CC BY
51
НАУКИ О ЗЕМЛЕ
«НАУКА. ИННОВАЦИИ. ТЕХНОЛОГИИ», №4, 2021
ЭКОНОМИЧЕСКАЯ, СОЦИАЛЬНАЯ, ПОЛИТИЧЕСКАЯ И РЕКРЕАЦИОННАЯ ГЕОГРАФИЯ
ФГАОУВО
«Северо-Кавказский федеральный университет», г. Ставрополь, Россия cherkasov_stav@mail.ru
ПРОСТРАНСТВЕННЫЙ АНАЛИЗ ГОРОДОВ И АГЛОМЕРАЦИЙ: ИНТЕГРАЦИЯ ТЕХНОЛОГИЙ ГИС И BIG DATA
Doi: 10.37493/2308-4758.2021.4.6
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 пространс-
твенно-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 интег-раций 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.
Ключевые слова: ГИС, Big Data, ДДЗ, Авито, ЦИАН, пространственный анализ, демографическое развитие, Липецк, Ставрополь.
25.00.24 УДК 314.9
Черкасов А.А., Махмудов Р.К., Сопнев Н.В.
Введение.
Cherkasov A.A., North Caucasus Federal University,
Maxmudov R.K., Stavropol,
Sopnev N.V. Russia
Spatial Analysis of Cities and Agglomerations: Integration of GIS and Big Data Technologies
Introduction. Traditional sources of information that are commonly used for spatial
analysis of geodemographic processes are not always able to provide an extensive understanding of the effects associated with the growth or decline in the population of cities and agglomerations. In this regard, data obtained with the help of Big Data technologies are of great help for spatial analysis. Modern GIS is an effective tool for solving the problem of processing and interpreting big data. GIS allows you to structure data and visualize it, thus obtaining a geographical interpretation of information. The approbation of the possibilities of using data corrupted by big data technology, based on integration with GIS, as well as the use of traditional information sources (goskomstat) was carried out on the example of cities and urban agglomerations of Lipetsk and Stavropol.
Materials and research
methods. To analyze the dynamics of the built-up areas of Lipetsk and Stavropol in the
period from 2000 to 2020, satellite images from Sentinel-2 and Landsat-8 satellites were used. The capabilities of the ScanEx Image Processor software were used to process satellite images. Work on the allocation of building boundaries in different years was carried out by the method of reverse decryption. To analyze the population density of cities, heat maps provided by the Export Base service were used. The cost of residential premises was estimated by processing information from Internet services for placing ads (Avito and CIAN). Quantum GIS is used as the main geoinformation tool.
The results of the study
and their discussion. The approbation of integration technologies and research methods on the example of the core cities of Lipetsk and Stavropol revealed that the demographically favorable city of Stavropol has higher rates of development, has higher prices for residential real estate. This process leads to a concentration of the population, including in new neighborhoods, which is not so pronounced in depopulating Lipetsk. Suburban areas included in the half-hour and hourly transport accessibility are generally comparable in terms of the cost of residential premises within both agglomerations.
Results. The development and integration of technologies for the collection, process-
ing and analysis of spatial and temporal data contributes to the expansion of the methodological tools of geodemographic research and opens up wide opportunities to comprehensively approach the issue of the development of intra-agglomeration and intra-urban processes. Traditional sources made it possible to assess the dynamics of the number of cities, and the use of big data technology with GIS integrations revealed the features of the development of urban and suburban development, heat maps of density gave an idea of the features of population concentration, including newly built-up areas. An analysis of the cost of housing using data from Internet services for placing ads in central cities and their suburbs confirmed the main trends related to the centrality of places and the periphery.
Key words: GIS, Big Data, remote sensing data, Avito, CIAN, spatial analysis, demo-
graphic development, Lipetsk, Stavropol.
НАУКИ О ЗЕМЛЕ
Пространственный анализ городов и агломераций . . Черкасов А.А., Махмудов Р.К., Сопнев Н.В.
Введение
Большую значимость на современном этапе приобретают исследования посвященные изучению агломерационных форм расселения, городов и внутригородских процессов [2]. Между тем, традиционные источники информации, которые принято использовать для проведения пространственного анализа, в том числе геодемографических процессов, (материалы Переписей населения, данные Росстата, ведомственные данные и т.д.) не всегда способны обеспечить представления об эффектах связанных с ростом или сокращением численности населения в конкретных населенных пунктах или агломерационных зонах. В этой связи серьезное подспорье для пространственного анализа приобретают данные, полученные с помощью технологий Big Data.
Применение технологий Big Data представляется достаточно перспективным, и уже сегодня получает широкое применение в решении прикладных задач. В настоящее время Big Data разделяются по доступности информации и по форме данных. По доступности информации такие данные разделены на:
— общедоступные, открытые - технически доступные (можно скачать датасет с сайта, использовать API), свободное право пользования, в том числе в коммерческих целях;
— условно-доступные - технически доступные (можно скачать датасет с сайта, использовать API), но использовать можно либо с ограничениями, либо вообще формально нельзя;
— закрытые - данные, которых нет в интернете, но их можно получить через запросы, либо купить [12].
По форме Big Data бывают структурированные, полуструктурированные и неструктурированные. Структурированные обладают структурой таблиц, отношений. Сюда можно отнести, например Excel, а также документы CSV. Полуструктурированные, еще называются слабоструктурированными, содержат сведения, не обладающие строгой табличной составляющей и отношениями, имеют разнообразные маркеры, при помощи которых в реальной жизни удается отделить семантику и обеспечение иерархии
полей и записей. Неструктурированные данные не имеют никакой четкой организации и структуры: текст на естественном языке, аудиодорожки, видеоролики, изображения [12].
Важно отметить, что технология Big Data различными авторами интерпретируется по-разному, мы же придерживаемся следующего определения: Big Data для пространственного анализа, это данные обладающие существенным увеличением скорости поступления объема информации и обладающие свойством быстрого дополнения с дальнейшей возможностью пространственной визуализации.
В качестве источников Big Data для пространственного анализа выступают данные полученные в результате обработки операций банковских карт (Сбербанк, Тинькоф, ВТБ и др.), сотовых операторов (Билайн, МТС и др.), социальных сетей (ВКонтакте, Instagram и др.) [9], материалы краудсорсинговых ресурсов (wikimapia, народная карта Яндекса), геолокации фотографий пользователей (Flickr, sightsmap.com и др.) данные ДДЗ, интернет-сервисов для размещения объявлений о товарах, недвижимости, вакансиях и резюме на рынке труда (Авито, ЦИАН), данные о кадастре недвижимости и т.д. [1, 8, 10, 13]. Не смотря на это, на современном этапе исследователи сталкиваются с трудностями применения Big Data в геодемографических исследованиях. Среди основных проблем и ограничений выделим проблему отсутствия единых методов и алгоритмов обработки данных; доступность и дороговизну полных наборов пространственных данных; репрезентативность данных, которые, как правило охватывают не все население; невозможность оценить достоверность данных, значительная часть информации генерируется пользователями; ограничениями предоставления такой информации, в первую очередь связанную с персональными данными пользователей. Последнюю задачу удается решать посредствам предоставления такой информации в обезличенном, обобщенном виде.
Для решения задач по обработке и интерпретации больших данных эффективным инструментом представляется ГИС, обладает широким функционалом, что позволяет структурировать данные и производить их визуализацию, таким образом, получая географическую интерпретацию информации [3, 6, 7].
№ 4 , 2021
99
В настоящей статье авторы апробируют возможности использования геоинформационных технологий Big Data (ДДЗ, интернет-сервисов для размещения объявлений (Авито, ЦИАН, тепловые бизнес-карты ExportBase), как инструментария позволяющего получить новые знания, связанные с демографическими процессами. В качестве территории исследования выбраны города Ставрополь и Липецк, рассмотрены пригородные зоны этих городов.
Материалы и методы исследования
Данные дистанционного зондирования Земли (ДЗЗ) одни из самых распространенных источников получения Big Data, позволяющие провести пространственный анализ. В настоящее время ДДЗ характеризуются существенным увеличением объема информации, а также наращиванием скорости её поступления [4]. Только дюжина спутников формирует более 2 терабайтов данных в день или пол петабайта в год, причём два из них обеспечивают почти половину этого объёма [8].
Космические снимки высокого разрешения открывают широкие возможности для пространственного анализа, в том числе анализа площадей застроенных территорий. Процесс формирования процедур обработки/анализа носит исследовательский характер. При решении конкретных задач обработки ДЗЗ и связанной с ними информации зачастую необходимо реализовывать многовариантный подход, при котором используются различные методики формирования результатов с их последующим анализом.
В качестве исходных данных для анализа застроенных территорий Липецка и Ставрополя использованы космические снимки со спутников Sentinel-2 и Landsat-8, скачанные с сайта Геологическая служба США1 с интервалом в 10 лет - 2000, 2010, 2020 гг. Такой временной охват позволяет рассмотреть продолжительный промежуток времени, и в достаточной степени выявить изменения застройки исследуемых территорий. Для обработки космических снимков применялись возможности программного обеспечения ScanEx Image Processor. Так, в программу подгружались ранее
1 https://earthexplorer. usgs. gov/
скачанные космические снимки, использовалось следующее сочетание каналов для воспроизведения естественного цвета съемки: для Landsat-8 каналы 4,3,2; для Sentinel-2 каналы 2,3,4,8. Работа по выделению границ застройки за разные годы проводилась методом обратного дешифрирования, где снимком за 2020 год был базовым, а более ранние снимки использовались для выделения пятен застройки [5]. Для анализа плотности населения городов, использовались тепловые карты предоставляемые сервисом ExportBase имеющие возможность на основе обработки разрозненных источников рассчитывать плотность населения на уровне внутригородских пространств, что позволило оценить плотность населения в районах новой застройки [1].
Второй блок исследования заключается в оценке стоимости жилых помещений, за 1 м2 в Ставрополе и Липецке, а также сравнения стоимости жилья в пригородных населенных пунктах городов, в поселениях численностью более 1 тыс. чел. Данную задачу авторы решали за счет обработки информации интернет-сервисов для размещения объявлений. В России наиболее популярными сервисами являются Авито и ЦИАН. Тысячи пользователей ежедневно вносят сюда свою информацию, а система менеджмента качества позволяет достаточно четко контролировать правила формирования объявлений. Таким образом, данные ресурсы содержат большой пласт информации, позволяющий проводить анализ средней стоимости объектов недвижимости [1]. Для систематизации информации авторы использовали онлайн калькулятор стоимости жилья2, позволяющий рассчитывать среднюю стоимость жилых помещений за 1 м2. Анализ динамики численности населения городов произведен на основе данных Федеральной службы государственной статистики Российской Федерации.
В качестве источника информации для оценки динамки численности населения использовались материалы федеральной службы государственной статистики (Росстат)3.
В качестве базового ГИС для обработки статистических данных, дешифрирования и построения визуальных моделей применялся Quantum GIS4. При работе со снимками за разные периоды, границы переводились из формата shp. в формат km.l и подгружа-
лись в геопортал Google Earth5, чтобы осуществить дальнейшую оцифровку для всех временных периодов.
Результаты исследований и их обсуждение
Ставрополь и Липецк региональные центры Ставропольского края и Липецкой области, ядра первого порядка одноименных городских агломераций. Специализация городов различна, так Липецк специализируется на чёрной металлургии полного цикла, является агротехнологическим и авиационным центром Черноземья. Ставрополь культурный, деловой, промышленный, образовательный центр Северного Кавказа.
В Ставрополе отмечается стабильный устойчивый прирост численности населения на протяжении всего рассматриваемого периода. По классификации Ставрополь крупный город, его численность на начало 2021 г. 454 тыс. чел. (для сравнения в 2010 г. 399 тыс. чел., а в 2000 г. 355 тыс. чел.) [11] (рис. 1). Таким образом, в период с 2000-го по 2021 г. его численность увеличилась на 22%. Липецк по той же классификации относится к крупнейшим городам, с численностью в 2021 г. 503 тыс. чел. (в 2010 г. составляла 509 тыс. чел., а в 2000 г. 521 тыс. чел.) [11] (рис. 1). С 2000-го по 2021 г. его численность сократилась на 3,6%, причем сокращение носило волнообразный характер (в период с 2007 по 2017 год наблюдался прирост численности населения, а затем вновь население сокращается).
Таким образом, Ставрополь по всем признакам относится к городам с положительной динамикой численности населения, а в Липецке наметились устойчивые депопуляционные процессы.
Рассмотрим особенности развития застройки территории городов. Липецк к 2000 г. сформировал устойчивое пятно застройки, и в этом же году его численность являлась максимальной за всю историю
2 https://onrealt. ru/
3 https://rosstat.gov. ru/
4 https://qgis. org/ru/site/
5 https://www. google . ru/intl/ru/earth/
Липецк Ставрополь
Динамика численности населения Липецка и Ставрополя, 2000-2021 г.
Fig . 1. Population dynamics of Lipetsk and Stavropol, 2000-2021
города, росла устойчивым темпом. Застройка Липецка в 2000-е годы во многом продолжается за счет сложившихся районов, развиваются многоэтажные формы застройки, преимущественно в формате микрорайонов в юго-западной части города. Формируются в этот период и дачные товарищества, при этом активного уплотнения существующей застройки не отмечается. В период с 2010 по 2020 г завершается строительство существующих кварталов микрорайонной застройки, а также происходит незначительное уплотнение сложившейся частной застройки в пригородах и дачах. В пригородных населенных пунктах и на периферии агломерации города (рассматривалась 30 км зона от Липецка) не происходит активной застройки территорий.
Формирование застроенных территорий в Ставрополе происходит активно. Наблюдается формирование зон нового многоэтажного жилья (12 и более этажей), двигаясь преимущественно в юго-западном направлении. Разрастается и ближайший пригород, в частности за счет бурного роста дачных кооперативов, по сути превратившихся в ИЖС (рис. 2). Демонстрируют высокие темпы застройки и пригородные зоны, например, численность населения города Михайловска, спутника Ставрополя, за последние 20 лет выросла на 90% и составила 98 тыс. чел.
Тепловые карты плотности населения, предоставляемые сервисом Expor1Base (рис. 3), достаточно наглядно показывают увеличение плотности населения во вновь застраиваемых территориях. Этот процесс коррелирует с этажностью застройки и компактностью размещения многоэтажных жилых домов (чем выше, тем плотнее).
Сравнительный анализ стоимости жилых помещений за 1 м2 показал, что в Ставрополе средняя стоимость жилья составляет 53 тыс. руб. а в Липецке - 43 тыс. руб. То есть, продолжающийся рост численности населения Ставрополя (в том числе положительное сальдо миграции) обеспечивает больший спрос на жилье, что с одной стороны увязано с более активной застройкой города, с другой стороны формирует более высокие цены за м2. Интересно отметить, что в ближайших городах, входящих в пригородную зону агломерационных центров стоимость значительно отличается. Так в г. Грязи (ближайший город Липецк) стоимость составила 29 тыс. руб. а в г. Михайловске (ближайший город Ставрополь) стоимость
ареал застроенных территорий в 2000 году
новая многоэтажная застройка
№ 4 , 2021
105
Рис. 2. Градостроительное освоение территории г. Липецка и
г. Ставрополя в период с 2000 по 2020 год.
Fig . 2 . Urban development of the territory of Lipetsk and Stav-_ ropol in the period from 2000 to 2020. _
OniphJ
ОС ^ У Я £ J fL / у & Плшшсна
' j* r J* ■ фГ A f v- Лкфгчь ■Чпчахтвг I №
a MP
i Ярлукгмо
f С£Ш \ \ i fjJHn^J
< ( J iW \ 1 ^^ %
т
Ставрополь
—нэрамрт
CwpMib (Шлаювское! STW
Надежда
"Sg
У
в»
Грушевый Нижний
л v
■'"¿JiiiiOr
jf 4Q
низшая
Плотить наоепения средняя повышенная высокая
зон ы форм ирова ния ново й эзцт ройки в период с 2000-го no 202D год
Тепловая карта плотности населения г. Липецка и г. Ставрополя [https://map.export-base.ru/].
Fig . 3 . Heat map of population density in Lipetsk and Stavropol .
Карта средней стоимости жилых помещений за 1 м2.
Fig . 4 . Map of the average cost of residential premises per 1 m2 .
составила 40 тыс. руб., что также коррелируется с динамикой численности и темпами застройки новых территорий (рис. 4).
Выявлены следующие пространственные особенности стоимости жилья в пригородных зонах (получасовая в 15 км, часовая 30 км зоне доступа от центральных городов): в 15 км зоне г. Липецка средняя стоимость жилья за 1 м2 составила 27,8 тыс. руб., в Ставрополе 28,2 тыс. руб., а в зоне от 15 до 30 км 18,8 и 17,6 тыс. руб. соответственно.
Таким образом, достаточно четко прослеживается, что стоимость жилья в Ставрополе выше, чем в Липецке, а ближайшие города различаются по стоимости жилья в сторону более дорогого города Михайловска (пригород Ставрополя). В данном случае прослеживается, что демографически благоприятные города, с растущим населением, формируют более высокую стоимость жилья. Что касается непосредственно пригородной зоны часовой доступности, то здесь стоимость в целом сопоставима, что подтверждает низкую востребованность периферийных агломерационных территорий.
Выводы
Развитие и интеграция технологий сбора, обработки и анализа пространственно-временных данных способствует расширению методического инструментария геодемографических исследований и открывает широкие возможности для комплексного исследования внутри агломерационных и внутригородских процессов. Традиционные источники позволили оценить динамику численности городов, а применение технологии Big Data с интегра-ций 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 подтвердил основные тенденции, связанные с центральностью мест и периферией.
Авторы, на примере Ставрополя и Липецка, делают вывод, что в демографически более благоприятных городах, с растущей числен-
ностью населения, сформирован более высокий спрос на недвижимость, что увязано с разрастанием площадей застраиваемых территорий и формированием более высокой цены на жилье. При этом, периферийные зоны по динамике развития находятся в тени центральных мест, что выражается в темпах застройки и в стоимости жилья.
Благодарности
Исследование выполнено в рамках:
— гранта РФФИ 20-05-00386 «Пространственно-временные диспропорции демографического развития городских агломераций разного типа в Европейской части России»;
— гранта Президента Российской Федерации МК-858.2020.5 «Геоинформационный мониторинг формирования сети больших городов в условиях современной этнодемографической и миграционной ситуации в России».
Библиографический список
1. Аксенов К . Э . Трансформация городских пространственно-временных систем (на примере влияния ритейла на районы массовой жилой застройки в Ленинграде-Санкт-Петербурге, 1989-2016 гг.) // Известия Русского географического общества . 219 . Т. 151. № 1. С . 29-44 .
2 . Антонов Е . В ., Махрова А . Г. Крупнейшие городские аг-
ломерации 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 градо-
строительстве // Academia . Архитектура и строительство . 2017 . № 3 . С . 99-102 .
5 . Дохов РА ., Алов И . Н . , Шубина Д . О ., Волков М . С ., Ма-
цур В . Н ., Умнова Т. Н ., Шерстнёва А . Р. Пространственные структуры постсоциалистических пригородов: функцио-
нальные и социальные ядра субурбии Махачкалы // Городские исследования и практики . 2020. С . 35-53 .
6 . Краак М . -Я ., Ормелинг Ф . Картография: визуализация геоп-
ространственных данных . М . : Научный мир, 2005 . 325 с .
7 . Новиков А . В . Проблема больших данных в городских ис-
следованиях // Видеоинтервью . https://www.youtube . com/ watch?v=6n6TVg-KAgM (режим доступа 27 .11.2021) .
8 . Попов С . Б . Большие данные дистанционного зондирова-
ния 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: труд-
ности и особенности . Хабр. https://habr. com/ru/company/ lineate/blog/592741 / (режим доступа 02 .12.2021) .
References
1. Aksenov K . E' . (2019) Transformaciya gorodskix prost-ranstvenno-vremenny'x sistem (na primere vliyaniya ritejla na rajony' massovoj zhiloj zastrojki v Leningrade-Sankt-Pe-terburge, 1989-2016 gg . ) (Transformation of urban spatiotemporal systems (on the example of the influence of retail on the areas of mass residential development in Leningrad St Petersburg, 1989-2016) // Izvestiya Russkogo geografichesk-ogo obshhestva . T. 151. № 1. Р 29-44 . (in Russian) . 2 . Antonov E . V. , MaxrovaA . G . Krupnejshie gorodskie aglomeracii i formy' rasseleniya nadaglomeracionnogo urovnya v Rossii (The largest urban agglomerations and forms of settlement at the subagglomeration level in Russia) // Izvestiya RAN . Seriya geograficheskaya . 2019 . № 4 . Р 31-45 (in Russian) .
3 . Belozerov V. S . , Gladilin A .V., Shchitova N .A . , Cherkasov A .A .
Geoinformatsionno-kartograficheskoye soprovozhdeniye mi-gratsionnykh i demograficheskikh issledovaniy: tekhnologii, metody, bazy dannykh (Geoinformation-cartographic support of migration and demographic research: technologies, methods, databases) // Nauka . Innovatsii . Tekhnologii . 2019 . № 3 . P. 49-62 (in Russian) .
4 . Voly'nskov V. E . «Bol'shie danny'e» (BigData) v gradostroiterstve
(«Big Data» (BigData) in urban planning) // Academia . Arxitek-tura i stroitel'stvo . 2017 . № 3 . P 99-102 (in Russian) .
5 . Doxov R .A. , Alov I . N ., Shubina D . O ., Volkov M . S ., Maczur
V. N . , Umnova T. N ., Sherstnyova A. R. Prostranstvenny'e struktury' postsocialisticheskix prigorodov: funkcional'ny'e i social'ny'e yadra suburbii Maxachkaly' (Spatial structures of post-socialist suburbs: functional and social cores of the Makhachkala suburb) // Gorodskie issledovaniya i praktiki 2020 . P 35-53 (in Russian) .
6 . Kraak M . -Ya ., Ormeling F. Kartografiya: vizualizaciya geopro-
stranstvenny'x danny'x (Cartography: visualizing geospatial data) . M .: Nauchny'j mir, 2005 . 325 s . (in Russian) .
7 . Novikov A . V. Problema bol'shix danny'x v gorodskix issle-
dovaniyax (The Big Data Challenge in Urban Research) // Videointerv'yu . https://www. youtube . com/watch?v=6n6TVg-KAgM (rezhim dostupa 27 .11.2021) (in Russian) .
8 . Popov S . B . Bol'shie danny'e distancionnogo zondirovaniya
zemli: problemy' i vozmozhnosti (Earth Remote Sensing Big Data: Challenges and Opportunities) // Informacionny'e texnologii i nanotexnologii (ITNT-2016) . Institut sistem ob-rabotki izobrazhenij RAN . 2016 . P. 1004-1007 (in Russian) .
9 . Tikunov V. S ., Belozerov V. S . , Antipov S . O . , Suprunchuk I . P.
Sotsial'nyye media kak instrument analiza poseshchayemosti turisticheskikh ob»yektov (na primere Stavropol'skogo kraya) (Social media as a tool for analyzing the attendance of tourist sites (on the example of the Stavropol Territory)) // Vestnik Mos-kovskogo universiteta . Seriya 5: Geografiya . 2018 . (in Russian) . 10 . Sizov O . S . Voprosy' prakticheskogo vnedreniya Big Geo Data na primere razvitiya texnologij distancionnogo zondirovaniya (Questions of the practical implementation of Big Geo Data on the example of the development of remote sensing technologies) GEOMATICS 2015 . №3 . P. 16-25 (in Russian) . 11. Federal'naya sluzhba gosudarstvennoj statistiki (Federal State Statistics Service) . URL: http:// www.gks . ru/ (rezhim dostupa 04 .11.2021) (in Russian) .
12 . Bol'shie danny'e: svojstva, metody' obrabotki, opisanie . (Big
Data: properties, processing methods, description) Otus Journal . https://otus . ru/journal/bolshie-dannye-svojstva-metody-obrabotki-opisanie/ (rezhim dostupa 27 .10.2021) (in Russian) .
13 . Kak my' vizualizirovali bol'shie danny'e na kartax: trudnosti i
osobennosti How we visualized Big Data on maps: difficulties and peculiarities . Xabr. https://habr. com/ru/company/lineate/ blog/592741/ (rezhim dostupa 02 .12.2021) (in Russian) .
Поступило в редакцию 18.10.2021, принята к публикации 15.12.2021
об авторах
Черкасов Александр Александрович, кандидат географических наук, заведующий кафедрой картографии и геоинформатики Северо-Кавказского федерального университета . Scopus ID: 57192379694, Researcher ID: 57192379694, Телефон: +7(906) 460-99-98 . E-mail: cherkasov_stav@mail . ru .
Махмудов Раким Камилович, кандидат географических наук, доцент кафедры картографии и геоинформатики Северо-Кавказского федерального университета . Scopus ID: 57211744797, Телефон: +7 (909) 773-31-00. E-mail: rakimkam@mail . ru .
Сопнев Николай Владимирович, аспирант кафедры социально-экономической географии Северо-Кавказского федерального университета . Телефон: +7 (961) 451-41-65. E-mail: sopnev. stav@gmail . com .
About the authors
Cherkasov Alexander Alexandrovich, Candidate of geographical sciences, head of the department of cartography and geoinfor-matics of the North-Caucasus federal university. Scopus ID: 57192859694, Researcher ID: 57192379694, Phone: +7(906) 460-99-98 . E-mail: cherkasov_stav@mail . ru .
Makhmudov Rakim Kamilovich, candidate of geographical sciences, head of the Department of Cartography and Geoinformatics of the North-Caucasus federal university. Scopus ID: 57211744797, Phone: +7 (909) 773-31-00 . E-mail: rakimkam@mail . ru .
Sopnev Nikolay Vladimirovich, graduate student of the department of socio-economic geography of the North-Caucasus federal university. Phone: +7 (961) 451-41-65 . E-mail: sopnev. stav@ gmail com
