Создание набора данных для исследования пространственно-временной динамики жилищного строительства на основе данных ГИС ЖКХ и дистанционного зондирования: принципы, инструменты, результаты

DOI: 10.35595/2414-9179-2024-2-30-498-515

Посмотреть или загрузить статью (Rus)

Об авторах

И.А. Логвинов

Санкт-Петербургский государственный университет, Институт наук о Земле,
Университетская набережная, д. 7/9, Санкт-Петербург, Россия, 199034,
E-mail: ilia.logwinov@yandex.ru

С.С. Лачининский

Санкт-Петербургский государственный университет, Институт наук о Земле,
Университетская набережная, д. 7/9, Санкт-Петербург, Россия, 199034,
E-mail: lachininsky@gmail.com

Т.Р. Нуреев

Санкт-Петербургский государственный университет, Институт наук о Земле,
Университетская набережная, д. 7/9, Санкт-Петербург, Россия, 199034,
E-mail: t.r.nureev@yandex.ru

Аннотация

Исследование проведено в целях описания методики создания набора данных о жилых домах на основе данных ГИС.ЖКХ и анализа полученного набора данных. В данном исследовании представлена методика создания набора данных о жилых домах на основе информации из Государственной информационной системы жилищно-коммунального хозяйства (ГИС.ЖКХ). Основными исходными данными стали реестр объектов жилого фонда ГИС.ЖКХ и данные о городской застройке (built-up) от лаборатории кафедры географических наук университета Мэриленда, проекта Global Land Analysis and Discovery (GLAD). Для получения данных использованы методы автоматизированного сбора информации Интернет-сайтов (web scrapping). Полученный набор данных является более точным и имеет больше сведений о зданиях по сравнению с аналогами. Проведена классификация жилой застройки многоквартирных домов и индивидуальной жилой застройки, в результате чего получены кластеры уплотнения жилой застройки и кластеры нового освоения территории. Несмотря на свою эффективность, разработанная методика имеет ограничения, такие как неточности исходных данных и возможные ограничения доступа к информации из ГИС.ЖКХ в будущем. Однако она представляет собой важный шаг к улучшению методов анализа жилой застройки городов и может служить основой для дальнейших исследований в этой области. Разработанная методика позволяет создать воспроизводимые результаты и применима не только для Санкт-Петербургской агломерации, но и для других территорий России. Освещаемые в работе алгоритмы получения и обработки данных городской застройки могут быть использованы исследователями городской среды, местными органами власти, организациями в сфере территориального планирования и градостроительства.

Ключ. слова

городская агломерация, жилищное строительство, ГИС, данные ГИС.ЖКХ, данные Global Land Analysis and Discovery

Список литературы

  1. Бабкин Р.А. Оценка численности населения муниципальных образований Московского столичного региона по данным операторов сотовой связи. Вестник Московского университета. Серия 5. География, 2020. № 4. С. 116–121.
  2. Барышкин П.А., Алексеенко Н.А. Изучение структуры жилищного фонда шахтерских моногородов с помощью картографического метода (на примере городов Кимовск и Кировск). ББК 26.1 Н34, 2022. С. 3–12. DOI: 10.31453/kdu.ru.978-5-7913-1262-4-2022-148.
  3. Головин А.В., Гудзь Т.В., Витков Г.В., Карасельникова И.В., Косолапов Н.А. Планирование разрастания. Пространственная политика городов России. М.: Издательский дом ВШЭ, 2021. 248 с. DOI: 10.17323/978-5-7598-2578-4.
  4. Куричева Е.К. Жилищное строительство в Московской агломерации: пространственные последствия. Вестник Московского университета. Серия 5. География, 2017. № 3. С. 87–90.
  5. Лачининский С.С., Логвинов И.А., Васильева В.А. Оценка спрола городских территорий Санкт-Петербурга на основе спутниковых изображений Landsat. Вестник Санкт-Петербургского университета. Науки о Земле, 2023 Т. 68. № 3. С. 471–489. DOI: 10.21638/spbu07.2023.303.
  6. Лачининский С.С., Сорокин И.С. Пространственная структура и особенности развития поселений Санкт-Петербургской агломерации. Балтийский регион, 2021. Т. 13. № 1. С. 48–69. DOI: 10.5922/2079-8555-2021-1-3.
  7. Логвинов И.А. Крупномасштабное моделирование расселения населения Комсомольска-на-Амуре по данным реестра объектов жилищного фонда. Вторая международная научно-практическая конференция Студенческого научного общества Санкт-Петербургского государственного университета: сборник статей. СПб: Издательство Скифия, СПбГУ, 2024. С. 184–191.
  8. Логвинов И.А., Лачининский С.С. Возможность применения данных по многоквартирным домам фонда развития территорий при исследовании городских агломераций. ИнтерКарто. ИнтерГИС. Материалы Междунар. конф., 2023. Т. 29. Ч. 2. С. 407–422 DOI: 10.35595/2414-9179-2023-2-29-407-422.
  9. Лымарь В.В., Карпов А.С., Краснова О.А. Применение параметрических методов для картирования морфологии городской застройки на примере Василеостровского района Санкт-Петербурга. Урбанистика, 2021. № 1. С. 34–55. DOI: 10.7256/2310-8673.2021.1.35029.
  10. Маркова О.И., Тикунов В.С. Новые технологии для современной геоинформатики. ИнтерКарто. ИнтерГИС. Материалы Междунар. конф., 2022. Т. 28. Ч. 1. С. 5–34. DOI: 10.35595/2414-9179-2022-1-28-5-34.
  11. Обухов Л.А., Паниди Е.А. О контроле корректности при геокодировании почтовых адресов. ИнтерКарто. ИнтерГИС. Материалы Междунар. конф., 2021. Т. 27. Ч. 2. С. 114–127. DOI: 10.35595/2414-9179-2021-2-27-114-127.
  12. Панин А.Н., Эшроков В.М., Махмудов Р.К., Верозуб Н.В. Геоинформационный анализ пространственной структуры Ставропольской агломерации. ИнтерКарто. ИнтерГИС. Материалы Междунар. конф., 2021. Т. 27. Ч. 4. С. 373–387. DOI: 10.35595/2414-9179-2021-4-27-373-387.
  13. Страхов К.А., Невский Г.П. Оценка обособленности и целостности внутригородских районов (на примере Санкт-Петербурга). Известия Российской академии наук. Серия географическая, 2023. Т. 87. No. 2. С. 219–233. DOI: 10.31857/S2587556623020097.
  14. Страхов К.А. Сталинский джерримендеринг: как Ленинград разделили на районы в 1936 году. Городские исследования и практики, 2022. Т. 7. № 2. С. 35–60.
  15. Chen W., Zhou Y., Stokes E.C., Zhang X. Large-scale urban building function mapping by integrating multi-source web-based geospatial data. Geo-spatial Information Science, 2023. P. 1–15. DOI: 10.1080/10095020.2023.2264342.
  16. Chen Y., Ma R., Fang D., Li X. Development of city buildings dataset for urban building energy modelling. Energy and Buildings. 2019. V. 183. P. 252–265. DOI: 10.1016/j.enbuild.2018.11.008.
  17. Conzen M.R.G. Thinking about urban form: papers on urban morphology, 1932–1998. Peter Lang, 2004. P. 29–32.
  18. Dogucu M., Çetinkaya-Rundel M. Web scraping in the statistics and data science curriculum: Challenges and opportunities. Journal of Statistics and Data Science Education, 2021. V. 29. P. 112–122. DOI: 10.1080/10691898.2020.1787116.
  19. Hadi M.A., Fard F.H., Vrbik I. Geo-spatial data visualization and critical metrics predictions for Canadian elections. IEEE Canadian Conference on Electrical and Computer Engineering, 2020. P. 1–7. DOI: 10.48550/arXiv.2009.05936.
  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. V. 2. P. 1139–1156. DOI: 10.1016/j.proenv.2010.10.123.
  21. Melchiorri M., Florczyk A.J., Freire S., Schiavina M., Pesaresi M., Kemper T. Unveiling 25 years of planetary urbanization with remote sensing: Perspectives from the global human settlement layer. Remote Sensing, 2018. V. 10. No. 5. DOI: 10.3390/rs10050768.
  22. Pirowski T., Bartoš K. Detailed mapping of the distribution of a city population based on information from the national database on buildings. Geodetski Vestnik, 2018. V. 62. No. 3. P. 458−471. DOI: 10.15292/GEODETSKI-VESTNIK.2018.03.458-471.
  23. Potapov P., Hansen M.C., Pickens A., Hernandez-Serna A., Tyukavina A., Turubanova S., Zalles V., Li X., Khan A., Stolle F., Harris N., Song X., Baggett A., Kommareddy I., Kommareddy A. The global 2000–2020 land cover and land use change dataset derived from the Landsat archive: first results. Frontiers in Remote Sensing, 2022. V. 3. DOI: 10.3389/frsen.2022.856903.
  24. Schiavina M., Melchiorri M., Pesaresi M., Politis P., Freire S., Maffenini L., Florio P., Ehrlich D., Goch K., Tommasi P. Kemper T. GHSL Data Package 2022, Publications Office of the European Union, 2022. DOI: 10.2760/19817.
  25. Souza T.G.D., Fonseca F.D., Fernandes V.D.O., Pedrassoli J.C. Exploratory spatial analysis of housing prices obtained from web scraping technique. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2021. V. 43. P. 135–140. DOI: 10.5194/isprs-archives-XLIII-B4-2021-135-2021.
  26. Zdonek D. Web data scraping for digital public relations analysis based on the example of companies installing photovoltaic systems. Zeszyty Naukowe. Organizacja i Zarządzanie. Politechnika Śląska. 2022. DOI: 10.29119/1641-3466.2022.161.24.

Для цитирования: Логвинов И.А., Лачининский С.С., Нуреев Т.Р. Создание набора данных для исследования пространственно-временной динамики жилищного строительства на основе данных ГИС ЖКХ и дистанционного зондирования: принципы, инструменты, результаты. ИнтерКарто. ИнтерГИС. Геоинформационное обеспечение устойчивого развития территорий: Материалы Междунар. конф. M: Географический факультет МГУ, 2024. Т. 30. Ч. 2. С. 498–515 DOI: 10.35595/2414-9179-2024-2-30-498-515

For citation: Logvinov I.A., Lachininskii S.S., Nureev T.R. Creation of a dataset for the study of spatial and temporal dynamics of housing construction based on state information system of housing and communal services data and remote sensing data: principles, tools, results. InterCarto. InterGIS. GI support of sustainable development of territories: Proceedings of the International conference. Moscow: MSU, Faculty of Geography, 2024. V. 30. Part 2. P. 498–515. DOI: 10.35595/2414-9179-2024-2-30-498-515 (in Russian)