Опыт комплексной типологии горных регионов России на основе разнородных параметров с использованием кластерного анализа

DOI: 10.35595/2414-9179-2025-1-31-445-462

Посмотреть или загрузить статью (Rus)

Об авторах

Е.Ю. Колбовский

Московский государственный университет имени М.В. Ломоносова,
Ленинские горы, д. 1, Москва, Россия, 119991,
E-mail: kolbowsky@mail.ru

В.А. Дмитриев

Московский государственный университет имени М.В. Ломоносова,
Ленинские горы, д. 1, Москва, Россия, 119991,
E-mail: dmitrieff200@yandex.ru

Аннотация

Необходимость учета «горности» территорий в законодательном поле и нормативной практике Российской Федерации делают актуальными проблемы: делимитации гор как геоморфологического объекта — с одной стороны, и выявление их специфики как ареалов освоения — с другой. В данном исследовании предпринята попытка отобразить часть опыта использования глобальных и отраслевых данных для определения объективной доли горных территорий единиц административно-территориального деления РФ и последующего разделения горных регионов по трем группам параметров: геоморфологическим (типология рельефа), геоэкологическим (почвенный покров, характер землепользования) и социально-экономическим (занятость, валовый региональный продукт, инфраструктура) с целью их классификации на основе кластерного анализа. Одна из методологических проблем, которую необходимо решить при типологической классификации объектов на основе набора разнородных признаков — это определение числа классов, или кластеров (в терминологии кластерного анализа). В работе апробированы наиболее популярные методы оценки числа кластеров, обычно используемые при кластеризации объектов методом k-средних: графики «локтя» и силуэта, а также псевдо-F-статистика. В рамках примера была выявлена иерархическая дифференциация горных территорий Российской Федерации: 3 макрокластера и 13 кластеров, отражающих специализированные региональные профили. Комплексные результаты позволили выделить 4 ключевых типа горных регионов: промышленные центры, аграрно-туристические регионы, отдаленные территории с малочисленным населением и рекреационный кластер Крыма. В процессе работы были выявлены преимущества и ограничения каждого из этих методов, а также подтверждена эффективность их совместного использования при условии участия эксперта.

Ключ. слова

типология горных территорий, кластеризация методом K-средних, пространственный анализ, оптимальное число кластеров, социально-экономические показатели, горные регионы РФ

Список литературы

  1. Бадарчи Х.Б., Севек В.К. Анализ приграничных регионов Сибирского федерального округа России по уровню социально-экономического развития (на примере Республики Тыва). Аграрный вестник Урала, 2019. № 4 (183). С. 70–85. DOI: 10.32417/article_5cfa02c988b181.53566797.
  2. Боженко В., Клюканов В.К. Применение алгоритмов машинного обучения в задачах классификации и кластеризации. Обработка, передача и защита информации в компьютерных системах 22. Сборник докладов Второй Международной научной конференции, Санкт-Петербург, 11–15 апреля 2022 г. Санкт-Петербург: Санкт-Петербургский государственный университет аэрокосмического приборостроения, 2022. С. 28–33.
  3. Ганешин Г.С. Геоморфологическая карта СССР масштаба 1:1 000 000 и некоторые вопросы крупномасштабной геоморфологической съемки. Геоморфология и палеогеография, 1970. № 1. С. 53–60.
  4. Гельруд Я.Д., Угрюмов Е. А. Анализ конкурентной среды и социально-экономических показателей промышленного производства Челябинской области. Вестник ЮУрГУ. Серия «Экономика и менеджмент», 2019. Т. 13. № 1. С. 5–13. DOI: 10.14529/em190101.
  5. Джиоев А.В. Социально-демографические аспекты динамики рынка труда регионов Северо-Кавказского федерального округа. Вестник Северо-Осетинского государственного университета имени К.Л. Хетагурова, 2019. № 2. С. 112–121. DOI: 10.29025/1994-7720-2019-2-112-121.
  6. Колбовский Е.Ю. Пространственный анализ в геоэкологии. М.: МГУ, 2022. 820 с.
  7. Копытов А.И. Оптимизация стратегии развития угольной отрасли — гарантия эффективности, безопасности и стабильности промышленного потенциала экономики Кузбасса. Вестник КузГТУ, 2018. № 2 (126). С. 5–11. DOI: 10.26730/1999-4125-2018-2-5-11.
  8. Корячко В.П., Орешков В.И. Выбор числа кластеров в задачах кластеризации с использованием метода силуэтов. BIG DATA и анализ высокого уровня. Сборник научных статей IX Международной научно-практической конференции, Минск, 17–18 мая 2023 г. В 2 ч. Ч. 1. Минск: Белорусский государственный университет информатики и радиоэлектроники, 2023. С. 333–340.
  9. Ландшафтная карта СССР, масштаб 1:4 000 000. Л.: Ленинградский государственный университет, 1988. 1 л.
  10. Лехтянская Л.В., Римская Т.Г. Туризм — одно из приоритетных направлений экономического развития Дальнего Востока. Карельский научный журнал, 2019. Т. 8. № 2 (27). С. 126–130.
  11. Петрушина М.Н., Гуня А.Н., Колбовский Е.Ю., Пуреховский А.Ж. Динамика горных ландшафтов Северного Кавказа при современном изменении климата и усилении антропогенного воздействия. Известия РАН. Серия географическая, 2023. Т. 87. № 7. С. 1032–1049. DOI: 10.31857/S2587556623070130.
  12. Самойлова Г., Авессаломова И. Горные регионы России: морфометрический анализ и ландшафтное разнообразие. Вопросы географии, 2014. № 137. С. 39–62.
  13. Селуков Д.А., Шилов В.С. Нахождение оптимального числа кластеров «Методом локтя». Инновационные технологии: теория, инструменты, практика, 2016. Т. 1. С. 107–111.
  14. Arthur D., Vassilvitskii S. How Slow is the K-Means Method? Proceedings of the 2006 Symposium on Computational Geometry, 2006. DOI: 10.1145/1137856.1137880.
  15. Buchhorn M., Smets B., Bertels L., De Roo B., Lesiv M., Tsendbazar N.-E., Herold M., Fritz S. Copernicus Global Land Service: Land Cover 100 m. Collection 3. Epoch 2019. Globe (V3.0.1). Zenodo, 2020. DOI: 10.5281/zenodo.3518038. Web resource: https://zenodo.org/records/3518038 (accessed 03.09.2025).
  16. Danielson J.J., Gesch D.B. Global Multi-Resolution Terrain Elevation Data 2010 (GMTED2010). USGS Numbered Series, 2011. 23 p. DOI: 10.3133/ofr20111073.
  17. Elvidge D., Baugh K., Zhizhin M., Hsu F.C., Ghosh T. VIIRS Night-Time Lights. International Journal of Remote Sensing, 2017. V. 38. Iss. 21. P. 5860–5879. DOI: 10.1080/01431161.2017.1342050.
  18. Hansen M.C., Potapov P.V., Moore R., Hancher M., Turubanova S.A., Tyukavina A., Thau D., Stehman S.V., Goetz S.J., Loveland T.R., Kommareddy A., Egorov A., Chini L., Justice C.O., Townshend J.R.G. High-Resolution Global Maps of 21st-Century Forest Cover Change. Science, 2013. V. 342. Iss. 6160. P. 850–853. DOI: 10.1126/science.1244693.
  19. Jiang B. Geospatial Analysis Requires a Different Way of Thinking: The Problem of Spatial Heterogeneity. GeoJournal, 2015. V. 80. P. 1–13. DOI: 10.1007/s10708-014-9537-y.
  20. Kapos V., Rhind J., Edwards M., Prince M., Ravilious C. Developing a Map of the World’s Mountain Forests. Rests in Sustainable Mountain Development, IUFRO Research Series, 2000. No. 5. P. 4–19. DOI: 10.1079/9780851994468.0004.
  21. Metzger M.J. The Global Environmental Stratification: A High-Resolution Bioclimate Map of the World. Edinburgh: The University of Edinburgh, 2018. DOI: 10.7488/ds/2354.
  22. Nune R., George B.A., Teluguntla P., Westernet A.W. Relating Trends in Streamflow to Anthropogenic Influences: A Case Study of Himayat Sagar Catchment, India. Water Resources Management, 2014. V. 28. P. 1579–1595. DOI: 10.1007/s11269-014-0567-5.
  23. Pantić M. Delineation of Mountains and Mountain Areas in Europe—A Planning Approach. Journal of the Geographical Institute Jovan Cvijic SASA, 2015. V. 65. Iss. 1. P. 43–58. DOI: 10.2298/IJGI1501043P.
  24. Sayre R., Frye C., Karagulle D., Krauer J. Breyer S., Aniello P., Wright D.J., Payne D., Adler C., Warner H., Van Sistine D.P., Cress J. A New High-Resolution Map of World Mountains and an Online Tool for Visualizing and Comparing Characterizations of Global Mountain Distributions. Mountain Research and Development, 2018. V. 38. Iss. 3. P. 240–249. DOI: 10.1659/MRD-JOURNAL-D-17-00107.1.

Для цитирования: Колбовский Е.Ю., Дмитриев В.А. Опыт комплексной типологии горных регионов России на основе разнородных параметров с использованием кластерного анализа. ИнтерКарто. ИнтерГИС. M.: Географический факультет МГУ, 2025. Т. 31. Ч. 1. С. 445–462. DOI: 10.35595/2414-9179-2025-1-31-445-462

For citation: Kolbovsky E.Yu., Dmitriev V.A. Experience of a comprehensive typology of mountainous regions in Russia based on heterogeneous parameters using cluster analysis. InterCarto. InterGIS. Moscow: MSU, Faculty of Geography, 2025. V. 31. Part 1. P. 445–462. DOI: 10.35595/2414-9179-2025-1-31-445-462 (in Russian)