GIS knowledge archive

👍ВОЗМОЖНОСТИ ГЕОАНАЛИТИКИ В REAL ESTATE ❤️Несколько дней работала над материалом, welcome to research! 1️⃣Скоринг площадок. Карта города из 780 гексагонов. Двигаешь веса и рейтинг пересчитывается. 2️⃣Типология районов. Кластеризация Уорда показывает, где рынок уже дорогой, а где ещё резерв. 3️⃣Цена метра. Таблица Bonus/Malus: из чего именно складываются ₽/м² по строчкам, с источником на каждую. 4️⃣Размещение бригад. p-median, p-center, MCLP - три постановки задачи дают три разных ответа на одной и той же карте. 5️⃣Как обучают модель. Живое доказательство утечки через географию: случайный сплит завышает точность в 7 раз. Внутри Spatial K-Fold и четыре нарезки фолдов. ❤️Планшет интерактивный там всё крутится, а не картинки: https://m-erts.github.io/geoanalytics-realestate/ ❤️Разбор с формулами и источниками в статье: https://teletype.in/@merc_telega/geoanalytics-realestate @urban_mash

Как создать портал данных о биоразнообразии, который может работать без бэкэнда, на любом хостинге Я опубликовал пошаговое руководство о создании тематического геопортала биоразнообразия из данных GBIF. В качестве примера — наблюдения птиц национального парка Фрушка-Гора в Сербии. Весь процесс построен на простом и переносимом подходе: • отфильтровать и скачать наблюдения из GBIF в формате Darwin Core Archive; • конвертировать архив с помощью dwca-cloud-geospatial; • настроить готовый просмотрщик через файл параметров; • при необходимости расширить приложение с AI coding agent; • опубликовать результат на любом статическом хостинге. Без базы данных, PostGIS, GeoServer, Docker и серверной части. В итоге получается самостоятельное веб-приложение: его можно запускать локально или разместить как небольшой тематический портал. Такой Serverless GIS подход особенно полезен для ООПТ, проектов мониторинга видов, полевых экспедиций, локальных коллекций и демонстрационных геопорталов. Подробная статья: https://gis-naturalist.blogspot.com/2026/08/how-to-create-serverless-biodiversity-data-portal.html Видео (на simple English): https://youtu.be/tZGF7ZwpjZk Конвертер: https://github.com/ABiatov/dwca-cloud-geospatial Если у вас будут пожелания/предложения по доработке конвертера, пишите мне. #GBIF #DWCA #CloudOptumized #FlatGeobuf #ServerlessGIS

Новый дайджест ГИС новостей за июль 2026 и начало августа. Там много интересного — последние публикации, интересные инновации, перечень прошедших мероприятий и многое другое. Там и автоматизация детектирования пожаров, и новый QGIS, и интересная статья про визуализацию в стиле старой китайской иллюстрации. Буду рада замечаниям, комментариям и любым советам. Ну и репостам, конечно. Спасибо! Ссылка на дайджест

.osm.pbf — отличный формат для хранения и довольно тяжелый для быстрой аналитики. Обычно его нельзя просто открыть и начать считать. Сначала нужно разобрать OSM-сущности, собрать геометрии, вытащить теги и превратить всё это во что-то пригодное для работы. Но связка: DuckDB + osmium + spatial + h3 сильно сокращает этот путь. INSTALL osmium FROM community; INSTALL spatial; INSTALL h3 FROM community; LOAD osmium; LOAD spatial; LOAD h3; После этого можно читать PBF напрямую и сразу агрегировать объекты по H3: SELECT h3_latlng_to_cell( ST_Y(geometry), ST_X(geometry), 9 ) AS h3, COUNT(*) AS cafes FROM 'region.osm.pbf' WHERE kind = 'node' AND tags['amenity'] = 'cafe' GROUP BY h3; Получается короткий пайплайн: PBF → SQL → геометрия → H3 → Parquet / GeoJSON / csv И все это без предварительной конвертации и длинного Python-пайплайна. Для быстрой разведки OSM это почти идеальный вариант: открыл тяжёлый PBF, вытащил нужные объекты, посчитал и пошёл дальше. Ловите ссылки: duckdb-osmium , Spatial , duckdb-H3 Плейлист Spatial Data Management with duckdb by Qiusheng Wu

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.

В Threads попалась шутка: где-то в Азии есть невидимая линия, после которой жареный рис становится пловом. В комментариях добавили вторую — там плов превращается в паэлью. Чтобы проверить, видны ли эти линии в данных, пришлось скачать 87 ГБ OpenStreetMap. В выборку попали названия 2,35 миллиона заведений. Земля вокруг каждого получила цвет блюда на вывеске. Так появились шесть карт: рис, пельмени, донер, шашлык, лапша и кухни мира. Казалось, границы пойдут по горам и рекам. Но перевалы и торговые пути пропускают через хребты и людей, и названия; море чаще оставляет более резкий разрыв. В целом карта повторяет язык и культуру: pierogi переходят в вареники, вареники — в пельмени. Но один шов всё-таки лёг рядом с горами: плов и бирьяни расходятся у Гиндукуша, примерно на 70° восточной долготы. Плов остаётся на нагорьях, бирьяни начинается на равнинах. Пожалуй, это самое красивое исключение на всей карте. Карта фиксирует только слова на вывесках, а не причины их распространения. Покрытие OpenStreetMap очень неровное — это тоже видно. В общем, невидимая линия из Threads нашлась. Поиграть с картой: https://isoplov.vova.today/ru/rice?ref=tg-ru Как я её делал: https://vova.today/ru/works/plofornot?ref=tg-ru

https://github.com/Qiskit/rustworkx heh

Нашёл хороший репозиторий-агрегатор LiDAR-Guide: инструменты, материалы, датасеты по LiDAR-обработке в одном месте 😎

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

Моделирование ареалов видов (SDM) с помощью Random Forest на R в Google Colab Я подготовил пошаговый ноутбук и статью на Medium для исследователей и аналитиков, которые начинают работать с пространственным моделированием распространения видов (Species Distribution Modeling) или хотят оптимизировать свой воркфлоу в облаке. В ноутбуке подробно разбирается весь геоаналитический цикл — от сырых данных до создания итоговой карты пригодности местообитаний (Habitat Suitability Map) на примере классического датасета по бурогорлому ленивцу (Bradypus variegatus) в Южной и Центральной Америке. Что входит в пайплайн: - Настройка облачного окружения: Запуск полноценного R-кода прямо в Python-среде Google Colab при помощи магии %%R, а также установка системных C++ библиотек для пространственного анализа (GDAL, PROJ, GEOS) без необходимости локальной настройки RStudio. - Подготовка пространственных данных: Работа с координатами находок вида и извлечение климатических предикторов (температура, осадки и др.) из растровых слоев пакета dismo. - Генерация псевдо-отсутствий: Создание фоновых точек (pseudo-absences), необходимых для обучения алгоритма классификации. - Машинное обучение (Random Forest): Разбиение выборки на обучение (75%) и тест (25%), настройка модели на 500 деревьев и анализ экологической важности предикторов (`MeanDecreaseAccuracy` и `MeanDecreaseGini`). - Оценка качества и валидация: Проверка на тестовых данных, расчет метрики AUC (~0.96), построение ROC-кривой, а также детальный обзор критериев для выбора порога бинарной классификации (`spec_sens`, no_omission и др.). - Пространственное прогнозирование: Проектирование обученной модели на карту и наглядная визуализация непрерывной карты вероятностей рядом с бинарной картой ареала. Ноутбук отлично подойдет экологам, биогеографам, GIS-специалистам и дата-саентистам, желающим освоить пространственный ML на практике. Ссылка на статью в Medium: https://medium.com/@anton.biatov/species-distribution-modeling-sdm-with-random-forest-in-r-on-colab-bc6f7f1d4a5b Ссылка на Google Colab: https://colab.research.google.com/drive/1vxFNtyQkvUQ4RQzQeEkAv0puuqWGuI1l?usp=sharing #SDM #R #colab #RandomForest

Как часто вы делаете картографическую 3D-визуализацию? Кажется ли вам это сложным? ✅ Сегодняшний материал от Александра Зуева показывает, что трёхмерная визуализация в QGIS – это доступный инструмент. Чтобы сделать 3D-графику не обязательно осваивать сложное ПО, начать погружение можно с простых опций. И речь не только про красивую картинку, ведь такое представление информации открывает дополнительные возможности анализа пространственных данных. Если вы уже давно на «ты» с простой 3D-визуализацией, то у нас есть и другие материалы про возможности работы с 3D: ⚫Объёмная карта плотности населения в QGIS и Aerialod ⚫Простая карта рельефа в Blender ⚫3D-тайлы Cesium в QGIS 3.34

По мотивам прошлой лекции про инновации в ГИС я потратила большое количество времени, чтобы ответить на простой вопрос - "А что читать/смотреть, чтобы узнать в одном месте про инновации в ГИС?" Про дистанционное зондирование узнать проще - есть специализированные журналы, есть одноименный большой канал с большим количеством новостей. Но русскоязычных дайджестов на тему ГИС я не нашла. Не нашла, поэтому сделала сама. Ниже ссылка - дайджест инноваций в ГИС за июнь. Что нового у крупных компаний, что развивается, что стало проблемой. И краткий обзор новых научных публикаций из этой сферы. Если такой формат вам зайдет, то постараюсь делать его еще. Очень жду реакций и отзывов! Дайджест июнь 2026 в ГИС

A Python toolkit for cross-modal accessibility analysis on transport networks — routing, distance/time computation, utility-based travel costs, and gravity- and logsum-based accessibility metrics on networkx graphs https://github.com/mmiotti/aperta

Сборник рецептов по GeoParquet Гийом Сёр (Guillaume Sueur), автор блога geomermaids, опубликовал сборник рецептов по GeoParquet, в котором собраны инструменты и практические примеры работы с GDAL, DuckDB и gpio для тех, кто только начинает осваивать parquet-процессы или хочет повысить свой уровень. У Гийома есть ещё два сборника рецептов: GeoParquet Reading Cookbook и Cloud Optimized GeoTIFF. #софт

Публичная кадастровая карта в QGIS ✨ Новый инструмент для добавления НСПД в QGIS создал Павел Переверзев. А ещё подробно описал несколько способов подключения данных: через свой плагин Kolba, WMS или XYZ подложки, с помощью QLR-файла Очень круто и полезно! 😍 Обратите внимание, что для загрузки слоёв нужно добавить сертификаты Минцифры в QGIS #geo_qgis #geo_data 🌎🕊️ GIS_AND_PEACE

💻 Как экспортировать сразу все слои? 💻 У меня часто бывает такой процесс - накачиваешь файлы из разных мест, они раскидываются по загрузкам/папкам с проектами и т д, а после ты приходишь к финальному красивому проекту, где все нормально. Одно но - каждый слой из этого красивого проекта может лежать непонятно где. Если слоев 5, можно уточнить путь каждого и экспортировать по одному в единую папку. Но если их 50? Делать такую операцию для каждого слоя слишком сложно - экспорт слоя, импорт нового файла, замена стиля и фильтра, удаление старого слоя. И далее по новой. Решений проблемы есть много - существуют плагины для экспорта, есть модели и скрипты. Раньше я пользовалась QPackage, но он показался очень неудобным. Сейчас начала использовать Geopacker для QGIS - отмечаешь, что нужно сделать, копировать ли одинаковые слои в одинаковые файлы, и т д. На выходе у вас имеется папка, где все лежит как по полочкам, а все остальное можно смело удалять. 🔗Geopacker QGIS страница плагина

ОСНОВЫ ГЕОАНАЛИТИКИ НА PYTHON 🐍 www.geo-python.ru Выпущена полная версия интерактивных материалов по анализу геоданных на Python 🌟 Шесть модулей: 🟣пространственные данные 🟡картографические проекции и системы координат 🟢геообработка 🔵сетевой анализ 🟣анализ растровых данных 🟡интерактивная визуализация + видео и задания 📎 + репозиторий на GitHub Это открытые материалы, которые можно свободно использовать, главное - ссылаться на источник 💙 #geo_ed #geo_py 🌎🕊️ GIS_AND_PEACE

OpenLandMap OpenLandMap (https://openlandmap.org/) — это платформа открытых данных о суше, которая содержит слои глобальных растровых данных с пространственным разрешением от 30 м до 1 км. Платформа заявлена как “OpenStreetMap для данных о суше” — открытая экосистема для обмена и совместного использования геопространственных данных. Развивает платформу некоммерческий фонд OpenGeoHub (Вагенинген, Нидерланды) совместно с EnvirometriX Ltd, GILAB.rs и другими организациями. Данные OpenGeoHub охватывают всю мировую сушу (каждый слой должен покрывать не менее 98% суши) и организованы по тематическим группам на основе классификации UN-GGIM: ● Здания и поселения ● Рельеф и батиметрия ● Геология и почвы ● Земной покров и землепользование ● Распределение населения ● Вода ● Материальная инфраструктура ● Климат ● Биоразнообразие и охрана природы 📥 Форматы и способы доступа: ● OpenLandMap App — интерактивный веб-портал на базе GeoServer/OpenLayers для визуализации, запроса по координатам и поиска данных ● OpenGeoHub STAC — STAC-каталог для программного доступа по API ● Zenodo — резервные копии данных с DOI (поддерживается скачивание по API c R-пакетом zen4R, Python-библиотекой zen и др.) ● Google Earth Engine — копии слоёв на GEE ● Прямой доступ к COG-файлам без ограничений через S3-совместимый файловый сервис Wasabi S3 Все слои хранятся в формате Cloud-Optimized GeoTIFF (COG). 🎓 OpenLandMap training points — вспомогательные точечные наборы для обучения моделей. #данные #GEE

MobilityHexVis: Analyzing socioeconomic urban mobility patterns through small multiples visualization новая статья в Environment and Planning B: Urban Analytics and City Science про интерактивную визуализацию мобильности и сегрегации. авторы сравнивают мобильность между соц-эконом группами. каждый гексагон показывает пропорцию origin и destination через bi-color split, отдельно для четырех групп (Q1–Q4). есть исходный код. ——— https://doi.org/10.1177/23998083261437300