоит принять участие?
🟡 Узнать о современных инструментах и практиках преподавания
🟡 Обменяться опытом с коллегами со всей страны
🟡 Познакомиться с экспертами в сфере образования и географии
🟡 Обсудить будущее школьной географии и подготовку нового поколения специалистов

✔ В программе:
14:00–15:30 — Открытие и пленарное заседание
16:00–17:30 — 6 тематических секций:
— «Как выйти за рамки класса и учебника, чтобы стать лидером мнений в географии»
— «От спутниковых снимков до школьных квестов: как высокие технологии меняют уроки географии»
— «Вопросы школьной географии: от достижения предметных результатов до их оценивания»
— «Не за партой: географические знания через экспедиции и научные открытия»
— «Компас призвания: мотивационные маршруты»
— «Новый учебник географии»

⏩Участие бесплатное по предварительной регистрации

GEM-Forest — глобальная карта лесов и многолетних насаждений с разрешением 10 м за 2020 год, построенная на основе спутниковых эмбеддингов Alpha Earth Foundation (AEF) от Google DeepMind с помощью метода опорных векторов. В отличие от большинства глобальных карт лесов, GEM-Forest разделяет леса и многолетние насаждения, такие как масличная пальма, гевея, кокосовая пальма, оливки и фруктовые деревья.

Набор данных представлен в двух вариантах.

🌳 GEM-FnF2020 — бинарная карта “лес/не-лес”, соответствующая определениям леса ФАО и EUDR. Её общая точность составляет 91%, а F1-мера — 0,90 при валидации на независимой выборке из примерно 21 000 точек.
🌳 GEM-TC2020 добавляет класс многолетних насаждений как подкласс “не-леса”, с общей точностью выше 85% для большинства типов древесных культур.

Поскольку эмбеддинги AEF охватывают период 2017–2025 гг., одни и те же обученные веса модели могут применяться на всём этом временном интервале и пользователи могут строить согласованные годовые карты для обнаружения изменений без необходимости дообучения или перестройки вспомогательных наборов данных.

🌐 Данные на Google Earth Engine
📥 Zenodo
📖 Методика

#GEE #данные #лес

🌟 Учимся подбирать шрифты 🌟

У меня уже выходила отдельная статья про то, как правильно подбирать шрифты для карты.

А теперь я расскажу, где смотреть на чужие примеры и подворовывать вдохновляться.

Есть прекрасный сайт для дизайнеров, где на примере разной печатной продукции показывается использование разных шрифтов.
Вводите в поиске слово MAP и видите множество примеров карт, где для каждой разобрано, какие шрифты на ней используются.

Пользуюсь сама и вам советую!

Fontsinuse

Ancient Earth Globe 🌍

Как выглядела Земля миллионы лет назад можно увидеть на интерактивном глобусе 💛

Легко перемещаться во времени – выбирать периоды или события. Например, когда появились первые динозавры 🦕, первые приматы 🦧 и даже первые цветы 🌼

А ещё можно ввести любой адрес и посмотреть, где находилось это место

создал глобус Ian Webster 🔥


#geo_vis

🌎🕊️ GIS_AND_PEACE

#зоопарк_одобряет

RusWeather-GF: "дневник российской погоды" за 44 года с привязкой к местности

Ученые из Почвенного института им. Докучаева (Москва) проделали колоссальную работу: собрали ежедневные данные по температуре и осадкам для 593 метеостанций России за 44 года (1980–2023), закрыв все пробелы и привязав станции к высокоточным топографическим моделям. Получился первый в своём роде открытый набор данных, готовый для любых климатических расчётов.

Кто-то скажет "такое уже было". Не совсем: в исходных архивах Росгидромета не хватало примерно 1.6% записей по температуре и 1.8% по осадкам. На первый взгляд, немного, но беда в том, что пробелы были распределены очень неравномерно. Восстановление данных делалось разными методами (несколько физических моделей + ИИ, подробнее в статье) - и получилось отлично, корреляция очень высокая.

Впервые к каждой станции привязали цифровую модель рельефа FABDEM v1.2 — высоту над уровнем моря, крутизну склона и шероховатость поверхности. Это критически важно для горных районов, где климат меняется на десятках метров.

Данные выложены на Zenodo, ну, а статья по мотивам проделанной работы вышла в Atmospheric Research (IF = 4.4). На картинке - распределение метеостанций в России