URBAN MASH

🇷🇸ЯВКА РЕШИЛА ВЫБОРЫ: СЕРБИЯ 2026 ПО 8392 УЧАСТКАМ Я живу в Белграде и не могла не положить эти выборы на карту) Welcome to research! 1) Главное. Список Вучича получил почти столько же голосов, сколько в 2023-м: 1,73 млн против 1,78. И всё равно проиграл: бюллетеней стало на 624 тыс. больше, а Студенческий список собрал 2,35 млн, в 2,6 раза больше главной оппозиции 2023 года. 2) Город и село. От городских центров к самым малолюдным сёлам доля Студенческого списка падает с 64,6 до 37,7 %. Единого порога нет: вокруг Белграда студенты впереди уже с 2 тыс. жителей, на юге и востоке только с 12 тыс. 3) Земля и люди. Две трети заселённой земли за список Вучича, но там числится четверть избирателей. Карта по площади врёт) 4) 2000 год. В сентябре 2000-го партия Милошевича тоже получила почти столько же голосов, сколько тремя годами раньше, и проиграла при выросшей явке. Опора власти на юге и востоке с тех пор та же. 5) Меньшинства сдвинулись в разные стороны. Союз воеводинских венгров получил 35,5 тыс. голосов против 64,7 тыс. в 2023-м. Албанские списки, наоборот, выросли с 16,7 до 27,7 тыс., а явка в Прешево с 17 до 44 %. 🇷🇺Сербия против России. Отдельно я прогнала 8 210 участков Сербии через проверки Шпилькина. В России аналитики по его методу насчитали около 22 млн аномальных голосов за Путина на выборах 2024 года. В Сербии та же оценка для списка Вучича в 2026-м ниже нуля: ни второго горба у 100 % явки, ни всплесков на круглых процентах. Спасибо Сергею Шпилькину и Дмитрию Кобаку за метод и открытый код! Но это не оценка честности выборов: подкуп и давление на избирателей такие проверки не видят, о них пишут наблюдатели CRTA и БДИПЧ ОБСЕ. Что я читала, пока делала: — Jonathan Rodden, Why Cities Lose — Benjamin Forest, Electoral geography: from mapping votes to representing power — Luke Temple, Reckoning with the digital turn in electoral geography — Dejan Bursać о территориальной представительности сербского парламента — Vladimir Goati, Izbori u Srbiji i Crnoj Gori 1990–2013 — Кобак, Шпилькин, Пшеничников, Integer percentages as electoral falsification fingerprints ❤️ПОЛНОЕ ИССЛЕДОВАНИЕ с методикой и источниками ❤️ИНТЕРАКТИВНАЯ КАРТА С ПОДРОБНОЙ СТАТИСТИКОЙ Обе страницы на русском, английском и сербском) P.S. Анализ последних выборов в Израиле с точки зрения гео читайте у Инессы! @urban_mash

⚡ GIS ENGINEER, GIS BACKEND, GEOSPATIAL ANALYST И GEO DATA SCIENTIST: КТО ЕСТЬ КТО Недавно на карьерной консультации разбирали как перейти из GIS специалиста в GIS инженера. За похожими тайтлами разные профессии. Давайте разбираться) Точка отсчета - GIS Specialist: уверенно работает в ArcGIS и QGIS, собирает слои, делает карты. Хорошая база, но, по моим наблюдениям, с таким тайтлом сразу ниже вилка. Дальше профиль расходится в четыре стороны. 1️⃣GIS Engineer / Geospatial Data Engineer 🔥Что сдает: конвейер данных от сбора до базы и сервиса, который обновляется сам и не виснет. 🔥О чем спросят: как устроен ваш деплой и за сколько все отрабатывает. Даже на позиции Staff Location Intelligence меня первым делом спросили, насколько я владела процессом, что писала в прод и как чистила GPS-треки. 🔥Стек: Python, SQL, PostGIS, GDAL, Airflow, Docker, CI/CD, облако, GeoParquet, COG и STAC. GitHub Pages с интерактивной картой - это все еще статический HTML, а не прод) 2️⃣ GIS Backend Developer / Geospatial Software Engineer 🔥Что сдает: сервис, которым пользуются другие: поиск, геокодинг, маршрутизация, карта в приложении. 🔥О чем спросят: алгоритмы и их сложность (готовьтесь к LeetCode), тесты, проектирование системы. 🔥Стек: Python, Go или Java, REST API, PostGIS, пространственные индексы (R-tree, H3, S2), Docker, Git. По сути это роль одного рода с инженером. Грубо: инженер отвечает за данные, бэкендер за сервис и каждую миллисекунду. 3️⃣ Geospatial Analyst / Location Intelligence Analyst 🔥Что сдает: ответ на бизнес-вопрос: где открыть точку, сколько будет заказов, какие районы недооценены. 🔥О чем спросят: кейс, SQL, метрики, A/B. Меня, например, спросили про гравитационную модель Хаффа и ее разницу между даркстороми и оффлайн точками типа аптек. 🔥Стек: SQL, Python (geopandas, H3), BI, QGIS или Kepler, статистика, A/B-тесты, difference-in-differences. Таких людей нанимает бизнес: доставка, ритейл, такси, недвижимость, телеком. В Esri, CARTO, TomTom и HERE вакансий под мой профиль почти нет, им нужны инженеры продукта. 4️⃣ Geospatial Data Scientist / Applied Scientist 🔥Что сдает: модель, которая прогнозирует спрос, цену или риск, и честную оценку, насколько ей можно верить. 🔥О чем спросят: как вы прогнозируете (в лондонской компании это был первый вопрос) и как валидируете модель. 🔥Стек: Python, CatBoost или LightGBM, scikit-learn, PyTorch, spatial cross-validation, геостатистика, SHAP. Почему обычного ML мало, писала здесь, а про пространственную кросс-валидацию - в презентации с Мапакона. Итого (то же на картинке): GIS Specialist = софт + предмет GIS Engineer = данные + прод GIS Backend = сервис + миллисекунды Geospatial Analyst = бизнес-вопрос + метрики Geo DS = модель + валидация В LinkedIn работает булев поиск: ("geospatial" OR "GIS" OR "spatial data" OR "location intelligence") AND (engineer OR developer OR analyst OR scientist) Если нужен переезд, добавьте "visa sponsorship": по моему опыту, спонсировать готовы около 5-10% компаний. @urban_mash

#30DayMapChallenge VINTAGE Day 6 🇳🇱РОТТЕРДАМ, 14 МАЯ 1940 14 мая 1940 года центр Роттердама сгорел. Через 86 лет линию пожара до сих пор видно в реестре зданий: внутри нее до 1940 года построено только 5% нынешних зданий, а в километре снаружи - 63%. Собрала это в анимацию на открытых данных. Сначала горит зона, которую город сам отметил как разрушенную в мае 1940 (сам огонь условный, а вот его границы взяты с карты), потом каждое нынешнее здание вырастает в год постройки по реестру BAG. Две трети зданий внутри линии - это восстановление 1940–1965, и 99% из них не охраняются как памятники. Т.е. наследие центра Роттердама теперь - это само восстановление. А еще есть интерактивная карта: карту 1940 года можно двигать ползунком поверх сегодняшних зданий, а по клику на дом видно, что было на этом месте в мае 1940-го. Как сделано 1) Здания - 42 823 полигона BAG (Kadaster) через WFS PDOK, у каждого bouwjaar, год постройки. Здание считается внутри линии, если внутри его representative point. 2) Линия пожара - 380 светильников типа «Grondspot Medio type Brandgrens» из WFS уличного освещения мэрии. Соединила их минимальным остовным деревом (ребра до 160 м), вышло 10 км линии. Для подсчета замкнула зону по реке: суша внутри 257 га, у Stadsarchief 258 га руин. 3) Проверка устойчивости: с отступом 50 м от края довоенных 5,3%, по зоне с карты разрушений 1940 года 9%, в кольцах до 2 км снаружи 59–64%. Разрыв держится. 4) Карта 1940 года из Stadsarchief, привязка Allmaps (Rotterdam Time Machine, 4 точки, аффинное преобразование). Под каждым зданием читаю цвет карты: на 93 местах, где в 1940-м дом уцелел, сейчас в 74 случаях стоит послевоенное здание, т.е. уцелевшее потом снесли. 5) Памятники RCE привязаны к зданиям BAG через sjoin_nearest (до 15 м), агрегаты посчитаны в DuckDB SQL. 6) Анимация - 765 кадров matplotlib, огонь условный: расстояние от случайных очагов внутри зоны 1940 года плюс шум. Кадры рендерятся в 8 процессах, каждый пишет кусок H.264 через ffmpeg, куски склеиваются без перекодирования. Интерактив на Leaflet, карта 1940 года заранее переведена в Web Mercator. Данные: Kadaster (BAG), мэрия Роттердама, Stadsarchief Rotterdam, RCE. Стек: Python (geopandas, shapely, networkx, scipy, scikit-image), DuckDB, matplotlib, ffmpeg, Leaflet. @urban_mash

🏦ВИДОВЫЕ РАСКРЫТИЯ: КАК ЗАЛОЖИТЬ ИХ В МАСТЕР-ПЛАН День 5 из #30DayMapChallenge, тема Sight. Посчитала, откуда в Лондоне на самом деле виден купол собора св. Павла, и сравнила с тем, что охраняет закон. Вывод пригодится всем, кто делает мастер-планы, особенно там, где виды законом не охраняются вовсе. В Лондоне виды охраняет London View Management Framework: восемь коридоров с холмов на купол. По LiDAR Environment Agency (1 м, пересчитала в 5 м, глаз 1,6 м, семь уровней купола от креста до основания) купол виден всего с 1,5% открытой земли, и 94% этой площади лежит вне коридоров. Коридор охраняет линию в небе: на St Pancras Way луч с Парламент-хилл идет в 59 м над улицей, а с самой улицы купол закрывает первый же дом в 13 м от глаза. Зато весь купол видно с Темзы и мостов, и там его держит другое правило - St Paul's Heights, сетка предельных высот по кварталам Сити с 1938 года. Почему это важно у нас В России виды охраняются законом там, где у исторического поселения есть свой предмет охраны. Например, в Петербурге приказ Минкультуры № 1295 охраняет панорамы, виды городского ландшафта и основные визуальные направления. В остальных городах держать виды может только мастер-план и высотный регламент к нему. В стратегии Суздаля от КБ Стрелка, например, высотные ограничения вынесли в следующий этап, объемно-пространственный регламент - вот туда бассейны видимости и ложатся. Как это сделать 1) Доминанты и точки. Что должно быть видно (храм, крепость, река) и откуда: площади, набережные, мосты, въезды в город. Не только видовая площадка на холме, а места, где люди реально ходят. 2) Бассейн видимости по реальной застройке. Нужна поверхность высот: лидар, если он есть, иначе высоты зданий (этажность из OSM или обмеров) поверх рельефа или съемка с дрона. Считать от доминанты: для каждой клетки видна ли верхушка, верх или объект целиком. Подойдут r.viewshed в QGIS или плагин Visibility Analysis; у меня свой код на Python, 22 × 18 км в 5 м считаются за пару секунд. 3) Пересечь с публичным пространством. Улицы, площади, парки, набережные. Видящая крыша никому не нужна, а в Лондоне треть всей видящей земли - это вообще поверхность Темзы. 4) Перевести в регламент. Не клин от одной точки, а поверхность предельных высот: для каждого квартала высота, выше которой новое здание закроет вид хотя бы с одной важной точки. Это логика St Paul's Heights. В мастер-плане - схема видовых раскрытий, высотный регламент и список видовых точек, которые стоит благоустроить. 5) Проверять каждый проект. Ставить 3D-модель нового здания в ту же сцену и считать, сколько видящей земли оно отнимает, в м² и в %. Такая цифра понятна и девелоперу, и жителям. 🏙 Итог: охранять стоит не линию с холма, а то, откуда людям на самом деле видно) Если закладывали видовые раскрытия в мастер-план или ОПР, расскажите в комментах, как это оформляли. Лондон и также Париж можно покрутить в интерактивной версии. @urban_mash

30DayMapChallenge, Clusters @urban_mash

🌳 ЗЕЛЕНЫЙ КАРКАС КАК ГРАФ: ГДЕ САМЫЕ УЯЗВИМЫЕ МЕСТА И КАК ИХ НАЙТИ Вторая часть моего исследования связности лесов Белграда. Первую часть с основными результатами вышла гостевым постом в «Экоурбанист»: там граф, метрики Сауры и главный результат - 11 140 га городского леса работают как один лес в 4 787 га, то есть на 43%. Здесь то, что мне самой было интереснее всего считать. В карточках: 1️⃣Где каркас пережат. Пускаю по ландшафту ток, как в Circuitscape, и смотрю, через какие клетки на самом деле идет поток. Одна улица, Видиковачки венац, стоит городу ~10% EC. 2️⃣Зачем это проектировщику. Какие участки нельзя отдавать под застройку, где нужен переход для животных и как проверить любой проект "до и после". 3️⃣Как повторить. Данные, библиотеки, инструменты без кода и что я бы улучшила. Итого: стрелочки на схеме можно посчитать. В Белграде единым целым работает 43% леса, держится он на поясе Баница - Степин луг, а самые уязвимые места - леса у Беле Воде и одна улица на Видиковце. Github: https://m-erts.github.io/belgrade-green/ @urban_mash

GTFS vs AVL Сегодня на консультации с клиентом разбирали транспортную аналитика общественного транспорта одного российского города. Сделала вот гифку для канала) GTFS - это план: остановки, маршруты и расписание, которые публикует город. AVL (automatic vehicle location) - это факт: координаты и скорость борта каждые несколько секунд. GTFS знает, где автобус должен быть, но не знает, где он сейчас. AVL знает, где он был, но не знает, почему стоял: остановка, светофор и пробка в точках выглядят одинаково) Поэтому по отдельности они дают мало, а вместе уже задержки, сбивание автобусов в пачки и потерянные машино-часы по каждому участку и часу. Тут внизу time-distance diagram: плоский участок = стоим, крутой = едем. Данные синтетические, один условный рейс) @urban_mash

ПЛАГИНЫ QGIS 2026 ДЛЯ УРБАНИСТОВ В марте вышел QGIS 4.0 (Qt6, пока не LTR), и разработчики массово обновляют старые плагины и выкладывают новые. 1️⃣Нейронки внутри QGIS 🔥LiDAR AI Classifier (Университет Льежа) - классификация LAS/LAZ по классам ASPRS: земля, растительность, здания, столбы, провода. Нужна NVIDIA GPU. 🔥GeoAI (Qiusheng Wu, писала о нем) - SAM 3 с текстовыми промптами, сегментация деревьев и воды. Бесплатно, зависимости ставятся в один клик. 🔥GeoOSAM - SAM 2.1 / SAM 3 без GPU, сам подбирает модель под CPU или Apple Silicon. Пока только QGIS 3.x. 2️⃣LLM-агенты 🔥QGIS MCP - подключает QGIS к Claude, Cursor, Codex через MCP, 118 инструментов. Бесплатный, платите только за свою LLM. 🔥QGIS Agent - чат-ассистент внутри QGIS. Таких в репозитории уже с десяток (GeoPilot, AI Agent от TerraLab и др.) 3️⃣Городская аналитика 🔥PlanX - space syntax, центральности, OD-матрицы, зоны обслуживания, 15-minute city, GTFS, тени, изовисты. Все на NumPy, без pip. 🔥02 Geo3D Analyzer - DEM + здания → 3D-сцена: часы солнца, тени, фасадная освещенность, UTCI. 🔥Isobenefit Urbanism (UCL) - клеточный автомат роста города по модели Д'Аччи: жилье в пешей доступности от центра и зелени. Только QGIS 4. 🔥SOLWEIG - радиационная температура, UTCI и PET из UMEP отдельным плагином. Бета, только QGIS 4. 🔥QCity (North Road) - выход квартир, коммерческих площадей и парковок по этажам для проектируемой застройки, с 3D. Пока под Австралию. 4️⃣Данные одной кнопкой 🔥World Administrative Boundaries - АТД всего мира, ADM0-ADM2, из OSM, с кешем для офлайна. 🔥GeoParquet Downloader - Overture Maps (здания, POI, дороги) в пределах текущего экстента, сразу в GPKG. 🔥OSM Data Toolkit - QuickOSM без Overpass-синтаксиса: прямоугольник → категории → GPKG. 🔥Panoramax - открытая альтернатива Mapillary: уличные снимки в 2D и 3D, загрузка своих. 🔥Nimbo's Earth Basemaps - ежемесячные безоблачные мозаики Sentinel-2 10 м и HD 2,5 м. Нужен бесплатный аккаунт. P.S. Проверяйте совместимость: на сайте уже 1513 плагинов с пометкой "QGIS 4 ready", но GeoOSAM только для 3.x, а Isobenefit и SOLWEIG - только для 4.0. P.P.S. Прошлые подборки: OSM, растры, AI-оцифровка, от Mashford Mahute. @urban_mash

КТО Я И ЧТО ЗДЕСЬ МОЖНО НАЙТИ Канал я создала и веду с 2023 года, подписчиков стало больше двух тысяч, а закрепа с навигацией так и не было. Исправляюсь) Кто я Маша Эрцеговац, геоаналитик и урбанист. Окончила "Городское планирование" в Вышке, два года делала транспортную и соц аналитику для мастер-планов в КБ Стрелка, потом геоаналитиком Яндекс Лавки на 27 городов - модель размещения складов, после чего Лавка вышла в Казахстан и Узбекистан, и прогнозы спроса на Гринфилде. Последнее время - geospatial data scientist в международных проектах: GPS-данные по 12 странам ЕС для международных исследовательских организаций в Habidatum и адресная база всего Кипра в Rockup. В 2026 году выступала на Мапаконе и с двумя докладами на FOSS4G в Хиросиме, читала лекцию по GeoAI в Deep Learning School МФТИ, прошла курсы EuroSDR и летнюю школу TU Delft и поступила на 5 из 5 европейских магистратур, куда подавалась. Пока живу в Белграде. О чем канал Пишу от первого лица и из практики: — методы геоаналитики и ML на геоданных: от индекса Морана до spatial cross-validation — открытые геоданные и ГИС-инструменты: где взять, чем обработать, что не так с точностью — города: планирование, транспорт, то, что вижу в поездках, и то, с чем спорю — карьера и рынок: зарплаты, собесы, отказы, магистратуры — свои проекты, доклады и инструменты Пять постов, с которых стоит начать 1️⃣Современные AI для урбанистов и архитекторов - подборка инструментов по категориям, самый пересылаемый пост канала. 2️⃣ Лекция "Геоаналитика и GeoAI" в Deep Learning School МФТИ - запись и материалы. 3️⃣Интерактивный тренажер по пространственной статистике - условный город, в котором можно покрутить параметры руками. 4️⃣Открытые геоданные - где брать данные по 20 странам, и отдельно по Европе. 5️⃣Возможности геоаналитики в real estate - мое исследование: скоринг площадок на 780 гексагонах, типология районов и ловушка spatial cross-validation, с интерактивной картой. Что можно получить от меня За последний год в лс приходили с очень разными запросами: подтянуть гисы перед новой работой, разобраться с лидарами для исследования в немецком университете, собрать архитектуру диссертации на геоданных (из Японии!), поправить резюме перед сменой работы. Отвечала каждому в личке, а теперь оформила в четыре формата: 📍 консультация по гео и ГИС - час на ваших данных, с подготовкой и резюме после 📍 архитектура исследования на геоданных - для студентов, PhD и ресерчеров, с письменным планом 📍 карьера в гео и урбан-аналитике - резюме, портфолио с данными, стратегия 📍 точечный совет бизнесу - когда нанимать геоаналитика рано, а вопрос уже есть Подробно про каждый формат, цены, процесс и подготовку - на Teletype. К каждому созвону готовлюсь заранее по вашим материалам, иначе первые полчаса уходят на то, чтобы понять, что вам вообще нужно) Созвон с записью, после - резюме со ссылками. Писать мне в лс @merc_telega. 🌟Воркшоп по ИИ-агентам для урбанистов - в планах, анкета для сбора интереса выйдет отдельным постом. А пока, если от новостей про ИИ тревожно, - разбор пяти отраслевых отчетов: ИИ не заменяет специалиста, а меняет его профиль, и у тех, кто уже в гео, фора, а не отставание. P.S. Рекламу беру, но избирательно и не часто. @urban_mash

🏫 GEOMORPHR VS MOMEPY НА ЗДАНИЯХ БЕЛГРАДА В предыдущем посте писала про новый R-пакет geomorphR, и стало интересно, насколько он сходится с momepy. Прогнала обе библиотеки по всем 200к зданиям Белграда из Overture Maps. Давайте разбираться) 1️⃣Базовые метрики совпадают. Площадь, периметр, convexity, ориентация и compactness (с точностью до множителя π/4) в обоих пакетах одинаковые. Для размера и компактности пакет можно выбирать по удобству, результаты сопоставимы. 2️⃣Одно название, противоположный смысл. shape_index в geomorphR растет, когда здание далеко от круга, а в momepy, когда оно компактное: корреляция между ними около −0,9. "Фрактальные" столбцы тоже считаются по разным формулам и почти не совпадают. Сравнивая свою работу с чужой из другого пакета, можно прийти к обратному выводу: "в центре здания сложнее" вместо "компактнее". В методике нужна формула, а не название столбца. 3️⃣Вытянутость и прямоугольность зависят от поворота карты. И это самое важное наблюдение (посмотри на гифку). geomorphR рисует рамку вокруг здания строго по осям карты (sf::st_bbox), momepy поворачивает ее вдоль здания. Реальный дом в Дорчоле, прямоугольник 2,5 к 1 под 45°, для geomorphR квадрат и прямоугольник на 40% (гифка слева). Поверни всю карту на 30°, и рейтинг 2 005 зданий Дорчола по rectangularity становится почти случайным: корреляция с исходным 0,01, у momepy 1,00 (гифка в центре и справа). Вывод: эти показатели в geomorphR описывают направление улиц, а не форму домов. Последствия: 🔥типология ошибается: длинная панельная ламела, стоящая наискосок, попадет в один класс с точечной башней. Ошибка уйдет во все расчеты по типу застройки, а наискосок в трех районах стоят 74–88% зданий; 🔥сравнение районов врет: квартал с диагональной сеткой выйдет "менее прямоугольным", чем такой же с сеткой по сторонам света; 🔥модель на этих признаках выучит ориентацию улиц одного города и сломается на другом. Пока это не исправлено, elongation, rectangularity и aspect_ratio из geomorphR лучше не брать. 4️⃣12 из 22 столбцов повторяют остальные 10. shape_index и perimeter_area_ratio - это compactness в другом масштабе, aspect_ratio - высота рамки, деленная на ширину. Проверила на 50к зданиях: совпадение до 10⁻⁹. Вывод: в кластеризации каждый столбец голосует, и компактность, посчитанная трижды, перевесит остальное: кластеры будут про компактность и размер, а не про форму целиком. В регрессии копии делят между собой "важность" и расшатывают коэффициенты. Перед анализом лучше оставить 10 исходных признаков. 5️⃣Метрики на вершинах зависят от того, кто рисовал контур. В OpenStreetMap дома обводят люди, Microsoft обводит их нейросетью по снимкам. У 55к домов Белграда есть оба контура: площадь совпадает по рангу на 0,93, число вершин только на 0,43. У каждого третьего дома geometric_complexity_score меняется больше чем на 25% просто от смены источника. Overture склеивает оба источника, и доля нейросетевых контуров разная: 18% в Новом Белграде, 9% в Дорчоле. Карта "сложности зданий" на таких данных частично показывает лоскутное одеяло источников, а не архитектуру. Это касается обоих пакетов (у momepy так же ведет себя corners), поэтому перед такими метриками надо смотреть, откуда контур. 6️⃣Скорость. На всем городе geomorphR считал 3 минуты, momepy посчитал 17 метрик за 10,5 секунды, в 17 раз быстрее. Для одного города это не критично. Для страны, ежемесячного обновления или перебора параметров уже часы против минут: на 10 млн зданий около 2,5 часа против 9 минут. 7️⃣Главное отличие. geomorphR описывает здание само по себе, momepy умеет еще тесселяцию, соседей, кварталы, улицы и space syntax. И это важно иметь ввиду, geomorphR пока генератор признаков формы для R, а не инструмент городской морфологии: все, что происходит между зданиями (соседи, кварталы, проницаемость), пока только в momepy. P.S. Если нужен код проверок - напишите в комменты, оформлю на гитхабе :) @urban_mash

geomorphR Совсем недавно вышел пакет geomorphR по городской морфологии. Раньше балом правила питоновская библиотека momepy, хорошо интегрированная с osmnx и networkx. Наверняка вы слышала про Copernicus Urban Atlas, вот он тесно связан с разработкой momepy. Теперь и любителей R тоже появился удобный инструмент, благодаря Jonathan Cohen, правда пока пакет работает только с полигонами, пятнами застройки. @urban_mash

🇯🇵FOSS4G HIROSHIMA 2026: ВТОРОЙ ДОКЛАД Весной я просила вас проголосовать за мои 2 доклада на FOSS4G, и оба прошли отбор. Lightning Talk я прочитала, а со вторым, "Eurostat vs OSM vs Census", выступить не смогла из-за здоровья. Но проект я доделала, поэтому выкладываю все целиком: код, статью и слайды) Честно о заявке: я обещала сравнить данные операторов связи от Евростата, GPS-треки OSM и перепись. Общеевропейского датасета от операторов у Евростата не оказалось - есть только методология и открытый код. Зато Испания выкладывает матрицы поездок по данным оператора, с целью поездки и часом. Ее и взяла. На картинке все 6 источников из 5 стран: кто куда едет, зачем и когда. Все три вещи сразу публикует только Испания) 1️⃣Одна строка справочника кодов. В переписи Англии и Уэльса 2021 года 12,6 млн человек, работающих из дома, записаны с местом работы = местом жительства. Оставишь их в матрице - доля работающих "у себя" вырастет с 0,093 до 0,506. 2️⃣Масштаб, смежность, границы. Самодостаточность ареала = масштаб + смежность + размещение границ. Для масштаба есть формула d + (1 − d)·h, для смежности - цепь рекомбинации на остовных деревьях. На 11 картах трех стран на положение границ приходится всего 0,06–0,22. 3️⃣59 или 95 зон рынка труда - смотря куда записать надомников. Стандартный алгоритм Кумбса–Бонда с параметрами официальных британских TTWA дает 59 ареалов. Если посчитать надомников по месту жительства, как делало ONS для официальной карты, - уже 95. В самой официальной карте их 173. 4️⃣Регионы 1970 года. На парах муниципалитетов 2023 года правило валидности TTWA проходят только 45 % нидерландских регионов COROP. 5️⃣Испания. Пары, цель поездки И час в одном открытом файле: 11,3 млн поездок в день из дома на работу или учебу, пик в 7 утра. — Репозиторий: код, статья и слайды — Слайды, PDF — Статья, PDF (попробую подать ее на публикацию) Данные: ONS, CBS, Basado en datos abiertos Ministerio de Transportes y Movilidad Sostenible. @urban_mash

📍ГДЕ СТАВИТЬ ЗАРЯДКИ ДЛЯ ЭЛЕКТРОМОБИЛЕЙ: ОТКРЫТЫЙ ПРОЕКТ ПО ЛОНДОНУ Я работала с локационными моделями доставки разных сервисов и услуг и с задачами, где поставить офлайн-бизнес типа магазина или аптеки, по моделям Хаффа. И вот решила изучить для себя, по каким законам работает сфера зарядок для электромобилей. Так появился пет-проект ChargeScape London про то, где ставить быстрые зарядные хабы в Лондоне, какого размера и насколько можно доверять ответу. Что внутри: 1️⃣Спрос с интервалами. 2 374 гексагона H3, и в каждом не одно число, а P10/P50/P90 из Монте-Карло. Главный рычаг — жилье: у кого нет своей парковки, тот заряжается на публичных станциях. Итого 285 ГВт·ч в 2026 году, больше половины — такси и private hire (Uber и т.п.). 2️⃣Выбор станции и очереди. Логит-модель, родственница того же Хаффа, распределяет водителей между станциями по времени в пути по графу OSM, а очереди Эрланга считают ожидание. У 348 из 632 быстрых площадок в пиковый час шанс ждать выше 50%. 3️⃣Каннибализация. 64–75% сессий нового хаба в самой дефицитной точке — клиенты, которые иначе заряжались бы у соседей. 4️⃣Где ставить. Тот самый MCLP, только хаб не резиновый: вместимость считается из очередей, а площадки у подстанций без резерва мощности отсеяны. На £20 млн выходит 51 хаб по 4 зарядки на 150 кВт, они закрывают 63% неудовлетворенного спроса, и это доказанный оптимум. 22 хаба из 51 держатся при любом сценарии спроса, это список "строить первыми". 5️⃣Честная проверка. Самым полезным результатом оказался отрицательный. Бустинг предсказывает загрузку 204 зарядок из 4 городов: на случайной кросс-валидации R² 0,70, на городе, которого модель не видела, −0,25. Про утечку через географию я уже писала, тут она в чистом виде) ❤️Как этим пользоваться, если вы только начинаете в геоаналитике? Проект воспроизводимый, а код открыт под лицензией MIT: его можно брать, менять и использовать в своих проектах, в том числе коммерческих. Условие одно - сохранить файл LICENSE с копирайтом. У данных свои открытые лицензии (OGL, CC BY, ODbL и др.), они указаны в каталоге. — Посмотреть без установки. На сайте живые карты и слайды, а ноутбуки 01–05 читаются как пошаговый разбор от аудита зарядок до размещения хабов. — Запустить у себя. Нужен Python 3.11+, сырые данные качать не нужно. Модели пересчитываются примерно за час: git clone https://github.com/m-erts/chargescape-london cd chargescape-london pip install -e ".[all]" make models maps slides — Взять данные. Каталог из 32 открытых наборов: у каждого источник, лицензия и статус observed/proxy/synthetic. — Забрать кусок в свой проект. Сетка H3, очереди Эрланга, логит и MILP на SciPy без платных солверов к Лондону не привязаны, подставляйте свои данные. — Подсмотреть оформление. README, методология, model card, тесты и CI: так можно оформить и свой пет-проект для портфолио. Сохраняйте и юзайте) 💸Сайт с картами и слайдами: https://m-erts.github.io/chargescape-london/ 💸Код на GitHub 💸Англоязычный пост с видео в LinkedIn @urban_mash

🇯🇵F O S S 4 G H I R O S H I M A 2 0 2 6 Lightning Talk позади 🥲 https://github.com/m-erts/foss4g2026 @urban_mash

📍 3DGeoCity - российская платформа трёхмерной картографии Обычно проект и город живут в разных файлах: подоснова в ГИС, объём в Rhino или SketchUp, согласование в PDF. Каждый смотрит своё и спорит про разное. Идея платформы - посадить будущий объект сразу в реальное окружение, с существующей застройкой, рельефом и инженеркой, и дать всем одну модель вместо трёх версий правды. Плюс освещение и погода, чтобы оценивать проект в разных условиях. Мне интереснее не сам вьюер, а что стоит за ним: 1️⃣Разработчик - АйТи Гео, компания с 2012 года, резидент Сколково, больше десяти лет на проектах по управлению имуществом Москвы. Люди пришли из городских данных, а не из графики. 2️⃣Есть весь цикл до модели: лазерное сканирование, съёмка автомобильная, велосипедная, пешеходная, с БПЛА и внутри помещений. Плюс инвентаризация зданий и дорожной сети через ИИ. 3️⃣Обработка и публикация - через GeoData, их low-code платформу. 4️⃣Собственный графический движок, лицензии облачные и on-premise, акцент на импортозамещение и встраивание в действующие системы. На делфтском проекте любой расчёт - инсоляция, часы прямого солнца - без контекста соседних зданий врёт в плюс, модель думает, что вокруг чистое поле. Так что ценность такой штуки ровно в контексте, а не в самом объёме. @urban_mash Пост в рамках информационного сотрудничества

FOSS4G HIROSHIMA 2026 Уже совсем скоро еду на конференцию в Японию выступать с 2 докладами! @urban_mash

👍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 строительных 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

🧠 НЕЙРОУРБАНИСТИКА 1️⃣Направления: 1. Зелень и структура мозга. Самое разработанное направление. Апрель 2025, Biological Psychiatry: 7102 подростка из когорты ABCD. Зелень вокруг дома в 9–10 лет предсказывает траекторию роста коры через два года - и уже эта траектория связана с психическим здоровьем и успеваемостью. Статья 2. Морфотип и когнитивная карта. Nature, 2022: 397 162 человека из 38 стран играли в навигационную игру. Выросшие в городах с сеткой улиц хуже ориентируются в извилистых городах, и наоборот — люди лучше всего справляются со средой, топологически похожей на среду детства. Энтропия уличной сети оказалась рабочим предиктором. Статья 3. Этажность. Систематический обзор в Cities: просеяли 4100 работ, отобрали 23. Тип дома, этаж и «промежуточные» пространства вроде общих лестниц действительно связаны с психическим здоровьем и социальным благополучием. Но методология в поле разнородная, и авторы честно пишут: выводы пока предварительные. PDF 4. Фасады и визуальная сложность. Колин Эллард водил людей с браслетами, меряющими кожную проводимость, вдоль глухой стены супермаркета на Хьюстон-стрит и вдоль живого ряда витрин. У глухой стены возбуждение падало почти в ноль, и это не успокоение, а скука, идти надо, а смотреть не на что. Слова участников: «пресно, монотонно, безжизненно». Нормы на длину слепого фасада в городах и так существуют (Финикс - не больше 20 футов без окна), но раньше их защищали эстетикой. Теперь под ними физиология. Эссе Элларда 5. Звук. Scientific Reports, 2022: 1292 человека, 26 856 замеров через приложение. Встреча с птицами улучшает самочувствие с последействием, в том числе у людей с диагностированной депрессией. Встречный результат: транспортный шум повышает подавленность (привет всем на спектре). Статья 6. Свет и безопасность. Редкий для урбанистики рандомизированный эксперимент: в Нью-Йорке временное освещение случайно раздали 40 жилым комплексам. Ночная уличная преступность упала минимум на 36%. Статья 7. Что перевешивает что. 2025, метод exposure network mapping на UK Biobank. Связка «депривация + грязный воздух + плотность улично-дорожной сети» бьёт по аффективным симптомам через зоны обработки вознаграждения. Зелень и пешая доступность работают в минус тревожности через зоны эмоциональной регуляции. Статья 2️⃣За кем следить: 1. AG Neurourbanistik, Charité, Берлин - Мазда Адли, автор самого термина в его нынешнем виде. Пишут Хартию нейроурбанистики. тык1, тык2 2. Center for Environmental Neuroscience, MPI развития человека, Берлин - Симоне Кюн, с 2024 директор института. Та самая работа про час в лесу и падение активности миндалины. тык 3. Environmental Neuroscience Lab, Чикаго - Марк Берман. Прогулка в парке улучшает память и внимание на 20%. Сейчас гоняют deep learning по Google Street View и соцсетям: жара, физический беспорядок, зелень, сплочённость - и как всё это связано с преступностью. тык1, тык2 4. Urban Realities Laboratory, Ватерлоо - Колин Эллард. Датчики, VR, улица. тык 5. Spiers Lab, UCL — Хьюго Спирс, пространственная навигация и города. тык1, тык2 6. NeuroLandscape, Варшава - Агнешка Ольшевска-Гиззо, «модель созерцательного ландшафта». В декабре 2025 говорила с Nature. тык1, тык2 7. ZI Mannheim, Гейдельберг - Мейер-Линденберг, классика 2011 года про городское детство и цингулярную кору. 8. ISGlobal, Барселона — Марк Нивенхёйсен, доказательная база под суперкварталы. 9. Centre for Urban Mental Health, Амстердам — три факультета UvA, подход через теорию сложных систем. тык 10. eMOTIONAL Cities, Лиссабон — полевые эксперименты в Лиссабоне, Лондоне, Копенгагене; собрали рюкзак с ЭЭГ, айтрекингом и датчиками воздуха. тык 3️⃣Как записаться испытуемым: - Откуда угодно, с телефона: Urban Mind от King's College London. Гуляешь, отвечаешь на вопросы, и данные идут в реальные публикации. - Игра вместо теста: Sea Hero Quest - навигационная игра, давшая крупнейший в мире датасет и больше 30 статей (включая ту, что в Nature). Перезапущена как Research Edition, качается из сторов. - Пул лаборатории: у MPI в Берлине открытая анкета для добровольцев и онлайн-панель с оплатой участия. - Локальные наборы: GreenInCities искал по 50 жителей в Нова-Горице и Хельсинки. Такие призывы висят на сайтах проектов, ловятся только подпиской. 4️⃣Что есть в Вышке Группа нейрокогнитивных исследований городской среды в Институте когнитивных нейронаук - это ровно нейроурбанистика. Пока увила три линии: айтрекинг дворов при выборе аренды, VR-360 и стресс, межсубъектная корреляция ЭЭГ на видеопрогулках. Руководитель - Василий Ключарев (когда-то слушала его лекции по нейрэкономике на постнауке). @urban_mash

📍Наткнулась на классный сайт по Нидерландам! Обычно мы смотрим на административные границы, но они часто устаревают и не отражают реальную жизнь. Тут показано, как регионы Нидерландов формируются функционально (через маятниковую миграцию, трудовые поездки и переезды). 🔥В основе 20 лет стат данных Центрального бюро статистики Нидерландов (CBS) по поездкам на работу, учебу и смене жительства. 🔥Главный принцип: если 10% жителей муниципалитета ездят на работу в определенный город, он входит в его Daily Urban System (ежедневную городскую систему). Я делала похожий ресерч по функциональной географии в Habidatum осенью-зимой :) Жду окончания проекта, чтобы можно было с вами поделиться, что у нас получилось! @urban_mash

🧠 Я поступила на 5/5 европейских магистерских програм, куда я подавалась! GEM Erasmus Mundus, TU Delft, TU Dublin, Wageningen, UvA. Что бы выбрали вы? Какая ваша магистратура мечты? @urban_mash