Forwarded from City’s Backyard
Time of your life.
Как-то сложилось в последние несколько лет, что я выпускаю что-то к своему дню рождения.
В этом году это карта плотности доступных сервисов по ячейкам 350х350 метров, в каждый час дня.
То есть можно увидеть жизнь города, которая в некотором смысле предопределяется работой заведений и магазинов. В некотором смысле это «a day in a life of a city», но я придумал немного более интересное название :)
Тяните за слайдер, чтобы переключаться между разными часами. В этот раз от меня только карта - а изучать может кто угодно сам :)
P.S. Есть нюанс, который я пока не решил - данные на карте работают только с 11 зума (для тех кто понимает), если простыми словами - данные пропадают с карты, если отдалить до определённого уровня.
Поэтому изучать лучше с большого экрана - компьютер или планшет. С телефона не увидеть картину по большой территории из-за ограничения описанного выше.
Кстати, если знаете где для такой карты захотить файл кроме самого мэпбокса (который и накладывает ограничение на зум данных) - пишите, буду рад! На гитхабе лимит 25мб :(
-
Надеюсь, эта карта будет полезна тем, кто хочет исследовать город и его ритмы жизни. И пишите свой фидбек!
Happy exploring!
citysbackyard.co/timeofyourlife
Как-то сложилось в последние несколько лет, что я выпускаю что-то к своему дню рождения.
В этом году это карта плотности доступных сервисов по ячейкам 350х350 метров, в каждый час дня.
То есть можно увидеть жизнь города, которая в некотором смысле предопределяется работой заведений и магазинов. В некотором смысле это «a day in a life of a city», но я придумал немного более интересное название :)
Тяните за слайдер, чтобы переключаться между разными часами. В этот раз от меня только карта - а изучать может кто угодно сам :)
P.S. Есть нюанс, который я пока не решил - данные на карте работают только с 11 зума (для тех кто понимает), если простыми словами - данные пропадают с карты, если отдалить до определённого уровня.
Поэтому изучать лучше с большого экрана - компьютер или планшет. С телефона не увидеть картину по большой территории из-за ограничения описанного выше.
Кстати, если знаете где для такой карты захотить файл кроме самого мэпбокса (который и накладывает ограничение на зум данных) - пишите, буду рад! На гитхабе лимит 25мб :(
-
Надеюсь, эта карта будет полезна тем, кто хочет исследовать город и его ритмы жизни. И пишите свой фидбек!
Happy exploring!
citysbackyard.co/timeofyourlife
Forwarded from 🗞 Виз Ньюз (Nikita Rokotyan)
This media is not supported in your browser
VIEW IN TELEGRAM
📚🎓 Наглядный и простой для понимания онлайн-учебник по статистике с примерами на R. Можно просто положить в закладки и обращаться к нему по мере необходимости.
Интересно, что учебник написан на R Markdown — этакая комбинация R и классического Markdown, позволяющая верстать текст с картинками и тут же делать вычисления, вставляя результаты в виде графиков, даже интерактивных.
Учебник: https://openintro-ims.netlify.app
Исходный код: https://github.com/OpenIntroStat/ims
Интересно, что учебник написан на R Markdown — этакая комбинация R и классического Markdown, позволяющая верстать текст с картинками и тут же делать вычисления, вставляя результаты в виде графиков, даже интерактивных.
Учебник: https://openintro-ims.netlify.app
Исходный код: https://github.com/OpenIntroStat/ims
Forwarded from 🗞 Виз Ньюз (Nikita Rokotyan)
This media is not supported in your browser
VIEW IN TELEGRAM
🎉 Рад сообщить, что на прошлой неделе была официально запущена онлайн-версия инструмента для визуализации библиометрических графов VOSviewer Online. С ее помощью можно визуализировать связи между различными исследовательскими институтами, журналами, учеными и научными областями. Моя студия принимала активное участие в разработке инструмента совместно с автором десктопной версии Несом Ян ван Эком (Nees Jan van Eck, старший научный сотрудник Центра исследований науки и технологий Лейденского университета)
Интересно в онлайн версии еще и то, что мы в ней впервые на JavaScript имплементировали алгоритм VOS для укладки графа (на основе техники уменьшения размерности) и алгоритм Leiden для обнаружения сообществ в графе (работает лучше чем Louvain). Очень надеюсь, что в будущем, совместно с Лейденским университетом, мы сможем выложить эти алгоритмы в открытый доступ в виде NPM пакетов.
https://app.vosviewer.com/docs/
Интересно в онлайн версии еще и то, что мы в ней впервые на JavaScript имплементировали алгоритм VOS для укладки графа (на основе техники уменьшения размерности) и алгоритм Leiden для обнаружения сообществ в графе (работает лучше чем Louvain). Очень надеюсь, что в будущем, совместно с Лейденским университетом, мы сможем выложить эти алгоритмы в открытый доступ в виде NPM пакетов.
https://app.vosviewer.com/docs/
Мониторинг и моделирование температуры воды в бассейне реки Делавер https://labs.waterdata.usgs.gov/visualizations/temperature-prediction/index.html
labs.waterdata.usgs.gov
How we Monitor and Model Stream Temperature in the Delaware River Basin
Our understanding of water temperature dynamics in the Delaware River Basin is underpinned by basin-wide monitoring of water temperature. At first glance, it appears that there is a lot of information about stream temperature in the basin. But spatial variability…
Средняя, минимальная и максимальная температура по месяцам для европейских столицах https://twitter.com/dr_xeo/status/1418138802082746369
Проект, в котором можно посмотреть аналогичные графики в интерактивном виде https://showcase.predictia.es/weather-radials
Проект, в котором можно посмотреть аналогичные графики в интерактивном виде https://showcase.predictia.es/weather-radials
Очень любопытное исследование про индекс видимости растительности (Greenness Visibility Index - GVI).
Подробное описание методики расчета с кодом https://geobrinkmann.com/post/visible-greenness-exposure/ (статья - https://www.sciencedirect.com/science/article/pii/S0048969720365803).
TLDR: на основе цифровой модели поверхности и индекса NDVI определяется будет ли в конкретных частях города видна растительность на уровне глаз наблюдателя (графическое объяснение методики https://ars.els-cdn.com/content/image/1-s2.0-S0048969720365803-ga1_lrg.jpg)
Пример расчета для Ванкувера https://geobrinkmann.com/post/visible-greenness-exposure-index-an-example-workflow-for-the-city-of-vancouver/
Пакет для R для расчета индекса https://github.com/STBrinkmann/GVI (python https://github.com/jonnyhuck/green-visibility-index)
Подробное описание методики расчета с кодом https://geobrinkmann.com/post/visible-greenness-exposure/ (статья - https://www.sciencedirect.com/science/article/pii/S0048969720365803).
TLDR: на основе цифровой модели поверхности и индекса NDVI определяется будет ли в конкретных частях города видна растительность на уровне глаз наблюдателя (графическое объяснение методики https://ars.els-cdn.com/content/image/1-s2.0-S0048969720365803-ga1_lrg.jpg)
Пример расчета для Ванкувера https://geobrinkmann.com/post/visible-greenness-exposure-index-an-example-workflow-for-the-city-of-vancouver/
Пакет для R для расчета индекса https://github.com/STBrinkmann/GVI (python https://github.com/jonnyhuck/green-visibility-index)
GeoBrinkmann
Visible Greenness Exposure | GeoBrinkmann
Exposure to residential greenness or green spaces such as parks or gardens are beneficial for multiple measures of health. One type of greenspace exposure is visibility, referring to the visual perception of greenness. In this post I will demonstrate, how…
На старинных картах воду часто отображали линиями, повторяющими контур побережья, эта техника называется waterlining
Подборка Observable notebooks с историей, примерами подобных карт и кодом для создания и анимации https://observablehq.com/collection/@oliviafvane/watermarks
Пример того, как можно сделать подобное в QGIS https://bbecquet.net/articles/2021/07/waterlining-in-qgis/ (хотя твиттер любезно подсказывает более простой способ https://twitter.com/geospacedman/status/1418197813284978696)
Подборка Observable notebooks с историей, примерами подобных карт и кодом для создания и анимации https://observablehq.com/collection/@oliviafvane/watermarks
Пример того, как можно сделать подобное в QGIS https://bbecquet.net/articles/2021/07/waterlining-in-qgis/ (хотя твиттер любезно подсказывает более простой способ https://twitter.com/geospacedman/status/1418197813284978696)
Наиболее удаленные от жилых домов точки в Финляндии https://twitter.com/tjukanov/status/1418161597852303360
Интерактивная версия https://tjukanovt.github.io/isolation/
Более ранняя версия аналогичных расчетом https://tjukanov.org/a-spot-of-solitude (туториал https://medium.com/@tjukanov/searching-for-isolation-with-gis-eea3f2ab7d99)
Интерактивная версия https://tjukanovt.github.io/isolation/
Более ранняя версия аналогичных расчетом https://tjukanov.org/a-spot-of-solitude (туториал https://medium.com/@tjukanov/searching-for-isolation-with-gis-eea3f2ab7d99)
Препринт исследования влияния стоимости проезда на доступность общественного транспорта. https://osf.io/e3tac/
Если кратко, то, безусловно, стоимость проезда влияет на неравенство в доступности передвижения по городу, но следует учитывать все в комбинации.
Наиболее часто применяемый подход с учетом только времени передвижения, как правило, переоценивает транспортную доступность, а добавление стоимости передвижения может привести как к переоценке, так и к недооценке доступности в зависимости от временных и денежных ограничений, конфигурации городов и транспортных сетей.
Если кратко, то, безусловно, стоимость проезда влияет на неравенство в доступности передвижения по городу, но следует учитывать все в комбинации.
Наиболее часто применяемый подход с учетом только времени передвижения, как правило, переоценивает транспортную доступность, а добавление стоимости передвижения может привести как к переоценке, так и к недооценке доступности в зависимости от временных и денежных ограничений, конфигурации городов и транспортных сетей.
OSF Preprints
The impact of transit monetary costs on transport inequality
Transport inequality analyses are often informed by accessibility estimates based solely on travel time impedance, ignoring other elements that might hinder access to activities, such as the monetary cost of a trip. This paper examines how and to what extent…
Forwarded from О городах и данных (incitydata)
Сегодня пост про одну из самых популярных задач геомаркетинга, которую благодаря хакатону whoosh мне наконец-то удалось реализовать на практике и частично провалидировать Задача звучит следующим образом: оценить потока людей, проходящих по определенному участку города, без использования фактических данных. Кому нужен ответ на этот вопрос? В первую очередь, конечно, стрит-ритейлу или стрит-фуду, которые хотят, чтобы к ним заходило как можно больше людей. Еще это может быть интересно сервисам аренды мест наружней рекламы или проката самокатов, так как их показатели напрямую зависят от того, сколько людей ходит мимо. Также, ее используют для оценки пассажиропотока при создании транспортных узлов.
Так вот, если компания чуть меньше , чем Старбакс и купить данные мобильных операторов или gps-данные для нее слишком дорого, то для ответа на этот вопрос можно использовать гравитационную модель, одну из моделей семейства spatial interactions models. Сразу оговорюсь, что модель работает только на уже заселенной территории - для проектирования потоков на новых участках используют методы spatial syntax.
Идея гравитационной модели следующая: между двумя локациями поток людей перетекает из одной точки в другую пропорционально привлекательности финальной точки и обратно пропорционально затратам на ее достижение. При этом под привлекательностью обычно понимают вместимость финальной точки, а под затратами время. Но прелесть алгоритма в том, что в зависимости от задачи эти переменные можно сколько угодно усложнять, закладывая в них более комплексные показатели. Поэтому алгоритму считается вероятность, с которой люди выберут определенное направление. Потом вероятность взвешивается на объем спроса в исходной точке и получается размер потока.
Теперь на примере. Для задачи хакатона я оценивала с помощью этой модели, сколько людей в Москве перемещается между станциями метро и бизнес-центрами в утренние и вечерние часы пик. Для этого с Open Street Map был выгружен список БЦ Москвы с их этажностью ( tag=‘level’, way“building"="office”) и координаты выходов из станций метро, которые затем были сгруппированы в кластеры с радиусом 200 метров.
Далее через этажность и средний % работников, добирающихся на работу на общественном транспорте, я расчитала сколько людей из бц идет в метро - это объем спроса в исходной точке. Привлекательность зоны метро - это число веток, на которые можно попасть с этой станции (если заморочиться можно перевзвесить на число всех доступных станций метро по прямой), затраты : время по пешеходному графу ( можно посчитать из osmnx ). Подставляя в формулу получаем объем потока. Размазываем его по длительности пиковых часов, складываем все цифры по каждому участку улиц и вуаля, у нас есть число пешеходов, да еще с определенным уровнем дохода, в час на конкретном участке. ( Формула и иллюстрация логики ниже)
Важный момент здесь - как привязать получившееся число к улицам и здесь есть несколько вариантов:
1. можно брать кратчайший путь между каждым бц и метро и считать что весь поток идет по нему
2. можно брать n путей по длительности не больше, например, 15 мин и распределять пропорционально или взвесив на длину
3. можно использовать алгоритмы space syntax для решения задачи choice, где решающим фактором является геометрия улиц
Мы использовали 2 вариант, заложив, что время до метро не должно превышать 20 мин, но взвесили не только на длину, но и пешеходную привлекательность улицы, которую расчитали через WalkScore( писала о нем раньше)
В итоге мы получили покрытие числом пешеходов 94% улиц в пределах 3-ьего транспортного и 38% за его пределами в часы пик. Корелляция в центре с числом поездок на самокатах whoosh - 77%. Кажется, вполне рабочий алгоритм для оценки потоков в рабочие будни.
Еще немножко про модель гравитации можно почитать здесь и здесь.
Так вот, если компания чуть меньше , чем Старбакс и купить данные мобильных операторов или gps-данные для нее слишком дорого, то для ответа на этот вопрос можно использовать гравитационную модель, одну из моделей семейства spatial interactions models. Сразу оговорюсь, что модель работает только на уже заселенной территории - для проектирования потоков на новых участках используют методы spatial syntax.
Идея гравитационной модели следующая: между двумя локациями поток людей перетекает из одной точки в другую пропорционально привлекательности финальной точки и обратно пропорционально затратам на ее достижение. При этом под привлекательностью обычно понимают вместимость финальной точки, а под затратами время. Но прелесть алгоритма в том, что в зависимости от задачи эти переменные можно сколько угодно усложнять, закладывая в них более комплексные показатели. Поэтому алгоритму считается вероятность, с которой люди выберут определенное направление. Потом вероятность взвешивается на объем спроса в исходной точке и получается размер потока.
Теперь на примере. Для задачи хакатона я оценивала с помощью этой модели, сколько людей в Москве перемещается между станциями метро и бизнес-центрами в утренние и вечерние часы пик. Для этого с Open Street Map был выгружен список БЦ Москвы с их этажностью ( tag=‘level’, way“building"="office”) и координаты выходов из станций метро, которые затем были сгруппированы в кластеры с радиусом 200 метров.
Далее через этажность и средний % работников, добирающихся на работу на общественном транспорте, я расчитала сколько людей из бц идет в метро - это объем спроса в исходной точке. Привлекательность зоны метро - это число веток, на которые можно попасть с этой станции (если заморочиться можно перевзвесить на число всех доступных станций метро по прямой), затраты : время по пешеходному графу ( можно посчитать из osmnx ). Подставляя в формулу получаем объем потока. Размазываем его по длительности пиковых часов, складываем все цифры по каждому участку улиц и вуаля, у нас есть число пешеходов, да еще с определенным уровнем дохода, в час на конкретном участке. ( Формула и иллюстрация логики ниже)
Важный момент здесь - как привязать получившееся число к улицам и здесь есть несколько вариантов:
1. можно брать кратчайший путь между каждым бц и метро и считать что весь поток идет по нему
2. можно брать n путей по длительности не больше, например, 15 мин и распределять пропорционально или взвесив на длину
3. можно использовать алгоритмы space syntax для решения задачи choice, где решающим фактором является геометрия улиц
Мы использовали 2 вариант, заложив, что время до метро не должно превышать 20 мин, но взвесили не только на длину, но и пешеходную привлекательность улицы, которую расчитали через WalkScore( писала о нем раньше)
В итоге мы получили покрытие числом пешеходов 94% улиц в пределах 3-ьего транспортного и 38% за его пределами в часы пик. Корелляция в центре с числом поездок на самокатах whoosh - 77%. Кажется, вполне рабочий алгоритм для оценки потоков в рабочие будни.
Еще немножко про модель гравитации можно почитать здесь и здесь.
Forwarded from data.csv (Алексей Смагин)
Очень красивый дата-арт у NYT про олимпиаду, который рассказывает о конфликте при подсчёте результатов олимпиады.
Мировое сообщество чаще всего подводит итоги по количеству золотых медалей (и тогда лидирует Китай, у которого их сейчас 33 против 27 американских). Американцы же считают, что победители — они, потому что у них больше всего медалей всех типов (85 против 73 китайских).
NYT решили построить графики, которые учитывают абсолютно все сценарии — если считать только золотые медали, или если считать все, но с какими-то коэффициентами:
https://www.nytimes.com/interactive/2021/07/27/upshot/which-country-leads-in-the-olympic-medal-count.html
Мировое сообщество чаще всего подводит итоги по количеству золотых медалей (и тогда лидирует Китай, у которого их сейчас 33 против 27 американских). Американцы же считают, что победители — они, потому что у них больше всего медалей всех типов (85 против 73 китайских).
NYT решили построить графики, которые учитывают абсолютно все сценарии — если считать только золотые медали, или если считать все, но с какими-то коэффициентами:
https://www.nytimes.com/interactive/2021/07/27/upshot/which-country-leads-in-the-olympic-medal-count.html
Нарисованная вручную карта животного мира
Сайт автора с галереей https://www.antonthomasart.com/wild-world.html, некоторые фрагменты есть у автора в твитере https://twitter.com/AntonThomasMaps
А здесь рассказ о проекте https://www.youtube.com/watch?v=ZLEEWBhxc4c
Сайт автора с галереей https://www.antonthomasart.com/wild-world.html, некоторые фрагменты есть у автора в твитере https://twitter.com/AntonThomasMaps
А здесь рассказ о проекте https://www.youtube.com/watch?v=ZLEEWBhxc4c
Spectral encounters - набор интерактивных инструментов для изучения возможностей спектральных снимков. Сделаны приложения на базе Google earth engine в двух версиях для Landsat 8 и Sentinel-2
Пост с объяснениями https://medium.com/geospatial-processing-at-scale/exploring-optical-imagery-a-spectral-encounter-996cd3f0b591
Пост с объяснениями https://medium.com/geospatial-processing-at-scale/exploring-optical-imagery-a-spectral-encounter-996cd3f0b591
Карта кораблекрушений вокруг Великобритании https://twitter.com/stevefaeembra/status/1422290798654205958
This media is not supported in your browser
VIEW IN TELEGRAM
Средняя температура в течение суток в Европе (август 2020) https://twitter.com/dr_xeo/status/1420677363092836354
Forwarded from Антрополог на районе
Базирующаяся в Высшей школе экономики структура с монструозным названием Научно-учебная лаборатория исследований мультисенсорного опыта пользователей городской среды опубликовала на своем сайте подготовленный стажёром-исследователем Артемом Панкиным любопытный обзор научных работ про запахи в городе.
Выясняется, что впервые полноценное изучение городского smellscape (запахового ландшафта) начал географ Дэвид Портеус в 1985 году. Правда, возникли серьезные проблемы с тем, как фиксировать городские запахи (ведь их, как городские звуки, нельзя записать на диктофон). Для решения этой проблемы исследователи начали организовывать "запаховые прогулки" (smellwalk) с информантами, гуляя по городу и жадно нюхая все вокруг.
Альтернативный методологический подход предполагал работу с данными социальных сетей, когда предполагается выявлять и наносить на карту города упоминания об уличных запахах.
На картинке выше - Карта запахов Лондона из статьи "The Emotional and Chromatic Layers of Urban Smells" (2016).
Выясняется, что впервые полноценное изучение городского smellscape (запахового ландшафта) начал географ Дэвид Портеус в 1985 году. Правда, возникли серьезные проблемы с тем, как фиксировать городские запахи (ведь их, как городские звуки, нельзя записать на диктофон). Для решения этой проблемы исследователи начали организовывать "запаховые прогулки" (smellwalk) с информантами, гуляя по городу и жадно нюхая все вокруг.
Альтернативный методологический подход предполагал работу с данными социальных сетей, когда предполагается выявлять и наносить на карту города упоминания об уличных запахах.
На картинке выше - Карта запахов Лондона из статьи "The Emotional and Chromatic Layers of Urban Smells" (2016).
Forwarded from Институт «Стрелка»
Media is too big
VIEW IN TELEGRAM
Встречайте новый онлайн-курс «Городские данные» на сайте #архитекторырф!
Пройти бесплатно: https://stre.lk/citydata
Инвестиционная оценка территорий, транспортное планирование, озеленение и разработка туристических маршрутов — решение этих и многих других задач требует предварительного анализа. Как собрать данные из открытых источников или приобрести необходимую информацию, провести исследование и сделать необходимые выводы? В курсе «Городские данные» разбираем технологию работы с современными цифровыми инструментами: от теории до успешных российских кейсов.
Пройти бесплатно: https://stre.lk/citydata
Инвестиционная оценка территорий, транспортное планирование, озеленение и разработка туристических маршрутов — решение этих и многих других задач требует предварительного анализа. Как собрать данные из открытых источников или приобрести необходимую информацию, провести исследование и сделать необходимые выводы? В курсе «Городские данные» разбираем технологию работы с современными цифровыми инструментами: от теории до успешных российских кейсов.
Проект BOUNTY (The Benefits Of Urban Nature To You) от Института экологической аналитики (Institute for Environmental Analytics - IEA) https://demos.the-iea.org/bounty/ (пробная версия для Манчестера)
Проект разрабатывался для того, чтобы найти способ коммуникации данных о городской среде в виде простых и понятных графиков.
Была разработана простая визуализация в виде колеса, на котором отображены основные экологические показатели городской среды, а также инструмент позволяет посмотреть примерные эффекты от проведения различных мероприятий по улучшению среды в районе.
Немного про сам проект https://www.the-iea.org/projects/bounty-visualizing-environmental-infrastructure-data/, но более подробно IEA рассказывают про этот проект в своем курсе https://www.futurelearn.com/info/courses/big-data-and-the-environment/0/steps/34797
Проект разрабатывался для того, чтобы найти способ коммуникации данных о городской среде в виде простых и понятных графиков.
Была разработана простая визуализация в виде колеса, на котором отображены основные экологические показатели городской среды, а также инструмент позволяет посмотреть примерные эффекты от проведения различных мероприятий по улучшению среды в районе.
Немного про сам проект https://www.the-iea.org/projects/bounty-visualizing-environmental-infrastructure-data/, но более подробно IEA рассказывают про этот проект в своем курсе https://www.futurelearn.com/info/courses/big-data-and-the-environment/0/steps/34797