В специальном выпуске журнала "Annals of GIS" с помощью методов пространственной аналитики показаны новые закономерности и явления в городе. Мы выбрали пять интересных статей, где городские явления изучаются с новыми формами открытых городских геоданных, такими как данные точек велопроката, локации Airbnb и твиты. В сочетании с административными данными они служат для интерпретации взаимодействия человека с городом.
Пять интересных статей из спецвыпуска
1. Как Твиттер помогает понять реакцию на стихийные бедствия в городах
Зимние штормы – распространенное стихийное бедствие в США. В этом исследовании применяются методы интеллектуального анализа текста и пространственного анализа данных Twitter во время зимнего шторма "Диего" в декабре 2018 года. Моделирование распространения информации в социальных сетях во время стихийных бедствий отражает восприятие и поведение людей.
Что получилось:
Люди за пределами пострадавших районов были настроены более негативно по отношению к шторму, чем люди в пострадавших районах. Было обнаружено затухание плотности ретвитов на расстоянии, причем скорость затухания отличалась в зависимости от содержания твитов.
2. Как определить идеальные места для точек велопроката – исследование на примере Глазго
Многие города стремятся к развитию программ велопроката, поэтому авторы этого исследования предлагают метод выбора идеальных точек байкшеринга с учетом доступности и спроса и определяют места для будущих точек велопроката в Глазго, Шотландия.
Для выявления факторов, определяющих спрос, авторы построили регрессионную модель методом наименьших квадратов, используя данные о поездках от Nextbike Glasgow. Затем количественно измерили уровень пространственной доступности к станциям и объединили результаты анализа спроса и доступности, чтобы определить, где должны быть расположены новые станции.
Что получилось:
На спрос велопроката влияло расстояние от станций, удаленность от центра города, уровень занятости и наличие поблизости велосипедных дорожек. Доступность точек наиболее высока в центре и восточном районе Глазго.
Результаты помогли определить приоритетные районы для будущего размещения станций, и этот метод может быть применен к другим городам.
3. Данные Facebook Places для анализа розничной торговли в Брно
В этом исследовании вы найдете все об использования данных Facebook для анализа пространственно-временных городских ритмов через доступность услуг и розничной торговли. Данные Facebook Places для города Брно были получены с помощью Graph API. Пространственном распределении и часах работы организаций в категориях "Еда и напитки", "Магазины и розничная торговля" и "Медицина и здоровье".
Что получилось:
В статье приводится подробное описание сбора и обработки данных Facebook Places, а также возможные методы анализа и визуализации. Показано, как анализ часов работы розничной торговли и услуг помогает понять межгородские структуры и городские ритмы.
4. Airbnb и преступность в Барселоне – есть ли связь?
Исследователи из Испании проанализировали связь между локациями Airbnb и преступлениями в районах Барселоны. Для этого использовали регрессионную модель наименьших квадратов и географически взвешенную регрессионную модель.
Что получилось:
Есть заметная положительная связь между более высокой плотностью локаций Airbnb и высоким уровнем преступлений в районах, особенно преступлений против собственности. Дома Airbnb, где гость делит комнату с другими гостями, показывают более высокую связь с преступлениями против собственности и личности. Модель показала пространственную неоднородность всех используемых переменных, что указывает на необходимость рассмотрения нестационарных пространственных процессов для выявления скрытых закономерностей.
5. Что социальные сети говорят об изоляции? Паттерны передвижения в 50 крупных городах США
На характер передвижения человека влияет его социально-экономическое и демографическое положение. Моделей передвижения среди различных расово-этнических и экономических групп были проанализированы с использованием твитов с геометками из 50 крупнейших населенных городов США.
Что получилось:
Есть значительные различия в активности людей и расстояниях их поездок по городам и демографическим группам, при этом некоторые города сильнее взаимодействуют с другими. Анализ поездок за пределы города показывает, что экономически неблагополучные группы населения и расово-этнические меньшинства более ограничены в дальних поездках, и их пространственная мобильность ограничена локальным масштабом. Выявлена экономически сегрегированная модель передвижения – районы, где проживают представители высшего класса, посещают в основном представители высшего класса, хотя некоторые расово-этнические группы могут локально разнообразить эту сегрегированную модель.
