CC BY
31
Псковский регионологический журнал. Том 18. № 3 / 2022 УДК 303.4 DOI: 10.37490/S221979310021246-3
С. С. Лачининский1, И. А. Логвинов2
1Санкт-Петербургский государственный университет;
Институт проблем региональной экономики РАН, г. Санкт-Петербург, Россия
E-mail: lachininsky@gmail.com 2Санкт-Петербургский государственный университет, г. Санкт-Петербург, Россия
E-mail: ilia.logwinov@yandex.ru
ЗАРУБЕЖНЫЙ ОПЫТ ИСПОЛЬЗОВАНИЯ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ПРИ ИЗУЧЕНИИ РАЗВИТИЯ ГОРОДОВ
Данные дистанционного зондирования Земли активно используются при изучении развития городов за рубежом и существенно меньше в России. Целью исследования являлось обобщение зарубежного опыта использования данных дистанционного зондирования Земли в исследовании развития городов в общественной географии и смежных исследованиях. Проанализирован опыт предшественников. Выявлено практически отсутствие использования данных дистанционного зондирования Земли отечественными географами обществоведами в исследовании городов. Выделено два вида использования данных дистанционного зондирования Земли при изучении городов за рубежом: самостоятельная обработка космических снимков конкретных территорий и использование готовых наборов обработанных данных дистанционного зондирования Земли от крупных научно-исследовательских групп. Оба варианта использования данных дистанционного зондирования Земли позволяют сравнивать между собой территории Земли, избегать административные границы и сложности статистического учёта, использовать более длинные временные ряды. Отличия заключаются в глубине получаемой информации и доступности для обычного пользователя. Самостоятельно обработанные данные дистанционного зондирования Земли более информативны, в то время как готовые наборы проще использовать обычным пользователям и при их помощи проще сравнивать различные территории из-за универсальной методики. Из готовых наборов наилучшим качеством, а также частотой использования выделяются данные проекта Global Human Settlement Layer от Еврокомиссии.
Ключевые слова: данные дистанционного зондирования Земли, урбанизация, разрастание городов, субурбанизация, Глобальный Слой Населённых Пунктов, земное покрытие, землепользование.
Для цитирования: Лачининский С. С., Логвинов И. А. Зарубежный опыт использования данных дистанционного зондирования Земли при изучении развития городов // Псковский регионологический журнал. 2022. Т. 18. № 3. С. 132-146. DOI: https://doi.org/10.37490/S221979310021246-3
S. S. Lachininsky1, I. A. Logvinov2
JSt. Petersburg State University; Senior Researcher of Institute for Problems of Regional Economics RAS, St. Petersburg, Russia 1E-mail: lachininsky@gmail.com 2St. Petersburg State University, St. Petersburg, Russia 2E-mail: ilia.logwinov@yandex.ru
FOREIGN EXPERIENCE IN USING EARTH REMOTE SENSING DATA IN STUDYING URBAN DEVELOPMENT
Earth remote sensing data are actively used in studying the development of cities abroad and much less in Russia. The aim ofthe study was to generalize the foreign experience of using Earth remote sensing data in the study of urban development in social geography and related studies. The experience ofpredecessors is analyzed. Practically absence of the use of Earth remote sensing data by domestic geographers and social scientists in the study of cities has been revealed. Two types of use ofEarth remote sensing data in studying cities abroad are singled out: independent processing of satellite images of specific territories and the use of ready-made sets ofprocessed Earth remote sensing data from large research groups. Both options for using Earth remote sensing data make it possible to compare the territories of the Earth, avoid administrative boundaries and the complexity of statistical accounting, and use longer time series. The differences lie in the depth of the information received and accessibility for the average user. Self-processed Earth remote sensing data are more informative, while ready-made sets are easier to use by ordinary users and with their help it is easier to compare different territories due to the universal methodology. Of the ready-made sets, the data of the Global Human Settlement Layer project from the European Commission stand out for the best quality, as well as the frequency of use.
Keywords: processed remote sensing data, urbanization, urban sprawl, suburbanization, Global Human Settlement Layer, land cover, land use.
For citation: Lachininsky S. S., Logvinov I. A. (2022), Foreign experience in using Earth remote sensing data in studying urban development, Pskov Journal of Regional Studies, vol. 18, no. 3, pp. 132-146. (In Russ.). DOI: https://doi.org/10.37490/ S221979310021246-3
Введение. Динамичные и успешные города являются полифункциональными центрами с диверсифицированной структурой экономики, разнообразием видов деятельности. В крупных городах концентрируется экономическая масса, современные высокотехнологичные сервисы (включая финансовые и высокотехнологичные услуги), наиболее высокотехнологичные отрасли промышленности, креативный класс (ИТ-специалисты; специалисты «креативной экономики»; учёные, студенты и исследователи; управленцы), формируется большая часть добавленной стоимости (особенно в условиях перехода к постиндустриальной и постфордиской экономике) [6].
Всё в большей степени такие города определяют современную мировую экономику, создавая сеть взаимосвязанных глобальных (мировых) городов. На 2014 г. 300 крупнейших агломераций производили 32 % ВВП Земли при доле в населении всего в 15 %, что свидетельствуют о высочайшей экономической эффективности городов [26].
Города также активно участвуют в преобразовании Земли за счёт экстенсивного агломерационного развития, приводящего к их существенному разрастанию (urban sprawl). Например, по оценке Организации экономического сотрудничества и развития (ОЭСР), площадь городских агломераций, с численностью населения более 5 млн. чел., увеличилась за 25 лет (с 1990 по 2015 гг.) на 26 % — с 55,4 тыс. км2 до 70,2 тыс. км2 [12], что равноценно территории Калининградской области. При этом рост городов в большинстве своём, если судить по показателю устойчивого развития 11.3.1 [22], связан со снижением эффективности землепользования: у 45,7 % городов с численностью населения больше 50 тыс. чел. рост площади застройки превышал рост численности населения, а у 16,6 % площадь застройки увеличилась несмотря на снижение численности населения.
Данные о пространственном развитии городов также активно используются географами и экономистами при создании моделей пространственной формы городских агломераций [15] и периодизации процессов урбанизации [16]. Исследователи стремятся устанавливать причинно-следственные связи между пространственным развитием и детерминантами социально-экономического развития [18], с дальнейшим использованием этой информации при территориальном планировании.
В свою очередь, изучение роста городов крайне актуально в России. Исследуется агломерационное развитие, (продиктованное стратегий пространственного развития [5]), субурбанизация [1; 4] и многие др.
Однако данные статистики, на которые опирается большинство российских исследователей, обладают рядом недостатков, снижающих репрезентативность исследований по развитию городов и препятствующих их сравнению друг с другом [6]. Данные недостатки активно нивелируются в современных исследованиях городов и особенно с помощью данных дистанционного зондирования Земли (ДДЗЗ) зарубежными исследователями. Пласт работ по использованию ДДЗЗ в исследовании городов за рубежом достаточно обширен. Это позволяет комплексно осветить опыт использования передовых методик при изучении городских агломераций, что облегчит их дальнейшее применение.
Цель исследования является обобщение опыта исследований городов на основе данных дистанционного зондирования Земли (ДДЗЗ) за рубежом.
В качестве информационной базы исследования выступают публикации в высокорейтинговых журналах по городским исследованиям (Urban Studies, Applied Geography, Habitat International и др.), а также работы, на которые ссылаются авторы этих публикаций. В свою очередь опыт отечественных географов в исследовании данного вопроса рассмотрен на основе публикаций в высокорейтинговых журналах по географической тематике (Вестник Санкт-Петербургского государственного университета (Науки о Земле), Известия Российской академии наук (серия географическая), Вестник Московского университета (география) и др.
Опыт предшественников. В современных работах российских географов-обществоведов анализ зарубежных альтернативных методов исследования практически не проводится. Исключением является работа Бабкина Р. А. который в рамках исследования Московской агломерации на основе данных сотовых операторов обобщил зарубежный опыт использования таких данных [2].
Изученность использования ДДЗЗ в изучении развития городов за рубежом куда выше, чем в России, что можно подтвердить на основе статей в высокорейтинговых
журналах. В статьях в высокорейтинговых журналах по городским исследованиям (Urban Studies, Applied Geography, Habitat International, Journal of Urban Economics) проводится широкий анализ изученности проблемы и используемых методов. Работы с использованием ДДЗЗ не являются исключением [18; 24; 27; 32].
Что касается раскрытия опыта по данной тематике в публикациях российских географов-обществоведов, то его нет по причине другой направленности работ исследователей: статьи по использованию ДДЗЗ в журналах в разделах социально-экономической географии практически не публикуется и охватывают в основном вопросы деградации системы расселения и дачной колонизации [7; 8]. Эти работы опираются на визуальное дешифрирование Центрально-Европейской части России, проведённое Медведевым А. А. и Гунько М. С., позволяющие выделять заброшенные поселения или наоборот, ареалы дачной и коттеджной застройки в Московской, Ленинградской и граничащих с ними областях и тем самым, отчасти, снизить недостатки данных только по товариществам граждан из сельскохозяйственной переписи. Исключением можно считать работу Дохова Р. А. и Синицына Н. А. по «urban sprawl» в Белгороде, в которой как раз-таки ДДЗЗ активно используются для изучения субурбанизации [4]. Однако существенного рассмотрения опыта использования ДДЗЗ у предшественников в работе не проведено.
Также существуют научные публикации с исследованием городов на основе ДДЗЗ, которые публикуются в основном в журналах по геодезии и картографии («Известия высших учебных заведений. «Геодезия и аэрофотосъемка»» [9], «Интеркарто. Интергис» [3]) и в большей степени затрагивают методические вопросы и связи с общественной географией не имеют.
Результаты исследования: Спектр работ по использованию ДДЗЗ при изучении городов обширный: острова тепла в городах, экологические нарушения, зелёные насаждения, территориальное планирование и т. д. Но обратить внимание стоит прежде всего на такие междисциплинарные темы, как изучение роста городских территорий и изменение землепользования в них на основе самостоятельной классификации космоснимков и на основе проектов, в которых обработаны и соединены космоснимки в единый слой на весь мир (или его часть, как в исследовании по Восточной Азии [13]). Эти темы наиболее близки к экономико-географическим исследованиям городов и в них, по мнению авторов, наблюдается дефицит в российских исследованиях городов географами обществоведами.
Исследования, опирающиеся на самостоятельную обработку космоснимков, наиболее характерны для учёных из развивающихся стран и прежде всего Китая. Относительно длинный временной ряд позволяет исследователям оценивать пространственную динамику развития крупных городских агломераций [19], делать на её основе, совместно с другими геоданными, прогнозы экспансии городской застройки и как итог улучшать качество территориального планирования [24]. Также данные по застройке позволяют проводить делимитацию городских агломераций, подразумевая под ними зоны непрерывной городской застройки [26]. Также имеется достаточно широкий пласт исследований по конкретным агломерациям: Шанхай [20; 21], Лагос [31] и др.
Особенно стоит рассмотреть исследования по Шанхаю. Во-первых, коллективу авторов под руководством Li J., благодаря масштабу исследования более крупному, чем у мировых проектов (например, проект Land Cover CCI), удалось сделать классификацию ячеек не по земному покрытию (land cover), а по землепользованию (land use) [19], что показано на рисунке 1.
Рис. 1. Результаты классификации по землепользованию в исследовании Li J. и др. [19] Fig. 1. Land use classification results in a study by Li J. and others [19]
Рост Шанхая (как и большинства крупнейших китайских агломераций) происходил за счёт пахотных земель. Площадь пахотных земель за рассматриваемый исследователями период (1989-2005 гг.) сократилась на 27 % (87 тыс. га или 0,07 % пашни КНР). Пахотных земель было поглощено сверх плана. Вторым по масштабу ресурсом развития Шанхая стала рекультивация водно-болотных угодий — 27 тыс. га. Интересна ситуация с зелёными насаждениями: число природных зелёных насаждений (на границе с застройкой) уменьшалось весь исследуемый период, а вот по всей агломерации число зелёных насаждений снижалось до 2000 г., но далее начало расти, что связано с государственными программами по озеленению городов в Китае. Расползание Шанхая сопровождалось развитием жилых, промышленных, транспортных и общественных объектов (деловые кварталы, государственное управление). Однако площадь общественных объектов росла прежде всего в центральных районах.
Во-вторых, за счёт буферного анализа, Li X., Zhang L., Liang C. [20] удалось провести анализ по сторонам света и о соответственно в некоторой степени оценить форму агломерации и её изменения с 1987 по 2000 год. Результаты исследования представлены на рисунке 2.
NW NNW N NNE
Рис. 2. Разбиение Шанхайской агломерации по радиусам и сторонам света в исследовании по городской застройке (красные ячейки) Li X., Zhang L., Liang C. [20]
Fig. 2. Partitioning of the Shanghai agglomeration by radii and cardinal directions in a study on urban development (red cells) Li X., Zhang L., Liang C. [20]
Авторы выделили в развитии Шанхая за 1987-2000 гг. три этапа. Начальная фаза урбанизации продолжалась с 1987 по 1990 гг. Рост снижается по мере удаления от границы города, исчерпывается ресурс внутреннего развития. Фаза быстрой урбанизации длилась с 1990 по 1995 гг. Ресурс внутренних районов исчерпан, урбанизация существенно продвинулась от первоначальных (1987 г.) границ города и значительно увеличились трансформируемые её площади. Фаза экстенсивной и диффузной урбанизации продолжалась с 1995 по 2000 гг. Урбанизация менее сконцентрирована на границах и затрагивает множество городов-спутников. Также можно отметить, что исследователи рассматривали особенности проявления десакоты (интенсивное сочетание сельскохозяйственной и несельскохозяйственной деятельности, переплетением городских и сельских поселений) в Шанхайской агломерации. Десакота в китайской агломерации связана с усиленным взаимодействием между крупномасштабной городской экспансией из центрального города (сверху-вниз) и сельской, пригородной урбанизацией (снизу-вверх). В результате различие в ланд-
шафтных моделях между городскими и сельскими районами стало размытым. Это разрастание городов, по-видимому, получило дальнейшее развитие в соответствии с преобладающей политикой городского планирования правительства Шанхая, которая была сосредоточена на переходе от разделения города и деревни к скоординированному развитию города и деревни путём устранения существующей двойной социально-экономической структуры города и деревни.
В целом обозначенные выше способы исследования обладают двумя преимуществами. Во-первых, игнорирование административных границ, по которым собирают данные органы статистики. Это порождает проблему модифицируемых площадных ареалов (Modifiable Areal Unit Problem), искажающих распределение явлений в пространстве, что показано на рисунке 3 [28].
Рис. 3. Пример ошибки модифицируемых площадных ареалов: сравнение способов отображения распределения случаев атипичной пневмонии (SARS): а) с помощью картограммы, б) с помощью карты плотности [28] Fig. 3. An example of the error of modified areal areas: Comparison of ways to display the distribution of cases of SARS (SARS): a) using a cartogram, b) using a density map [28]
Во-вторых, данные ДДЗЗ имеют относительно длинный временной ряд, что крайне актуально для той же российской муниципальной статистики, временной ряд которой по большинству показателей начинается с 2012 г.
Однако и эти работы обладают рядом недостатков. Наиболее существенным недостатком является то, что невозможно применить результаты этих исследований для других территорий в полной мере из-за методики, трудновоспроизводимой и разнящейся от исследователя к исследователю.
Данную проблему позволяют решать глобальные слои обработанных ДДЗЗ от различных исследовательских групп: WorldPOP, LandScan, GPW и особенно Global Human Settlement Layer (GHSL) от Еврокомиссии [11]. Под обработанными ДДЗЗ подразумеваются проекты в большинстве своём от космических агентств (Global Land Cover от Европейского Космического агентства, Global Urban Footprint от Германского космического агентства, Gridded Population of the World (GPW) от NASA) и международных организаций (WorldPop от Всемирного Банка, Global Human Settlement Layer (GHSL) Евросоюза) или совместно (Urban Change от Висконсин-ского университета совместно с World Pop, например) которые проводят высококачественную (в плане методики) классификацию ячеек космоснимков и соединяют их в единый слой, поверхность (GRID). Такие данные значительно доступнее для простого пользователя, т. к. покрывают в большинстве своём весь мир, имеют руководство пользователя, содержат данные не только о застройке, но и о численности населения (определяется разными моделями), есть возможность самостоятельно их настроить и конечно же иметь одинаковую методику исследования при анализе разных территорий, что позволит их сравнивать друг с другом.
Огромное количество проектов по обработанным ДДЗЗ порождает исследования, связанные с их сравнением друг с другом по таким направлениям, как точность оценки численности населения для произвольных территорий, используемая методология, пространственное разрешение. Наилучшие результаты в большинстве сравнений показывает проект Global Human Settlement Layer (GHSL) от Еврокомиссии [11].
GHSL является наиболее комплексным в плане итоговых данных (в то время как WorldPOP, LandScan, GPW являются только вариантами наиболее оптимального распределения населения по ячейкам пикселей земли). Он включает в себя не только определение ячеек сетки с непрерывной городской застройкой и распределение по ней населения (такого уровня обработки данных также достиг проект «Demographia» от «urban reform institute», предоставляющий данные по численности населения и площади urban area различных городов в мире [29], но и типологизацию данных ячеек по типу населённых пунктов — GHSL Settlement Model (GHSL SMOD), которая представлена на рисунке 4 [11, с. 17].
Типологизация ячеек опирается на три фактора: численность населения, плотность застройки и соседство с другими ячейками. На основе этого выделяется семь типов ячеек по типу расселения (условно от крупного города (сити) до малозаселённой сельской местности, деревни). Такие данные позволяют в рамках проекта создавать мировую базу данных городских центров (Urban Core Database (UCDB), сравнимых между собой (из-за единого подхода к выделению и расчёту их характеристик) [14], провести делимитацию городских агломераций по всему миру (GHS-FUA) [24] и проводить типологизацию по форме расселения уже не ячеек, а территориальных единиц (Units classification layer) [11, с. 20]. В базе UCDB имеются данные по ряду
индикаторов устойчивого развития, в том числе и индикатор 11.3.1, позволяющий оценивать снижение или рост эффективности землепользования городов [22]. Также проект GHSL позволяет делать оценки и прогнозы развития урбанизации в глобальном и национальном масштабе [21]. Например, к основным выводам исследования о новых перспективах урбанизации [12] можно отнести установление факта наибольшего развития (по динамике численности населения) наиболее крупных агломераций (свыше 1 млн чел.), стремительного роста малых (до 500 тыс. чел.) и средних (до 1000 тыс. чел.) агломераций в развивающихся странах, а также важной корреляции, между развитостью городской системы (в данном случае слабость разрывов в ВВП на душу населения между городами по индексу Джини) и уровнем развития страны — с ростом ВВП на душу населения в развивающихся странах сначала сильно вперёд по численности населения и ВВП на душу населения вырываются несколько главнейших агломераций и высоко неравенство, но в дальнейшем в развитых странах уже этот разрыв между передовыми агломерациями и остальными снижается.
Population size thresholds of the duster of cells (settlement size) No population size criterion
>= 50,000 5,000 - 49,999 500 - 4,999 (not 3 settlement)
JÙ а "р >= 1500 Urban centre Dense urban cluster
о ^ Ф Д CL с У> 5 Ü -о 5 с *s >= 300 Semi-dense urban cluster* Rural cluster Suburban or perl-urban grid ceils
50 Low density rural grid
a _Q V* л rtj jz cells
3 В Cl О <50 Very low density rural
CL grid cells
* Semi-dense urban clusters can have a population of more than 49,999
Рис. 4. Типология ячеек набора данных GHS-SMOD в зависимости от численности
населения и соседних ячеек [11]
Fig. 4. Cell typology of the GHS-SMOD dataset depending on population and neighbouring cells [11]
Ещё одним крупным направлением использования проекта GHSL является универсальное определение видов населённых пунктов, игнорирующее особенности административно территориального учёта [10]. Именно данные GHSL ООН использовал для рекомендаций по делимитированию населённых пунктов и их определениям. Данная типология представлена на рисунке 5.
Практическое применение данных проекта GHSL в большей степени касается вопросов Disaster Risk Management и мониторинга достижений целей устойчивого развития [11].
Рис. 5. Переход от ячеек GHS-SMOD к типологии административных единиц, в соответствии с рекомендациями ООН [10]
Fig. 5. Transition from GHS-SMOD cells to a typology of administrative units, in accordance with
the UN recommendations [10]
Данные проекта GHSL также используются и не представителями ОЭСР. Например, они закладываются в основу экономического навигатора по метрополитен-ским ареалам от Гарвардского университета: экономические данные из UCDB были экстраполированы на функциональные урбанизированные ареалы GHS-FUA (агломерации) и дополнительно было произведено разбиение экономики агломераций на сектора [23]. Однако вопрос качества этих данных стоит достаточно остро. Данные о том же ВВП всё так же зависят от модифицируемых площадных ареалов: где-то они имеются даже для муниципалитетов (или полигоны GADM-3, используемые в качестве базовых в GHSL [11]), а в части стран ВВП оценивается экспертно. Можно в целом выстроить ряд объективности имеющихся данных в проекте GHSL: городская застройка — плотность населения — тип населённого пункта — социально-экономические показатели. Однако те же экологические показатели в UCDB (например, плотность зелёных насаждений) не зависят от статистических служб [11] и поэтому при экологических исследованиях городов могут считаться столь-же объективными, что и городская застройка.
Из не представителей ОЭСР, использующих данные GHSL, также можно отметить украинских исследователей из Киевского политехнического университета. В своих работах они активно сравнивают данные GHSL с имеющимися данными статистики о численности населения [30] и собственной обработкой данных космосним-
ков [17]. Основным выводом в их работах можно считать то, что данные GHSL имеют высокую точность на уровне страны, региона, крупнейших городов при оценке численности населения или показателей индикаторов устойчивого развития (11.3.1). Это связано как с пространственным разрешением (у используемых в проекте снимков Landsat — 30 м), так и качеством данных [11]. Не для каждой страны разработчикам набора данных удаётся найти данные о численности населения по муниципалитетам, в т. ч. и по Украине. С одной стороны, это является основанием для использования в крупномасштабных исследованиях, самостоятельно обработанных ДДЗЗ (например, украинские исследователи советуют использовать Sentinel 1 и 2 с разрешением 10 м [17]). С другой стороны, проект GHSL позволяет использовать собственные данные о численности населения и административных границах [11], тем самым улучшая их. Данный аспект как раз приближает набор GHSL по информативности к самостоятельно обработанным ДДЗЗ.
Возможности для дальнейшего развития у проекта GHSL имеются, о чём свидетельствуют ежегодно выпускаемые Atlas of the Human Planet с 2016 г., а также обновление и добавление новых наборов данных. Простота в использовании и наличие таких слоёв, как GHS-POP и GHS-SMOD, позволяет их использовать и в изучении конкретных агломераций, как в первом направлении исследований. Но всё же основной сферой применения, для которых данные проекта GHSL, да и в целом его аналоги, прежде всего, универсальные сравнения территорий между собой. При этом масштабность этих сравнений страдает.
Выводы. Данные дистанционного зондирования Земли (ДДЗЗ)активно используются при изучении развития городов в зарубежных исследованиях. Пласт работ по данной тематике за рубежом обширнее, чем в России, и практически ДДЗЗ не применяются отечественными географами-обществоведами.
Исследования по использованию ДДЗЗ при анализе городов можно подразделить на два вида: работы, опирающиеся на собственную классификацию ячеек снимков и работы, примняющие готовые, обработанные и соединённые в единый слой для всего мира.
Общими преимуществами таких исследований является игнорирование административных границ и длинный временной ряд. Различия заключаются в глубине получаемой информации: самостоятельно обработанные ДДЗЗ относятся к конкретному региону, что позволяет, например, учесть региональную специфику и сделать менее универсальные, но более качественные данные. Ярким примером преимущества такого подхода является классификация космоснимка не по земному покрытию (land cover), а по землепользованию (land use).
Однако самостоятельная классификация доступна не для всех пользователей, т. к. нужно проводить комплекс мероприятий по работе со снимками: обработка ДДЗЗ (атмосферная, радиометрическая и другие коррекции, подбор необходимых дат, классификация), которые затруднительны для обычного пользователя. В обработанных наборах ДДЗЗ эти вопросы решены профессионалами универсально, хоть и в ущерб информативности. Наибольшим качеством среди проектов, обработанных ДДЗЗ выделяется GSHL от Еврокомиссии. В данных проекта GHSL построена целая иерархия данных по информативности: городская застройка — плотность населения — тип населённого пункта — социально-экономические показатели. Однако качество данных в этой иерархии снижается от застройки к социально-экономическим
показателям. Данную проблему пользователь может снизить за счёт возможности редактирования данных.
Обозначенные различия обуславливают преимущественную направленность первого вида исследований на конкретные территории (города, регионы), а второго — на страны и мир в целом (в контексте сравнения). В целом данные обработанных ДДЗЗ пригодны для крупномасштабных исследований, особенно если их самостоятельно доработать.
Литература
1. Браде И., Махрова А. Г., Нефдова Т. Г., Трейвиш А. И. Особенности субурбанизации в Московской агломерации в постсоветский период // Известия РАН. Серия географическая. 2015. №. 2. С. 19-29.
2. Бабкин Р. А. Опыт использования данных операторов сотовой связи в зарубежных экономико-географических исследованиях // Вестник Санкт-Петербургского университета. Науки о Земле. 2021. Т. 66. №. 3. С. 416-439. https://doi.org/10.21638/spbu07.2021.301.
3. Грищенко М. Ю., Сарычев Е. Ю., Варенцов М. И. Самсонов Т. Е. Опыт определения площади городской застройки по космическим снимкам для задач метеорологического моделирования (на примере Москвы) // ИнтерКарто. ИнтерГИС. 2020. Т. 26. №. 2. С. 298-312. https://doi.org/10.35595/2414-9179-2020-2-26-298-312
4. Дохов Р. А., Синицын Н. А. Спрол в России: рост и структурная трансформация пригородов Белгорода // Известия РАН. Серия географическая. 2020. Т. 84. №. 2. С. 191-206. https://doi.org/10.31857/ S2587556620020053
5. Зубаревич Н. В. Стратегия пространственного развития: приоритеты и инструменты // Вопросы экономики, 2019. №. 1. С. 135-145. https://doi.org/10.32609/0042-8736-2019-1-135-145
6. Косарева Н. Б., Полиди Т. Д., Пузанов А. С. Экономическая урбанизация, Москва: Фонд «Институт экономики города, 2018. 418 с.
7. Махрова А. Г., Медведев А. А., Нефедова Т. Г. Садово-дачные поселки горожан в системе сельского расселения // Вестник Московского университета. Серия 5. География. 2016. №. 2. С. 64-74.
8. Медведев А. А., Гунько М. С. Выявление признаков наличного населения по материалам дистанционного зондирования // Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2016. №. 6. С. 85-91.
9. Садов А. В., Зеленков В. В. Аэрокосмический мониторинг городов и городских агломераций // Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2012. №. 6. С. 48-53.
10. A recommendation on the method to delineate cities, urban and rural areas for international statistical comparisons, New York: UN-Habitat, 2020. 33 p.
11. Atlas of the Human Planet 2020, Open geoinformation for research, policy, and action, Luxembourg: European Commission, 2020. 139 p.
12. Cities in the World: A New Perspective on Urbanisation. Paris: OECD Urban Studies, 2020. 171 p.
13. East Asia's Changing Urban Landscape: Measuring a Decade of Spatial Growth. [Электронный ресурс]: URL: https://iopscience.iop.org/article/10.1088/1748-9326/10/3/034002 (дата обращения: 28.06.2022).
14. Florczyk A. J. et al. Description of the GHS urban centre database 2015. Luxemburg: Public Release, 2019. 90 p.
15. Fujita M., Ogawa H. Multiple equilibria and structural transition of non-monocentric urban configurations // Regional Science and Urban Economics. 1982. Vol. 12. No. 2. P. 161-196.
16. GeyerH. S., Kontuly T. A theoretical foundation for the concept of differential urbanization // International Regional Science Review. 1993. Vol. 15. No. 2. P. 157-177.
17. Kussul N. et al. SDG indicator 11.3. 1 within horizon-2020 smurbs // Space research in Ukraine. 2018-2020 / Ed. O. Fedorov. Kyiv: Akadem periodyka, 2021. P. 91-95.
18. Li C., Li J., Wu J. What drives urban growth in China? A multi-scale comparative analysis // Applied geography. 2018. Vol. 98. P. 43-51.
19. Li J. et al. Spatiotemporal pattern of urbanization in Shanghai, China between 1989 and 2005 // Landscape ecology. 2013. Vol. 28. No. 8. P. 1545-1565.
20. Li X., Zhang L., Liang C. A GIS-based buffer gradient analysis on spatiotemporal dynamics of urban expansion in Shanghai and its major satellite cities // Procedia Environmental Sciences. 2010. Vol. 2. P. 1139-1156.
21. MelchiorriM. et al. Unveiling 25 years of planetary urbanization with remote sensing: Perspectives from the global human settlement layer // Remote Sensing. 2018. Vol. 10. No. 5. P. 768-775.
22. Melchiorri M et al. Principles and Applications of the Global Human Settlement Layer as Baseline for the Land Use Efficiency Indicator SDG 11.3.1. // ISPRS International Journal of Geo-Information, 2019. Vol. 8. No. 96.
23. Metroverse — The Growth Lab's Urban Economy Navigator. [Электронный ресурс]: URL: metroverse. cid.harvard.edu/ (дата обращения: 24.07.2022).
24. Moreno-MonroyA. I., SchiavinaM., VeneriP. Metropolitan areas in the world. Delineation and population trends //Journal of Urban Economics. 2020. 22 p.
25. Nieves J. J. et al. Predicting near-future built-settlement expansion using relative changes in small area populations // Remote Sensing. 2020. Vol. 12. No. 10. P. 1545-1555.
26. Parilla J. et al. Global metro monitor 2014, Washington, DC: Brookings Institution, 2015. 44 p.
27. Perez J., Fusco G., Moriconi-Ebrard F. Identification and quantification of urban space in India: Defining urban macro-structures // Urban Studies. 2019. Vol. 56. No. 10. P. 1988-2004.
28. Science Direct: Modifiable Areal Unit Problem. [Электронный ресурс]: URL: www.sciencedirect.com/ topics/earth-and-planetary-sciences/modifiable-areal-unit-problem (дата обращения 24.07.2022).
29. Shivaji S. Demographia World Urban Areas-Built Up Urban Areas or World Agglomerations. Paris: De-mographia World Urban Areas, 2020. 94 p.
30. Validation of the Global Human Settlement Layer and NASA Population Data for Ukraine // 2021 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS). IEEE, 2021. Vol. 1. P. 288-291.
31. Wang J., Maduako I. N. Spatio-temporal urban growth dynamics of Lagos Metropolitan Region of Nigeria based on Hybrid methods for LULC modeling and prediction // European Journal of Remote Sensing. 2018. Vol. 51. No. 1. P. 251-265.
32. Wang L., Zhao P. From dispersed to clustered: New trend of spatial restructuring in China's metropolitan region of Yangtze River Delta // Habitat International. 2018. Vol. 80. P. 70-80.
References
1. Brade I., Makhrova A. G., Nefdova T. G., Treyvish A. I. (2015), Peculiarities of suburbanization in the Moscow agglomeration in the post-Soviet period, Izvestiya RAN. Seriya geograficheskaya, no. 2, pp. 19-29 (In Russ.).
2. Babkin R. A. (2021), The experience of using data of cellular operators in foreign economic and geographical studies, Vestnik Sankt-Peterburgskogo universiteta. Nauki o Zemle, vol. 66, no. 3, pp. 416-439 (In Russ.). https://doi.org/10.21638/spbu07.2021.301.
3. Grishchenko M. Yu., Sarychev E. Yu., Varentsov M. I. Samsonov T. E. (2020), Experience in determining the area of urban development from satellite images for meteorological modeling problems (on the example of Moscow), InterKarto. InterGIS, vol. 26, no. 2, pp. 298-312 (In Russ.). https://doi.org/10.35595/2414-9179-2020-2-26-298-312
4. Dokhov R. A., Sinitsyn N. A. (2020), Sprol in Russia: growth and structural transformation of Belgorod suburbs, Izvestiya RAN. Seriya geograficheskaya, vol. 84, no. 2, pp. 191-206 (In Russ.). https://doi. org/10.31857/S2587556620020053
5. Zubarevich N. V. (2019), Spatial development strategy: priorities and tools, Questions of Economics, no. 1, pp. 135-145 (In Russ.). https://doi.org/10.32609/0042-8736-2019-1-135-145
6. Kosareva N. B., Polidi T. D., Puzanov A. S. (2018), Economic urbanization, Moscow, Institute for Urban Economics, 418 p. (In Russ.).
7. Makhrova A. G., Medvedev A. A., Nefedova T. G. (2016), Sadovo-dacha settlements of townspeople in the system of rural settlement, VestnikMoskovskogo universiteta. Seriya 5. Geografiya, no. 2, pp. 64-74. (In Russ.).
8. Medvedev A. A., Gunko M. S. (2016), Identification of signs of the present population based on remote sensing materials, News of higher educational institutions. Geodesy and aerial photography , no. 6, pp. 85-91. (In Russ.).
9. Sadov A. V., Zelenkov V. V. (2012), Aerospace monitoring of cities and urban agglomerations, News of higher educational institutions. Geodesy and aerial photography, no. 6, pp. 48-53. (In Russ.).
10. A recommendation on the method to delineate cities, urban and rural areas for international statistical comparisons (2020), New York, UN-Habitat, 33 p.
11. Atlas of the Human Planet 2020, Open geoinformation for research, policy, and action (2020), Luxembourg, European Commission, 139 p.
12. Cities in the World: A New Perspective on Urbanisation (2020), Paris, OECD Urban Studies, 171 p.
13. East Asia's Changing Urban Landscape: Measuring a Decade of Spatial Growth. URL: https://iopscience. iop.org/article/10.1088/1748-9326/10/3/034002 (accessed 24.07.2022).
14. Florczyk A. J. et al. (2019), Description of the GHS urban centre database 2015, Luxemburg, Public Release, 90 p.
15. Fujita M., Ogawa H. (1982), Multiple equilibria and structural transition of non-monocentric urban configurations, Regional Science and Urban Economics, vol. 12, no. 2, pp. 161-196.
16. Geyer H. S., Kontuly T. (1993), A theoretical foundation for the concept of differential urbanization, International Regional Science Review, vol. 15, no. 2, pp. 157-177.
17. Kussul N. et al. (2021), SDG indicator 11.3. 1 within horizon-2020 smurbs, Space research in Ukraine. 2018-2020, O. Fedorov (ed.), Kyiv, Akadem periodyka, pp. 91-95.
18. Li C., Li J., Wu J. (2018), What drives urban growth in China? A multi-scale comparative analysis,Applied geography, vol. 98, pp. 43-51.
19. Li J. et al. (2013), Spatiotemporal pattern of urbanization in Shanghai, China between 1989 and 2005, Landscape ecology, vol. 28, no. 8, pp. 1545-1565.
20. Li X., Zhang L., Liang C. (2010), A GIS-based buffer gradient analysis on spatiotemporal dynamics of urban expansion in Shanghai and its major satellite cities, Procedia Environmental Sciences, vol. 2, pp. 1139-1156.
21. Melchiorri M. et al. (2018), Unveiling 25 years of planetary urbanization with remote sensing: Perspectives from the global human settlement layer, Remote Sensing, vol. 10, no. 5, pp. 768-775.
22. Melchiorri M et al. (2019), Principles and Applications of the Global Human Settlement Layer as Baseline for the Land Use Efficiency Indicator SDG 11.3.1, ISPRS International Journal of Geo-Information, vol. 8, no. 96.
23. Metroverse — The Growth Lab's Urban Economy Navigator. URL: metroverse.cid.harvard.edu/ (accessed 24.07.2022).
24. Moreno-Monroy A. I., Schiavina M., Veneri P. (2020), Metropolitan areas in the world. Delineation and population trends, Journal of Urban Economics, 22 p.
25. Nieves J. J. et al. (2020), Predicting near-future built-settlement expansion using relative changes in small area populations, Remote Sensing, vol. 12, no. 10, pp. 1545-1555.
26. Parilla J. et al. (2015), Global metro monitor 2014, Washington, DC, Brookings Institution, 44 p.
27. Perez J., Fusco G., Moriconi-Ebrard F. (2019), Identification and quantification of urban space in India: Defining urban macro-structures, Urban Studies, vol. 56, no. 10, pp. 1988-2004.
28. Science Direct: Modifiable Areal Unit Problem. URL: www.sciencedirect.com/topics/earth-and-plane-tary-sciences/modifiable-areal-unit-problem (accessed 24.07.2022).
29. Shivaji S. (2020), Demographia World Urban Areas-Built Up Urban Areas or World Agglomerations, Paris, Demographia World Urban Areas, 94 p.
30. Validation of the Global Human Settlement Layer and NASA Population Data for Ukraine (2021), 2021 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS). IEEE, vol. 1, pp. 288-291.
31. Wang J., Maduako I. N. (2018), Spatio-temporal urban growth dynamics of Lagos Metropolitan Region of Nigeria based on Hybrid methods for LULC modeling and prediction, European Journal of Remote Sensing, vol. 51, no. 1, pp. 251-265.
32. Wang L., Zhao P. (2018), From dispersed to clustered: New trend of spatial restructuring in China's metropolitan region of Yangtze River Delta, Habitat International, vol. 80, pp. 70-80.
Псковский регионологический журнал. Том 18. № 3 / 2022 Сведения об авторах
Лачининский Станислав Сергеевич — кандидат географических наук, доцент кафедры экономической и социальной географии, Санкт-Петербургский государственный университет; старший научный сотрудник Института проблем региональной экономики РАН, г. Санкт-Петербург, Россия. E-mail: lachininsky@gmail.com ORCID: 0000-0002-0885-6992 Scopus Author ID: 55782922700 Web of Science ResearcherlD: J-5881-2012
Логвинов Илья Александрович — бакалавр географии, Санкт-Петербургский государственный университет, г. Санкт-Петербург, Россия. E-mail: ilia.logwinov@yandex.ru ORCID: 0000-0002-8637-5801
About the authors
Dr Stanislav Lachininsky, Associate Professor of the Department of Economic and Social Geography, St. Petersburg State University; Senior Researcher of Institute for Problems of Regional Economics RAS, St. Petersburg, Russia. E-mail: lachininsky@gmail.com ORCID: 0000-0002-0885-6992 Scopus Author ID: 55782922700 Web of Science ResearcherID: J-5881-2012
Ilya Logvinov, Bachelor of Geography, St. Petersburg State University, St. Petersburg, Russia.
E-mail: ilia.logwinov@yandex.ru ORCID: 0000-0002-8637-5801
Поступила в редакцию 24.07.2022 г. Поступила после доработки 02.09.2022 г. Статья принята к публикации 09.09.2022 г.
Received 24.07.2022.
Received in revised form 02.09.2022.
Accepted 09.09.2022.
