Зачем геоаналитикам ML и зачем ML-щикам Geo?
Часто слышу от "трушных" программистов, что геоаналитика — это просто добавить столбцы
Почему геоаналитику недостаточно классического ML?
Когда я делала любую геомодель, которая по пространственным признакам предсказывает таргет, то я сталкивалась с несколькими проблемами:
- Пространственные данные автокоррелированы (значение в точке зависит от соседей) → обычные ML-модели дают смещённые предсказания.
- Координаты — это не просто два признака, а пространственная структура → нужны специальные методы (геостатистика, пространственные графы).
- В геоданных много шума (GPS-прыжки, ошибки картографирования) → без предобработки модели учатся на артефактах.
Почему ML-специалистам нужно понимание гео?
Когда мы с командой прогнозировали заказы в ПВЗ на хакатоне, мы увидели, что:
- Рядом с метро спрос выше в 1.5–3 раза → но если просто добавить
- Традиционные метрики (RMSE) не отражают географическую ошибку (промах на 500 м в центре Москвы ≠ 500 м в промзоне).
- Без понимания пространственных процессов (например, сезонной миграции) модель выдаёт "среднюю температуру по больнице".
Курсы, которые реально прокачали мои навыки
1. Working with Geospatial Data in Python (Datacamp) – лучший старт для работы с
2. Spatial Data Science and Applications (Coursera) – более общий курс, где есть QGIS, PostGIS, R и инструменты Hadoop.
3. Курс Инессы Трегубовой – разбор реальных практических кейсов. Это курс, где я была на 1 потоке и который стал для меня вдохновением пойти работать геоаналитиком в Я.Лавку, т.к. на тот момент Инесса там работала.
P.S. Если хотите глубже разобрать какой-то кейс – пишите, расскажу про подводные камни (например, почему kNN для геоданных — плохая идея).
@urban_mash
Часто слышу от "трушных" программистов, что геоаналитика — это просто добавить столбцы
latitude и longitude в датасет и прогнать через sklearn. Но на практике всё чуть сложнее. Почему геоаналитику недостаточно классического ML?
Когда я делала любую геомодель, которая по пространственным признакам предсказывает таргет, то я сталкивалась с несколькими проблемами:
- Пространственные данные автокоррелированы (значение в точке зависит от соседей) → обычные ML-модели дают смещённые предсказания.
- Координаты — это не просто два признака, а пространственная структура → нужны специальные методы (геостатистика, пространственные графы).
- В геоданных много шума (GPS-прыжки, ошибки картографирования) → без предобработки модели учатся на артефактах.
Почему ML-специалистам нужно понимание гео?
Когда мы с командой прогнозировали заказы в ПВЗ на хакатоне, мы увидели, что:
- Рядом с метро спрос выше в 1.5–3 раза → но если просто добавить
distance_to_subway, модель не учтёт нелинейность (например, пешеходные маршруты через парки).- Традиционные метрики (RMSE) не отражают географическую ошибку (промах на 500 м в центре Москвы ≠ 500 м в промзоне).
- Без понимания пространственных процессов (например, сезонной миграции) модель выдаёт "среднюю температуру по больнице".
Курсы, которые реально прокачали мои навыки
1. Working with Geospatial Data in Python (Datacamp) – лучший старт для работы с
geopandas и shapely.2. Spatial Data Science and Applications (Coursera) – более общий курс, где есть QGIS, PostGIS, R и инструменты Hadoop.
3. Курс Инессы Трегубовой – разбор реальных практических кейсов. Это курс, где я была на 1 потоке и который стал для меня вдохновением пойти работать геоаналитиком в Я.Лавку, т.к. на тот момент Инесса там работала.
P.S. Если хотите глубже разобрать какой-то кейс – пишите, расскажу про подводные камни (например, почему kNN для геоданных — плохая идея).
@urban_mash
❤36👍9🔥3🤔1
Введение бесплатного проезда в Белграде
В декабре 2021 года мэр Белграда Александр Шапич из Сербской прогрессивной партии SNS, объявил, что с 1 января 2022 года общественный транспорт в городе станет бесплатным для всех жителей. В действительности бесплатный городской транспорт (трамваи, автобусы, троллейбусы) вступил в силу с 2025 года. Официальная причина - поддержка граждан в условиях роста цен. Инфляция в Сербии в 2022 году достигала 15%.
ПОЧЕМУ ЭТО НЕРАЗУМНЫЙ ШАГ?
1. Финансовая нагрузка на бюджет
До реформы городской транспортный оператор GSP ежегодно получал 10–12 млрд динаров (≈85–100 млн евро) от продажи билетов. После введения бесплатного проезда, этот доход исчез, и убытки теперь покрываются из бюджета Белграда. В 2023 году на субсидии транспорта выделили более 20 млрд динаров (≈170 млн евро) — почти вдвое больше, чем раньше. Средства берутся из городского бюджета, который и так имеет долги (в 2023 году — около 1,5 млрд евро). Оппозиция, например, партия «Двери српске», утверждает, что это приводит к сокращению других важных программ — ремонта дорог, финансирования школ и больниц.
2. Ухудшение качества транспорта
Автопарк устарел: Шапич обещал закупить 500 новых автобусов, но к 2024 году поставлено лишь около 200, в основном китайские Yutong. Водители и профсоюзы жалуются на нехватку персонала и переработки, что приводит к сбоям в расписании (это мы еще не берем перекрытые дороги из-за протестов). А бюджет мощнее не становится, персонула надо платить деньги, подвижной состав надо закупать или ремонтировать текущий. И так были большие проблемы с наземным общественным транспортом, проблема никуда не делась.
3. Эластичность спроса на ОТ не зависит от цены
Если Шапич считает, что это хоть как-то повлияет на пробки, вынуждена огорчить. Местные жители и так не сильно желали платить за транспорт, можно сравнить эмпирически пассажиропотоки и кол-во проданных билетов на любом маршруте в час-пик. У Белграда не было проблем в недозагруженности, наоборот. Автобусы переполнены. На спрос цена не повлияла (что мб к счастью) в положительную сторону, т.к. условная половина и так не платила. Но зато город потерял половину поступлений от людей, которые платили. А автомобилисты в любой стране автомобилисты. Пока ОТ не удовлетворяет трем критериям: скорость, комфорт и предсказуемость, автомобилисты на него не пересядут. Но справедливости ради им и некуда пересаживаться, зайдите на любой маршрут в час-пик.
Мое мнение
Если мы заботимся о горожанах, мол инфляция высокая, логичнее ввести льготные тарифы для социально уязвимых групп (как идея посмотреть еще на причины инфляции, но это не точно). Если мы заботимся о пробках - это можно решить негативными стимулами по индивидуальному авто и позитивными по общественному (и цена билета автобуса не стимул). Реформа Шапича — классический пример популизма, отличающийся красивым обещанием перед выборами. Пока что реформа выглядит как политический пиар за счёт городского бюджета.
P.S. фотография - пример активного гражданского общества, которые борются за отмененные маршруты. Подробнее о кейсе можно почитать тут: Vratimo trolu 28.
P.P.S. как насчет возобновления строительства метро?) вот что действительно подняло бы рейтинги любого градоначальника 😁
@urban_mash
В декабре 2021 года мэр Белграда Александр Шапич из Сербской прогрессивной партии SNS, объявил, что с 1 января 2022 года общественный транспорт в городе станет бесплатным для всех жителей. В действительности бесплатный городской транспорт (трамваи, автобусы, троллейбусы) вступил в силу с 2025 года. Официальная причина - поддержка граждан в условиях роста цен. Инфляция в Сербии в 2022 году достигала 15%.
ПОЧЕМУ ЭТО НЕРАЗУМНЫЙ ШАГ?
1. Финансовая нагрузка на бюджет
До реформы городской транспортный оператор GSP ежегодно получал 10–12 млрд динаров (≈85–100 млн евро) от продажи билетов. После введения бесплатного проезда, этот доход исчез, и убытки теперь покрываются из бюджета Белграда. В 2023 году на субсидии транспорта выделили более 20 млрд динаров (≈170 млн евро) — почти вдвое больше, чем раньше. Средства берутся из городского бюджета, который и так имеет долги (в 2023 году — около 1,5 млрд евро). Оппозиция, например, партия «Двери српске», утверждает, что это приводит к сокращению других важных программ — ремонта дорог, финансирования школ и больниц.
2. Ухудшение качества транспорта
Автопарк устарел: Шапич обещал закупить 500 новых автобусов, но к 2024 году поставлено лишь около 200, в основном китайские Yutong. Водители и профсоюзы жалуются на нехватку персонала и переработки, что приводит к сбоям в расписании (это мы еще не берем перекрытые дороги из-за протестов). А бюджет мощнее не становится, персонула надо платить деньги, подвижной состав надо закупать или ремонтировать текущий. И так были большие проблемы с наземным общественным транспортом, проблема никуда не делась.
3. Эластичность спроса на ОТ не зависит от цены
Если Шапич считает, что это хоть как-то повлияет на пробки, вынуждена огорчить. Местные жители и так не сильно желали платить за транспорт, можно сравнить эмпирически пассажиропотоки и кол-во проданных билетов на любом маршруте в час-пик. У Белграда не было проблем в недозагруженности, наоборот. Автобусы переполнены. На спрос цена не повлияла (что мб к счастью) в положительную сторону, т.к. условная половина и так не платила. Но зато город потерял половину поступлений от людей, которые платили. А автомобилисты в любой стране автомобилисты. Пока ОТ не удовлетворяет трем критериям: скорость, комфорт и предсказуемость, автомобилисты на него не пересядут. Но справедливости ради им и некуда пересаживаться, зайдите на любой маршрут в час-пик.
Мое мнение
Если мы заботимся о горожанах, мол инфляция высокая, логичнее ввести льготные тарифы для социально уязвимых групп (как идея посмотреть еще на причины инфляции, но это не точно). Если мы заботимся о пробках - это можно решить негативными стимулами по индивидуальному авто и позитивными по общественному (и цена билета автобуса не стимул). Реформа Шапича — классический пример популизма, отличающийся красивым обещанием перед выборами. Пока что реформа выглядит как политический пиар за счёт городского бюджета.
P.S. фотография - пример активного гражданского общества, которые борются за отмененные маршруты. Подробнее о кейсе можно почитать тут: Vratimo trolu 28.
P.P.S. как насчет возобновления строительства метро?) вот что действительно подняло бы рейтинги любого градоначальника 😁
@urban_mash
👍23🔥9💯8❤4🤔1🦄1
kNN для геоданных
В одном из последних постов упомянула, что классический knn не оч хорош для геоданных, полетели вопросы в лс) Поэтому решила сделать отдельный пост!
📍 ПРОБЛЕМЫ
1. Масштабирование признаков
Геоданные обычно представлены в виде координат (широта, долгота), которые могут иметь разный масштаб (например, градусы vs. метры). Если не нормализовать данные, расстояние между точками будет искажаться.
Пример:
- В градусах:
- В метрах:
2. Расстояние на сфере (Земля не плоская)
Евклидово расстояние (
Пример:
- Вблизи экватора
3. Неравномерная плотность данных
В городах точек может быть много, а в сельской местности — мало. Это приводит к:
- Смещению предсказаний (kNN будет давать больше веса густонаселённым регионам).
- Проблемам с выбором
4. Вычислительная сложность
kNN требует хранения всех данных и вычисления расстояний для каждого нового объекта → O(N) на запрос. Для больших геодатасетов (миллионы точек) это неэффективно.
5. Категориальные признаки
Если в данных есть категории (например, тип местности), их сложно учесть в стандартной метрике расстояния.
📍 КАК УЛУЧШИТЬ kNN ДЛЯ ГЕОДАННЫХ?
1. Использовать метрики, которые учитывают кривизну Земли.
- самая популярная Haversine distance
- Vincenty distance более точный, но более медленный
2. Нормализация и масштабирование
- Если используете евклидово расстояние, приведите координаты к метрам (например, через
- Можно применить
Спойлер: в конце будет про UTM
3. Учет пространственной автокорреляции
- Взвешенный kNN – давать больше веса ближайшим соседям (например,
- KD-деревья или Ball Trees – ускоряют поиск соседей в пространственных данных (
*** кстати соседей в своей работе в Яндексе я ищу через роутеры по улично-дорожной сети, т.к. в моих задачах мне важна транспортная доступность
4. Оптимизация выбора k
- Использовать кросс-валидацию с учетом пространственного разделения (например,
- Методы вроде LOOCV (Leave-One-Out Cross-Validation) для маленьких датасетов.
📍 А КАК ЖЕ UTM???
UTM действительно помогают работать с геоданными в локальных координатах, но у них есть свои нюансы. За этими проекции следуюдет признать:
✅ Евклидово расстояние работает лучше – в метрах, а не в градусах.
✅ Меньше искажений на небольших территориях (город, область).
✅ Быстрые вычисления – не нужно считать Haversine.
Но есть ограничения...
1. Границы зон
Точки из разных зон UTM нельзя сравнивать напрямую (
2. Большие расстояния
UTM искажает расстояния за пределами зоны (~1000 км), для континентальных данных лучше подходит Haversine/Vincenty.
3. Высота не учитывается
UTM работает только с 2D-координатами. Если нужен рельеф, нужно добавлять
4. Неравномерная плотность
В городах точек больше, чем в сельской местности, тут нужен адаптивный
P.S. как быстро определить зону UTM
UTM хорош для локальных данных в одной зоне, но для сложных случаев имхо лучше использовать другие подходы. Про них напишу как-нибудь потом)
@urban_mash
В одном из последних постов упомянула, что классический knn не оч хорош для геоданных, полетели вопросы в лс) Поэтому решила сделать отдельный пост!
1. Масштабирование признаков
Геоданные обычно представлены в виде координат (широта, долгота), которые могут иметь разный масштаб (например, градусы vs. метры). Если не нормализовать данные, расстояние между точками будет искажаться.
Пример:
- В градусах:
lat ∈ [-90, 90], lon ∈ [-180, 180] → долгота влияет сильнее. - В метрах:
1° широты ≈ 111 км, 1° долготы ≈ 111 км × cos(lat) → зависимость от широты. 2. Расстояние на сфере (Земля не плоская)
Евклидово расстояние (
sqrt(Δlat² + Δlon²)) плохо работает на больших дистанциях, так как искажает реальные расстояния на сфере. Пример:
- Вблизи экватора
1° ≈ 111 км, но ближе к полюсам 1° долготы → 0 км. 3. Неравномерная плотность данных
В городах точек может быть много, а в сельской местности — мало. Это приводит к:
- Смещению предсказаний (kNN будет давать больше веса густонаселённым регионам).
- Проблемам с выбором
k (в плотных районах нужно маленькое k, в разреженных — большое). 4. Вычислительная сложность
kNN требует хранения всех данных и вычисления расстояний для каждого нового объекта → O(N) на запрос. Для больших геодатасетов (миллионы точек) это неэффективно.
5. Категориальные признаки
Если в данных есть категории (например, тип местности), их сложно учесть в стандартной метрике расстояния.
1. Использовать метрики, которые учитывают кривизну Земли.
- самая популярная Haversine distance
from sklearn.metrics.pairwise import haversine_distances
distances = haversine_distances([[lat1, lon1], [lat2, lon2]])
- Vincenty distance более точный, но более медленный
2. Нормализация и масштабирование
- Если используете евклидово расстояние, приведите координаты к метрам (например, через
pyproj). - Можно применить
StandardScaler или MinMaxScaler.3. Учет пространственной автокорреляции
- Взвешенный kNN – давать больше веса ближайшим соседям (например,
weight = 1 / distance). - KD-деревья или Ball Trees – ускоряют поиск соседей в пространственных данных (
sklearn.neighbors.BallTree)*** кстати соседей в своей работе в Яндексе я ищу через роутеры по улично-дорожной сети, т.к. в моих задачах мне важна транспортная доступность
4. Оптимизация выбора k
- Использовать кросс-валидацию с учетом пространственного разделения (например,
sklearn.model_selection.KFold с учетом координат). - Методы вроде LOOCV (Leave-One-Out Cross-Validation) для маленьких датасетов.
UTM действительно помогают работать с геоданными в локальных координатах, но у них есть свои нюансы. За этими проекции следуюдет признать:
✅ Евклидово расстояние работает лучше – в метрах, а не в градусах.
✅ Меньше искажений на небольших территориях (город, область).
✅ Быстрые вычисления – не нужно считать Haversine.
Но есть ограничения...
1. Границы зон
Точки из разных зон UTM нельзя сравнивать напрямую (
easting повторяется), нужно разбивать данные по зонам или использовать Haversine. 2. Большие расстояния
UTM искажает расстояния за пределами зоны (~1000 км), для континентальных данных лучше подходит Haversine/Vincenty.
3. Высота не учитывается
UTM работает только с 2D-координатами. Если нужен рельеф, нужно добавлять
altitude в метрику расстояния. 4. Неравномерная плотность
В городах точек больше, чем в сельской местности, тут нужен адаптивный
k или взвешенный kNN. P.S. как быстро определить зону UTM
import math
utm_zone = math.floor((lon+180)/6)+1
UTM хорош для локальных данных в одной зоне, но для сложных случаев имхо лучше использовать другие подходы. Про них напишу как-нибудь потом)
@urban_mash
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥17❤4👍3🤔2
Global Leadership & Business Certification Cambridge 2025
Меня выбрали в качестве делегата в бизнес-симпозиум Кембриджского университета. Ура 🥰
@urban_mash
Меня выбрали в качестве делегата в бизнес-симпозиум Кембриджского университета. Ура 🥰
@urban_mash
❤46🔥32😍9👍3
Геомаркетинг. С чего начать?
Геомаркетинг на мой взгляд одна из самых прибыльных сфер сейчас (мб помимо geoAI) с учетом большого кол-ва заказчиков, которым надо развивать самые разные бизнесы оффлайн и онлайн (как гипер растущая сфера екома сейчас).
Хочу посоветовать на мой взгляд классную базовую книгу для каждого, кто только начинает развиваться в области решения локационных задач: Gérard Cliquet "Geomarketing: Methods and Strategies in Spatial". Пособие не столько практическое в плане написания конкретного скрипта под специфические данные, делаем скидку на то, что она 2006 года издания. Однако она поможет раскрыть и структурировать информацию по локационным задачам и потребительскому поведению в пространстве.
Совсем недавно я выступала на работе с решением классической задачи, которая в общем виде звучит "Где открыть бизнес?". Задача классическая, а решений и моделей может быть миллион. Перед тем как подступиться к гитхабам и разным адаптированным либам, советую хотя бы брифли ознакомиться с логикой решения геомаркетинговых задач. Сначала понимание - затем реализация.
А сам спектр вопросов, с которыми помогут методы из геомаркетинга очень широк.
Выбор местоположения
1. Где открыть новый магазин/кафе/склад, чтобы максимизировать поток клиентов?
2. Как определить зону покрытия (trade area) для существующей точки?
3. Где разместить новый филиал банка или АЗС с учетом конкуренции?
Анализ потребительского поведения
4. Откуда приезжают клиенты (анализ потоков)?
5. Как далеко люди готовы ехать за определенным товаром?
6. Как сегментировать аудиторию по географическим и поведенческим признакам?
Оптимизация розничной сети
7. Какие точки сети закрыть/перепрофилировать из-за низкой эффективности?
8. Как распределить товары между магазинами в зависимости от локации?
9. Как избежать каннибализации продаж между своими же точками?
Ценообразование и ассортимент
10. Как варьировать цены в разных районах (например, дороже в центре)?
11. Как адаптировать ассортимент под локальный спрос (гео-мерчандайзинг)?
12. Где размещать рекламу премиум-товаров?
Логистика и доставка
13. Как оптимизировать зоны доставки для снижения затрат?
14. Где открыть склад для минимального времени доставки?
15. Как спрогнозировать спрос в разных районах для управления запасами?
Вот такие задачи решают компании из ритейла, HoReCa, банковского сектора, логистики, e-commerce и госструктуры (например, при планировании городской инфраструктуры). Геомаркетинг — это не только про карты, а про прибыльные решения, основанные на данных.
P.S. Знаю, что отдельно курс геомаркетинга есть на геофаке ВШЭ, у меня, к сожалению, такой дисциплины не было. Познавала сама) Выше в канале рекомендовала открытые курсы по геоаналитике, которые мне помогли построить техническую базу в гео.
@urban_mash
Геомаркетинг на мой взгляд одна из самых прибыльных сфер сейчас (мб помимо geoAI) с учетом большого кол-ва заказчиков, которым надо развивать самые разные бизнесы оффлайн и онлайн (как гипер растущая сфера екома сейчас).
Хочу посоветовать на мой взгляд классную базовую книгу для каждого, кто только начинает развиваться в области решения локационных задач: Gérard Cliquet "Geomarketing: Methods and Strategies in Spatial". Пособие не столько практическое в плане написания конкретного скрипта под специфические данные, делаем скидку на то, что она 2006 года издания. Однако она поможет раскрыть и структурировать информацию по локационным задачам и потребительскому поведению в пространстве.
Совсем недавно я выступала на работе с решением классической задачи, которая в общем виде звучит "Где открыть бизнес?". Задача классическая, а решений и моделей может быть миллион. Перед тем как подступиться к гитхабам и разным адаптированным либам, советую хотя бы брифли ознакомиться с логикой решения геомаркетинговых задач. Сначала понимание - затем реализация.
А сам спектр вопросов, с которыми помогут методы из геомаркетинга очень широк.
Выбор местоположения
1. Где открыть новый магазин/кафе/склад, чтобы максимизировать поток клиентов?
2. Как определить зону покрытия (trade area) для существующей точки?
3. Где разместить новый филиал банка или АЗС с учетом конкуренции?
Анализ потребительского поведения
4. Откуда приезжают клиенты (анализ потоков)?
5. Как далеко люди готовы ехать за определенным товаром?
6. Как сегментировать аудиторию по географическим и поведенческим признакам?
Оптимизация розничной сети
7. Какие точки сети закрыть/перепрофилировать из-за низкой эффективности?
8. Как распределить товары между магазинами в зависимости от локации?
9. Как избежать каннибализации продаж между своими же точками?
Ценообразование и ассортимент
10. Как варьировать цены в разных районах (например, дороже в центре)?
11. Как адаптировать ассортимент под локальный спрос (гео-мерчандайзинг)?
12. Где размещать рекламу премиум-товаров?
Логистика и доставка
13. Как оптимизировать зоны доставки для снижения затрат?
14. Где открыть склад для минимального времени доставки?
15. Как спрогнозировать спрос в разных районах для управления запасами?
Вот такие задачи решают компании из ритейла, HoReCa, банковского сектора, логистики, e-commerce и госструктуры (например, при планировании городской инфраструктуры). Геомаркетинг — это не только про карты, а про прибыльные решения, основанные на данных.
P.S. Знаю, что отдельно курс геомаркетинга есть на геофаке ВШЭ, у меня, к сожалению, такой дисциплины не было. Познавала сама) Выше в канале рекомендовала открытые курсы по геоаналитике, которые мне помогли построить техническую базу в гео.
@urban_mash
👍20❤13🔥9👏2❤🔥1
Насчет GeoAI
Мне кажется, если специалист знает и географию, и анализ данных с ML, то он как будто даже более востребован на рынке или по крайней мере его зарплаты выше, нежели чем он знает что-то одно из этого или сосредоточился на геомаркетинге. Из физической географии недавно ко мне поступила задача "спрогнозировать эрозию почв в месте Х, чтобы понять, как прокладывать трубы с веществом Y", из соц-эк классическая задача для любой айти компании "Сколько через Х лет будет заказов/клиентов/прибыли по зонам Y?".
Чтобы было интереснее читать дальше, давайте примерно соберем, где востребована прогнозная геоаналитика (GeoAI):
1. Сельское хозяйство: прогноз урожайности, засух и урожайных зон по спутниковым и погодным данным.
2. ЧС и риски: прогноз наводнений, пожаров, распространения загрязнений.
3. Транспорт и логистика: предсказание трафика, оптимизация маршрутов, планирование общественного транспорта.
4. Ритейл и недвижимость: выбор лучших локаций для магазинов, складов, жилья с учетом динамики спроса и конкуренции.
5. Экология: прогноз изменений климата, водоемов, исчезновения лесов, “теплового острова” в городах.
Все вместе неплохо кст уживается под термином "городское планирование", город в самых разных смыслах нужно планировать на будущее)
Чтобы чуть-чуть пощупать сферу прогнозирования, можно ознакомиться с множеством готовых бесплатных сервисов/библиотек/репозиториев:
1. Raster Vision - deep learning по анализу спутниковых снимков
2. Solaris - аналитика снимков и разработка моделей для распознавания объектов инфраструктуры.
3. SpaceNet - наборы открытых данных и пайплайны для детекции зданий, дорог и т.д. на спутниковых снимках.
4. Sentinel Hub - API и сервисы для скачивания и анализа данных спутников Copernicus.
5. Google Earth Engine - удобная платформа для быстрой обработки больших объемов космических и картографических данных с ML и GIS.
6. TensorFlow - это открытая библиотека для машинного обучения от Гугла, но я часто натыкаюсь на ее использование в контексте геодаты. Вот пример как предсказать маршрут.
7. Lightgbm и catboost - наши любимые ML библиотеки) Тут про то, чем крут catboost для геодаты. Кстати, даже на сайте ESRI есть их описание и отличительные особенности.
А чтобы быть в курсе новостей в мире GeoAI я читаю пресс-релизы и интервью ребят из компаний Google Maps, Google Earth Engine, ESRI, HERE Technologies, IBM PAIRS Geoscope, SAP, TomTom, Maxar Technologies, AWS (Amazon Web Services), Mapbox и другие) Еще мне приходят уведомления из Geospatial World, где я была на форуме в Роттердаме в 2024 году.
P.S. Табличку-саммари сделала по интервью "How AI is Revolutionizing Geospatial Analysis" на сайте IGNESA.
@urban_mash
Мне кажется, если специалист знает и географию, и анализ данных с ML, то он как будто даже более востребован на рынке или по крайней мере его зарплаты выше, нежели чем он знает что-то одно из этого или сосредоточился на геомаркетинге. Из физической географии недавно ко мне поступила задача "спрогнозировать эрозию почв в месте Х, чтобы понять, как прокладывать трубы с веществом Y", из соц-эк классическая задача для любой айти компании "Сколько через Х лет будет заказов/клиентов/прибыли по зонам Y?".
Чтобы было интереснее читать дальше, давайте примерно соберем, где востребована прогнозная геоаналитика (GeoAI):
1. Сельское хозяйство: прогноз урожайности, засух и урожайных зон по спутниковым и погодным данным.
2. ЧС и риски: прогноз наводнений, пожаров, распространения загрязнений.
3. Транспорт и логистика: предсказание трафика, оптимизация маршрутов, планирование общественного транспорта.
4. Ритейл и недвижимость: выбор лучших локаций для магазинов, складов, жилья с учетом динамики спроса и конкуренции.
5. Экология: прогноз изменений климата, водоемов, исчезновения лесов, “теплового острова” в городах.
Все вместе неплохо кст уживается под термином "городское планирование", город в самых разных смыслах нужно планировать на будущее)
Чтобы чуть-чуть пощупать сферу прогнозирования, можно ознакомиться с множеством готовых бесплатных сервисов/библиотек/репозиториев:
1. Raster Vision - deep learning по анализу спутниковых снимков
2. Solaris - аналитика снимков и разработка моделей для распознавания объектов инфраструктуры.
3. SpaceNet - наборы открытых данных и пайплайны для детекции зданий, дорог и т.д. на спутниковых снимках.
4. Sentinel Hub - API и сервисы для скачивания и анализа данных спутников Copernicus.
5. Google Earth Engine - удобная платформа для быстрой обработки больших объемов космических и картографических данных с ML и GIS.
6. TensorFlow - это открытая библиотека для машинного обучения от Гугла, но я часто натыкаюсь на ее использование в контексте геодаты. Вот пример как предсказать маршрут.
7. Lightgbm и catboost - наши любимые ML библиотеки) Тут про то, чем крут catboost для геодаты. Кстати, даже на сайте ESRI есть их описание и отличительные особенности.
А чтобы быть в курсе новостей в мире GeoAI я читаю пресс-релизы и интервью ребят из компаний Google Maps, Google Earth Engine, ESRI, HERE Technologies, IBM PAIRS Geoscope, SAP, TomTom, Maxar Technologies, AWS (Amazon Web Services), Mapbox и другие) Еще мне приходят уведомления из Geospatial World, где я была на форуме в Роттердаме в 2024 году.
P.S. Табличку-саммари сделала по интервью "How AI is Revolutionizing Geospatial Analysis" на сайте IGNESA.
@urban_mash
🔥26❤7🦄4👍2
Личный пост про тригер на обесценивание
С самого детства мне приходится бороться за право быть там, где я хочу быть или нахожусь в моменте. Я привыкла с самого детства, что меня ценят не из-за того, что я есть, а из-за того, что я делаю, поэтому в какой-то момент я влюбилась в теорию категорического императива Канта и стала отчаянной гуманисткой. Прочитав маленький, но важный для городской антропологии трактат Зимелля "Большие города и духовная жизнь", я задумалась над знаком равенства между человеком и функцией.
И вот эта функциональность мне очень помогает, по крайней мере помогала, в работе. Я себя чувствую Ханной-Мантаной, "которая живееееет две жизни". На самом деле таких жизней у меня много, но как минимум действительно две: формальная рабочая сторона жизни и настоящая личная. Это главный пункт, почему я вообще начала вести тг-канал. Раньше я всякое полезное писала в Инстаграме/Фейсбуке. В моей голове сейчас это так устроено, но возможно будет меняться, что работа и личное - не пересекающиеся круги Эйлера. У меня нет друзей-коллег и я не работаю с друзьями.
Последние пару месяцев так получилось, что эти 2 сферы начали соприкасаться через эмоциональную грань. То, что происходит в рабочих отношениях сильно ранит мое личное и я начинаю реагировать так, как бы отреагировала на подобное в дружеских/романтических отношениях. В силу некоторых особенностей и прожитого негативного опыта у меня аллергия на любого рода "обесценивание". Фразы "ты не нужна", "у тебя нет уникальной экспертизы", "справимся без тебя", "да это легко было сделать" и подобное отношение вызывает у меня целый спектр интенсивных эмоций, который сложно сдержать.
Сейчас помимо денежного вознаграждения за работу (что супер маст, базис по Марксу) я бы хотела банально получать комментарии в духе "спасибо, ты молодец, круто". И вот за последние полгода подобное для меня значит очень много, я переживаю сложный период. Мне очень важно слышать "твоя работа нужна, твоя работа важна, классная модель". И если у тебя болит голова, это окей 1-2 дня полечить мигрень, а потом возобновить работу. Я понимаю и у меня нет иллюзий, что наемные работники - это функционал, это винтики в системе. Но без вот этой псих-эмоц поддержки мне лично довольно тяжело.
Прекраснейшая аналогия собственного производства пришла мне в голову, не судите строго) Это аналогично ONS. Оба стороны процесса встретились с четко определенной целью, но давай сделаем вид первые 1-2 часа, что мы друг другу интересны как люди, выпьем вино или кофе, а потом приступим к цели мероприятия. А потом давай даже если нам абсолютно плевать друг на друга утром скажем "блин, спасибо, классно провели ночь, хорошего дня!", а не молча уйдем.
Чтобы посмотреть, а не баес ли у меня и реально ли важны софтовые штуки, я залезла в вышкинские подписки на агрегаторы статей и perplexity.
Так вот.
1. Ресерч из American Journal of Preventive Medicine показал: выгорание сотрудников обходится компаниям в США в $4,000–$21,000 на одного сотрудника в год. Для компании с 1к сотрудников это в среднем $5 млн ежегодных потерь. Модель учитывает переход сотрудника от вовлеченности к выгоранию и увольнению, а также прямое влияние на прибыль.
2. Тут Roger J. Best, University of Central Missouri анализировали компании из списка Fortune "100 Best Companies to Work For". Фирмы с высокой удовлетворённостью сотрудников демонстрируют значительно более высокую рыночную оценку и производительность по сравнению с отраслевыми аналогами. Снижение удовлетворенности приводит к падению производительности и рыночной стоимости.
3. Насчет HR-практик:
а - По данным McKinsey (2024): компании с сильными HR-практиками в 2,5 раза чаще превосходят конкурентов по финансовым показателям.
б - Gallup (2023): высоко вовлечённые команды показывают на 21% большую прибыльность и на 41% меньше прогулов.
в - Стоимость замены одного сотрудника достигает 200% его годовой зарплаты, а общий ущерб от текучести кадров в США — $1 трлн в год.
Получается, важны и более того нужны!
@urban_mash
С самого детства мне приходится бороться за право быть там, где я хочу быть или нахожусь в моменте. Я привыкла с самого детства, что меня ценят не из-за того, что я есть, а из-за того, что я делаю, поэтому в какой-то момент я влюбилась в теорию категорического императива Канта и стала отчаянной гуманисткой. Прочитав маленький, но важный для городской антропологии трактат Зимелля "Большие города и духовная жизнь", я задумалась над знаком равенства между человеком и функцией.
И вот эта функциональность мне очень помогает, по крайней мере помогала, в работе. Я себя чувствую Ханной-Мантаной, "которая живееееет две жизни". На самом деле таких жизней у меня много, но как минимум действительно две: формальная рабочая сторона жизни и настоящая личная. Это главный пункт, почему я вообще начала вести тг-канал. Раньше я всякое полезное писала в Инстаграме/Фейсбуке. В моей голове сейчас это так устроено, но возможно будет меняться, что работа и личное - не пересекающиеся круги Эйлера. У меня нет друзей-коллег и я не работаю с друзьями.
Последние пару месяцев так получилось, что эти 2 сферы начали соприкасаться через эмоциональную грань. То, что происходит в рабочих отношениях сильно ранит мое личное и я начинаю реагировать так, как бы отреагировала на подобное в дружеских/романтических отношениях. В силу некоторых особенностей и прожитого негативного опыта у меня аллергия на любого рода "обесценивание". Фразы "ты не нужна", "у тебя нет уникальной экспертизы", "справимся без тебя", "да это легко было сделать" и подобное отношение вызывает у меня целый спектр интенсивных эмоций, который сложно сдержать.
Сейчас помимо денежного вознаграждения за работу (что супер маст, базис по Марксу) я бы хотела банально получать комментарии в духе "спасибо, ты молодец, круто". И вот за последние полгода подобное для меня значит очень много, я переживаю сложный период. Мне очень важно слышать "твоя работа нужна, твоя работа важна, классная модель". И если у тебя болит голова, это окей 1-2 дня полечить мигрень, а потом возобновить работу. Я понимаю и у меня нет иллюзий, что наемные работники - это функционал, это винтики в системе. Но без вот этой псих-эмоц поддержки мне лично довольно тяжело.
Прекраснейшая аналогия собственного производства пришла мне в голову, не судите строго) Это аналогично ONS. Оба стороны процесса встретились с четко определенной целью, но давай сделаем вид первые 1-2 часа, что мы друг другу интересны как люди, выпьем вино или кофе, а потом приступим к цели мероприятия. А потом давай даже если нам абсолютно плевать друг на друга утром скажем "блин, спасибо, классно провели ночь, хорошего дня!", а не молча уйдем.
Чтобы посмотреть, а не баес ли у меня и реально ли важны софтовые штуки, я залезла в вышкинские подписки на агрегаторы статей и perplexity.
Так вот.
1. Ресерч из American Journal of Preventive Medicine показал: выгорание сотрудников обходится компаниям в США в $4,000–$21,000 на одного сотрудника в год. Для компании с 1к сотрудников это в среднем $5 млн ежегодных потерь. Модель учитывает переход сотрудника от вовлеченности к выгоранию и увольнению, а также прямое влияние на прибыль.
2. Тут Roger J. Best, University of Central Missouri анализировали компании из списка Fortune "100 Best Companies to Work For". Фирмы с высокой удовлетворённостью сотрудников демонстрируют значительно более высокую рыночную оценку и производительность по сравнению с отраслевыми аналогами. Снижение удовлетворенности приводит к падению производительности и рыночной стоимости.
3. Насчет HR-практик:
а - По данным McKinsey (2024): компании с сильными HR-практиками в 2,5 раза чаще превосходят конкурентов по финансовым показателям.
б - Gallup (2023): высоко вовлечённые команды показывают на 21% большую прибыльность и на 41% меньше прогулов.
в - Стоимость замены одного сотрудника достигает 200% его годовой зарплаты, а общий ущерб от текучести кадров в США — $1 трлн в год.
Получается, важны и более того нужны!
@urban_mash
❤49❤🔥11🔥9👍1
LiDAR
Разбираюсь с лидарами на питоне. Помогают с библиотекой PDAL вот эти заметки. Рекомендую, там же внутри открытые источники данных.
Как-то у меня появилась задача посмотреть качество велодорожек в Германии. Это интересный формат данных (облака точек), которые широко используются в самых разных областях. От беспилотных автомобилей до оценки пожароустойчивости лесов.
https://blog.maptheclouds.com/learning/lidar-pdal-experiments-dublin
@urban_mash
Разбираюсь с лидарами на питоне. Помогают с библиотекой PDAL вот эти заметки. Рекомендую, там же внутри открытые источники данных.
Как-то у меня появилась задача посмотреть качество велодорожек в Германии. Это интересный формат данных (облака точек), которые широко используются в самых разных областях. От беспилотных автомобилей до оценки пожароустойчивости лесов.
https://blog.maptheclouds.com/learning/lidar-pdal-experiments-dublin
@urban_mash
MapTheClouds
LiDAR PDAL Experiments - Dublin - MapTheClouds
Those are my notes on taking some LiDAR data and testing different commands in PDAL. If you like, you can follow along using your own data. Most probably I’ll de adding or deleting stuff, but you can take a look…
❤15🔥7
Media is too big
VIEW IN TELEGRAM
Миграционный кризис
Кисин, известный публичный критик британской миграционной политики, недавно был у Дудя. Оказывается, Консантин, честно в этом признавшись, заканчивает свою "работу" или "миссию" на уровне громкого озвучивания проблемы. 2 основные претензий:
1) мигрантов и в частности беженцев слишком много (приводит историческую статистику кол-ва мигрантов за последние 30 лет);
2) мигранты и беженцы не интегрируются, они опасны.
У меня лично нет претензии к лишь озвучиванию проблем. Как меня учили на соцфаке: не надо спрашивать у местных жителей КАК построить классный парк, спросите КАКИЕ ЕСТЬ БОЛИ у местных жителей, а спроектировать парк - это ваша работа, а не их.
Поэтому спасибо Консатину Кисину за яркую критику. Я наблюдаю очевиднейшую миграционную проблему, например, в Германии, где я часто бываю. Правый крен на политической арене всего ЕС подтверждает массовое недовольство местных жителей. И если вопрос кол-ва беженцев/мигрантов в стране, которые нормально проходят пограничный контроль - это прерогатива федеральных правительств или надфедеральных (как например Евросоюз), то вопрос их интеграции вполне лежит в плоскости местных политик на уровне городов/агломераций. Кстати, риторика Кисина не допустима в устах реальных политиков, на мой взгляд. И нет, не потому, что "плохо быть против мигрантов, где ваша человечность, они в сложной ситуации". А потому, что политикам не достаточно обозначать проблемы, нужно уметь реалистично их решать. Это то, почему я отговаривала всех своих знакомых в Германии голосовать за АдГ. Это обычная право-популистская партия, но сейчас не об этом.
Вот мой ответ как урбаниста, что можно сделать с т.з. местных полиси, что поспособствовать интеграции мигрантов в местную культуру и сообщество:
1) социальное жилье + дисперсное расселение (scattered-site housing);
2) смешанное зонирование.
1. Социальное жильё
Муниципалитет может управлять тем, где и как предоставляется социальное жильё, чтобы не допускать концентрации выходцев одной страны в одном районе.
- Распределённое размещение — принцип расселения «рассеиванием» (scattered-site housing): социальное жилье размещается не в одном районе (гетто), а по всему городу, среди «разнообразных» кварталов. Условно: не 100 квартир в одном доме, а по нескольку квартир в разных жилых комплексах среди местных семей.
- При предоставлении жилья — смешивать семьи мигрантов и местное население, чтобы стимулировать межкультурное взаимодействие и снижения риска образования локальных анклавов.
2. Зонирование mixed use (многофункциональное зонирование)
Mixed use — это когда в одном районе располагаются разные типы построек: жилые дома, магазины, офисы, кафе, школы. Такая среда создаёт «пространства для встреч» и стихийного общения между жителями разного происхождения.
- Мигранты и беженцы, поселённые в mixed use районах, получают возможность контактировать с местными жителями в быту, на работе, проводя досуг.
- В отличие от «спальных» кварталов или пригородных гетто, mixed use районы способствуют формированию единой городской культуры через совместное использование общественного пространства.
Здесь очевидно встает вопрос, какое еще зонирование, какое еще предоставление социального жилья, если жилья ПРОСТО НЕТ. Дефицит жилья всегда вытекающая проблема жесткого градостроительного регулирования. Нужно находить баланс, меняя полиси под современные вызовы. Сейчас время, когда надо строить жилье)
Пару полезных статей на эту тематику
1) Refugee Integration in Urban Governance - Number Analytics
2) Refugee and Migrant Integration in Urban Spatial Structures and City Development: Case Study of Busan, South Korea
3) Working Together for Local Integration of Migrants and Refugees in Berlin
4) Working together for local integration of migrants and refugees
5) Can mixed land use promote social integration? Multiple mediator analysis based on spatiotemporal big data in Beijing
6) Housing for Migrants and Refugees in the UNECE Region
@urban_mash
Кисин, известный публичный критик британской миграционной политики, недавно был у Дудя. Оказывается, Консантин, честно в этом признавшись, заканчивает свою "работу" или "миссию" на уровне громкого озвучивания проблемы. 2 основные претензий:
1) мигрантов и в частности беженцев слишком много (приводит историческую статистику кол-ва мигрантов за последние 30 лет);
2) мигранты и беженцы не интегрируются, они опасны.
У меня лично нет претензии к лишь озвучиванию проблем. Как меня учили на соцфаке: не надо спрашивать у местных жителей КАК построить классный парк, спросите КАКИЕ ЕСТЬ БОЛИ у местных жителей, а спроектировать парк - это ваша работа, а не их.
Поэтому спасибо Консатину Кисину за яркую критику. Я наблюдаю очевиднейшую миграционную проблему, например, в Германии, где я часто бываю. Правый крен на политической арене всего ЕС подтверждает массовое недовольство местных жителей. И если вопрос кол-ва беженцев/мигрантов в стране, которые нормально проходят пограничный контроль - это прерогатива федеральных правительств или надфедеральных (как например Евросоюз), то вопрос их интеграции вполне лежит в плоскости местных политик на уровне городов/агломераций. Кстати, риторика Кисина не допустима в устах реальных политиков, на мой взгляд. И нет, не потому, что "плохо быть против мигрантов, где ваша человечность, они в сложной ситуации". А потому, что политикам не достаточно обозначать проблемы, нужно уметь реалистично их решать. Это то, почему я отговаривала всех своих знакомых в Германии голосовать за АдГ. Это обычная право-популистская партия, но сейчас не об этом.
Вот мой ответ как урбаниста, что можно сделать с т.з. местных полиси, что поспособствовать интеграции мигрантов в местную культуру и сообщество:
1) социальное жилье + дисперсное расселение (scattered-site housing);
2) смешанное зонирование.
1. Социальное жильё
Муниципалитет может управлять тем, где и как предоставляется социальное жильё, чтобы не допускать концентрации выходцев одной страны в одном районе.
- Распределённое размещение — принцип расселения «рассеиванием» (scattered-site housing): социальное жилье размещается не в одном районе (гетто), а по всему городу, среди «разнообразных» кварталов. Условно: не 100 квартир в одном доме, а по нескольку квартир в разных жилых комплексах среди местных семей.
- При предоставлении жилья — смешивать семьи мигрантов и местное население, чтобы стимулировать межкультурное взаимодействие и снижения риска образования локальных анклавов.
2. Зонирование mixed use (многофункциональное зонирование)
Mixed use — это когда в одном районе располагаются разные типы построек: жилые дома, магазины, офисы, кафе, школы. Такая среда создаёт «пространства для встреч» и стихийного общения между жителями разного происхождения.
- Мигранты и беженцы, поселённые в mixed use районах, получают возможность контактировать с местными жителями в быту, на работе, проводя досуг.
- В отличие от «спальных» кварталов или пригородных гетто, mixed use районы способствуют формированию единой городской культуры через совместное использование общественного пространства.
Здесь очевидно встает вопрос, какое еще зонирование, какое еще предоставление социального жилья, если жилья ПРОСТО НЕТ. Дефицит жилья всегда вытекающая проблема жесткого градостроительного регулирования. Нужно находить баланс, меняя полиси под современные вызовы. Сейчас время, когда надо строить жилье)
Пару полезных статей на эту тематику
1) Refugee Integration in Urban Governance - Number Analytics
2) Refugee and Migrant Integration in Urban Spatial Structures and City Development: Case Study of Busan, South Korea
3) Working Together for Local Integration of Migrants and Refugees in Berlin
4) Working together for local integration of migrants and refugees
5) Can mixed land use promote social integration? Multiple mediator analysis based on spatiotemporal big data in Beijing
6) Housing for Migrants and Refugees in the UNECE Region
@urban_mash
❤23🤔16🔥4🦄2👏1
This media is not supported in your browser
VIEW IN TELEGRAM
Современные AI для урбанистов и архитекторов📍
AI-визуализация и концепты
1. Midjourney (Подписка)
Генерирует фотореалистичные и концептуальные изображения архитектуры по текстовым запросам, отлично подходит для поиска идей и презентаций.
2. ArchiVinci (Бесплатно/подписка)
Позволяет создавать детализированные и креативные архитектурные концепции, ускоряет этап прототипирования и генерации визуализаций.
3. Gendo (Бесплатно/подписка)
Быстрый инструмент для CGI-визуализации зданий, полезен на ранних стадиях проектирования и для эффектных презентаций.
4. PromeAI (Бесплатно/подписка)
AI-платформа для поиска нестандартных архитектурных форм и инновационных планировочных решений на основе машинного обучения.
5. Archicad AI Visualizer (Требуется лицензия Archicad)
Плагин для Archicad, превращающий концепт-арты и скетчи в детализированные 3D-визуализации на базе Stable Diffusion.
AI для планов и массинга
1. TestFit (Подписка, демо/триал возможен)
Автоматически разрабатывает варианты застройки с учетом норм, парковки и потоков, идеален для предпроектного анализа участков.
2. Maket / Maket.ai (Бесплатно/подписка)
Генерирует различные планировки жилых домов, учитывает стиль, нормативы, дает советы по материалам.
3. Finch (Подписка)
Генеративный ассистент для архитектора: динамично оптимизирует планы и конфигурации помещений при изменении параметров.
4. ARCHITEChTURES (Подписка, демо/триал возможен)
Платформа для быстрой генерации и многокритериальной оптимизации зданий с автоматизацией анализа реализуемости и норм.
5. Ark Design (Бесплатно/подписка)
Создает схемы планировок, 3D-визуализации и приблизительный расчет стоимости по заданным критериям эффективности.
BIM и автоматизация с AI
1. Veras (Бесплатно/подписка)
Интегрируется с CAD/BIM-платформами, превращая 3D-модели в высококачественные визуализации с помощью AI.
2. BricsCAD BIM (30 дней бесплатно, далее подписка)
AI ускоряет BIM-процессы: автоматическое определение и классификация элементов строения, генерация документации, поддержка популярных CAD-форматов.
AI-анализ участков и городской среды
1. Autodesk Forma (ex-Spacemaker) (30 дней бесплатно, далее подписка)
Платформа для комплексного моделирования городской среды: анализ участка, плотность, транспорт, экология, сценарное планирование. Интеграция с BIM и коллаборативная работа.
2. Archistar (Бесплатно/подписка)
Автоматизирует анализ участков, проверку градостроительных норм и быстро генерирует варианты застройки сложных территорий.
3. Sidewalk Labs (Корпоративный доступ)
Анализирует данные сенсоров, трафик, шум и качество окружающей среды для оптимизации городских территорий и повышения качества среды.
4. DBF Engine (Корпоративный доступ, лист ожидания)
AI-платформа для урбанистов: быстрое прототипирование и моделирование сценариев развития городов с использованием открытых данных.
5. ALICE Technologies (Корпоративный доступ)
Автоматизированное составление и оптимизация графиков строительства и инфраструктурных проектов на основе анализа 3D-моделей и ресурсов.
6. Cove Tool (Подписка, демо/триал возможен)
Обеспечивает автоматизированный анализ устойчивости, энергоэффективности и экологичности зданий и кварталов на основе AI.
P.S. Я попробовала несколько демо версий, больше всего впечатлилась Sidewalk Labs за счет реальных городских данных от Гугла. Она использует машинное обучение для анализа данных сенсоров (трафик, шум, качество воздуха) и оптимизации городских территорий. Также позволяет генерировать тысячи вариантов планировки кварталов с учетом качества среды, плотности, инсоляции и других параметров. На платформу выходило даже пару обзоров (что интересно, это 2020 и 2022 год, т.е. платформа работает с самого начала выхода нейронок). Но самая популярная сейчас платформа Autodesk Forma, интегрируется с Ревитом, поддерживает совместную работу команд, автоматизирует рутину. Ее используют Baker Barrios Architects, Arcadis, шведские муниципалитеты, Gray Puksand и другие.
@urban_mash
AI-визуализация и концепты
1. Midjourney (Подписка)
Генерирует фотореалистичные и концептуальные изображения архитектуры по текстовым запросам, отлично подходит для поиска идей и презентаций.
2. ArchiVinci (Бесплатно/подписка)
Позволяет создавать детализированные и креативные архитектурные концепции, ускоряет этап прототипирования и генерации визуализаций.
3. Gendo (Бесплатно/подписка)
Быстрый инструмент для CGI-визуализации зданий, полезен на ранних стадиях проектирования и для эффектных презентаций.
4. PromeAI (Бесплатно/подписка)
AI-платформа для поиска нестандартных архитектурных форм и инновационных планировочных решений на основе машинного обучения.
5. Archicad AI Visualizer (Требуется лицензия Archicad)
Плагин для Archicad, превращающий концепт-арты и скетчи в детализированные 3D-визуализации на базе Stable Diffusion.
AI для планов и массинга
1. TestFit (Подписка, демо/триал возможен)
Автоматически разрабатывает варианты застройки с учетом норм, парковки и потоков, идеален для предпроектного анализа участков.
2. Maket / Maket.ai (Бесплатно/подписка)
Генерирует различные планировки жилых домов, учитывает стиль, нормативы, дает советы по материалам.
3. Finch (Подписка)
Генеративный ассистент для архитектора: динамично оптимизирует планы и конфигурации помещений при изменении параметров.
4. ARCHITEChTURES (Подписка, демо/триал возможен)
Платформа для быстрой генерации и многокритериальной оптимизации зданий с автоматизацией анализа реализуемости и норм.
5. Ark Design (Бесплатно/подписка)
Создает схемы планировок, 3D-визуализации и приблизительный расчет стоимости по заданным критериям эффективности.
BIM и автоматизация с AI
1. Veras (Бесплатно/подписка)
Интегрируется с CAD/BIM-платформами, превращая 3D-модели в высококачественные визуализации с помощью AI.
2. BricsCAD BIM (30 дней бесплатно, далее подписка)
AI ускоряет BIM-процессы: автоматическое определение и классификация элементов строения, генерация документации, поддержка популярных CAD-форматов.
AI-анализ участков и городской среды
1. Autodesk Forma (ex-Spacemaker) (30 дней бесплатно, далее подписка)
Платформа для комплексного моделирования городской среды: анализ участка, плотность, транспорт, экология, сценарное планирование. Интеграция с BIM и коллаборативная работа.
2. Archistar (Бесплатно/подписка)
Автоматизирует анализ участков, проверку градостроительных норм и быстро генерирует варианты застройки сложных территорий.
3. Sidewalk Labs (Корпоративный доступ)
Анализирует данные сенсоров, трафик, шум и качество окружающей среды для оптимизации городских территорий и повышения качества среды.
4. DBF Engine (Корпоративный доступ, лист ожидания)
AI-платформа для урбанистов: быстрое прототипирование и моделирование сценариев развития городов с использованием открытых данных.
5. ALICE Technologies (Корпоративный доступ)
Автоматизированное составление и оптимизация графиков строительства и инфраструктурных проектов на основе анализа 3D-моделей и ресурсов.
6. Cove Tool (Подписка, демо/триал возможен)
Обеспечивает автоматизированный анализ устойчивости, энергоэффективности и экологичности зданий и кварталов на основе AI.
P.S. Я попробовала несколько демо версий, больше всего впечатлилась Sidewalk Labs за счет реальных городских данных от Гугла. Она использует машинное обучение для анализа данных сенсоров (трафик, шум, качество воздуха) и оптимизации городских территорий. Также позволяет генерировать тысячи вариантов планировки кварталов с учетом качества среды, плотности, инсоляции и других параметров. На платформу выходило даже пару обзоров (что интересно, это 2020 и 2022 год, т.е. платформа работает с самого начала выхода нейронок). Но самая популярная сейчас платформа Autodesk Forma, интегрируется с Ревитом, поддерживает совместную работу команд, автоматизирует рутину. Ее используют Baker Barrios Architects, Arcadis, шведские муниципалитеты, Gray Puksand и другие.
@urban_mash
Please open Telegram to view this post
VIEW IN TELEGRAM
❤25🔥19❤🔥6
В последнее время стараюсь исследовать даже неочевидные сферы, где могут требоваться мои знания и навыки) Одна из них - ФУТБОЛ! (вау ахах)
⚽️ Как геоаналитика меняет футбол
Геоинформационные системы (ГИС) и геоаналитика всё активнее используются в профессиональном футболе. Вот как они работают на практике:
– Анализ тактики и перемещений:
Клубы используют GPS-трекеры и высокоточные датчики, чтобы отслеживать позиции игроков, оценивать схемы, точность передач и передвижения по полю.
– Оценка "off-the-ball" действий:
C помощью ГИС можно моделировать зоны контроля игроков и оценивать выгодность их перемещений без мяча, что напрямую связано с результативностью команды.
– Реальное время и GNSS:
Современные системы позволяют тренерам видеть подробную тактическую картину матча в реальном времени с точностью до 50 см — это помогает принимать важные решения прямо по ходу игры.
How GIS can be used to improve football game – LinkedIn
Off-the-ball offensive movement in football – MSc Thesis
GIS-based Football Game Analysis – ICC Proceedings (PDF)
Real-Time Tactical Analysis with GNSS – Scitepress
Game Analysis: GIS & Football – Geography Realm
Data analytics in the football industry – Taylor & Francis
GIS Mapping in Sports – Sport England
GIS In Sports Analytics – Reddit
Geovisualisation of Football Players Movement – Thesis
Data Science in Football – Saarland University (PDF)
@urban_mash
⚽️ Как геоаналитика меняет футбол
Геоинформационные системы (ГИС) и геоаналитика всё активнее используются в профессиональном футболе. Вот как они работают на практике:
– Анализ тактики и перемещений:
Клубы используют GPS-трекеры и высокоточные датчики, чтобы отслеживать позиции игроков, оценивать схемы, точность передач и передвижения по полю.
– Оценка "off-the-ball" действий:
C помощью ГИС можно моделировать зоны контроля игроков и оценивать выгодность их перемещений без мяча, что напрямую связано с результативностью команды.
– Реальное время и GNSS:
Современные системы позволяют тренерам видеть подробную тактическую картину матча в реальном времени с точностью до 50 см — это помогает принимать важные решения прямо по ходу игры.
How GIS can be used to improve football game – LinkedIn
Off-the-ball offensive movement in football – MSc Thesis
GIS-based Football Game Analysis – ICC Proceedings (PDF)
Real-Time Tactical Analysis with GNSS – Scitepress
Game Analysis: GIS & Football – Geography Realm
Data analytics in the football industry – Taylor & Francis
GIS Mapping in Sports – Sport England
GIS In Sports Analytics – Reddit
Geovisualisation of Football Players Movement – Thesis
Data Science in Football – Saarland University (PDF)
@urban_mash
🔥26👍5❤3😢1
Индексы Морана
В своей работе я часто сталкиваюсь с геопрогнозированием. Перед тем, как начать строить модель в случае с пространственными данными необходимо убедиться, есть ли вообще пространственные автокорреляции, стоит ли вообще добавлять пространственные признаки.Далеко не всегда бизнесу нужны пространственные модели . Здесь на помощь приходят индексы Морана, давайте разбираться.
Глобальный и локальный
Глобальный индекс Морана оценивает общую (глобальную) степень кластеризации или дисперсии значений по всей территории или набору пространственных объектов. Он показывает, есть ли в данных пространственная автокорреляция в целом: например, сгруппированы ли высокие значения вместе, или данные случайно распределены. Значение индекса варьируется от -1 (полная дисперсия) до +1 (сильная кластеризация), при нуле — случайное распределение. Глобальный индекс позволяет понять общую пространственную структуру данных и выявить крупные кластеры.
Локальный индекс Морана (LISA) измеряет пространственную автокорреляцию на уровне отдельных объектов или территорий, выявляя локальные кластеры и аномалии. Он показывает, насколько значение в конкретной точке похоже (или отличается) от значений в соседних точках. LISA помогает обнаружить «горячие точки» (hot spots) и «холодные точки» (cold spots), а также локальные аномалии, которые не видны при глобальном анализе.
В геопрогнозировании на практике чаще используется локальный
Высокий локальный Моран свидетельствует о локальной пространственной автокорреляции. Это значит, что в модели прогнозирования полезно:
1) добавлять пространственные признаки (например, средние значения по соседям, spatial lag)
2) использовать пространственно-информированные алгоритмы (geospatial regression, GNN, ConvLSTM).
Если локального Морана нет → район статистически не похож на своих соседей, пространственные методы и фичи тут помогают мало. Нет глобального Морана — вся карта как "шум": пространство ни на что не влияет, пространственные группировки не работают.
Довольно понятно на примерах объяснено на сайте ArcGis: тык и тык.
Но чтобы переходить к вопросу, включать гео фичи, не включать в модель, супер маст разобраться вообще с моделированием, как работают предсказания. Мне в этом смысле повезло, так как в Яндекс.Лавке у меня группа "геоаналитики и прогнозирования". Мы часто работали вместе с Сашей Исаковым, хардовым ML-щиком, который мне объяснял концептуально, что мы делаем и отвечал на порой мои глупые вопросы про временные ряды) У Саши есть канал - можете заглянуть, он собрал супер большую базу по входу в ML для новичков и не только.
@urban_mash
В своей работе я часто сталкиваюсь с геопрогнозированием. Перед тем, как начать строить модель в случае с пространственными данными необходимо убедиться, есть ли вообще пространственные автокорреляции, стоит ли вообще добавлять пространственные признаки.
Глобальный и локальный
Глобальный индекс Морана оценивает общую (глобальную) степень кластеризации или дисперсии значений по всей территории или набору пространственных объектов. Он показывает, есть ли в данных пространственная автокорреляция в целом: например, сгруппированы ли высокие значения вместе, или данные случайно распределены. Значение индекса варьируется от -1 (полная дисперсия) до +1 (сильная кластеризация), при нуле — случайное распределение. Глобальный индекс позволяет понять общую пространственную структуру данных и выявить крупные кластеры.
Локальный индекс Морана (LISA) измеряет пространственную автокорреляцию на уровне отдельных объектов или территорий, выявляя локальные кластеры и аномалии. Он показывает, насколько значение в конкретной точке похоже (или отличается) от значений в соседних точках. LISA помогает обнаружить «горячие точки» (hot spots) и «холодные точки» (cold spots), а также локальные аномалии, которые не видны при глобальном анализе.
В геопрогнозировании на практике чаще используется локальный
Высокий локальный Моран свидетельствует о локальной пространственной автокорреляции. Это значит, что в модели прогнозирования полезно:
1) добавлять пространственные признаки (например, средние значения по соседям, spatial lag)
2) использовать пространственно-информированные алгоритмы (geospatial regression, GNN, ConvLSTM).
Если локального Морана нет → район статистически не похож на своих соседей, пространственные методы и фичи тут помогают мало. Нет глобального Морана — вся карта как "шум": пространство ни на что не влияет, пространственные группировки не работают.
Довольно понятно на примерах объяснено на сайте ArcGis: тык и тык.
Но чтобы переходить к вопросу, включать гео фичи, не включать в модель, супер маст разобраться вообще с моделированием, как работают предсказания. Мне в этом смысле повезло, так как в Яндекс.Лавке у меня группа "геоаналитики и прогнозирования". Мы часто работали вместе с Сашей Исаковым, хардовым ML-щиком, который мне объяснял концептуально, что мы делаем и отвечал на порой мои глупые вопросы про временные ряды) У Саши есть канал - можете заглянуть, он собрал супер большую базу по входу в ML для новичков и не только.
@urban_mash
🔥15❤10👍6
Geospatial Community of Serbia Meetup
Недавно меня пригласили на мероприятие от foursquare, где собрались геоаналитики Сербии)
Особенно запомнился рассказ ex-яндексоида Никиты Киселева про машинное обучение в проекте "Идеи" Я.Карт и основателя Mile Techonoliges Милоша Златковича про локационные задачи в деливери бизнесах.
Кстати, я завела Linkedin, подписывайтесь)
www.linkedin.com/in/marija-ercegovac
@urban_mash
Недавно меня пригласили на мероприятие от foursquare, где собрались геоаналитики Сербии)
Особенно запомнился рассказ ex-яндексоида Никиты Киселева про машинное обучение в проекте "Идеи" Я.Карт и основателя Mile Techonoliges Милоша Златковича про локационные задачи в деливери бизнесах.
Кстати, я завела Linkedin, подписывайтесь)
www.linkedin.com/in/marija-ercegovac
@urban_mash
🦄9❤3🔥1
Что бы я посоветовала сама себе на первых курсах обучения на урбанистике?
1. Как можно быстрее изучи рынок, может быть от магистров, может быть из публичных каналов. Сравни сколько специалистов требуется рынку и сколько при вашем выпуске их выйдет на рынок.
2. Как только ты поняла, что предложение рабочей силы сильно превышает спрос, сразу откликайся на всевозможные вакансии, даже будучи на 1 курсе. Так как дальше цена труда (вспоминаем графики из 9 класса по экономики S и D) упадет.
3. Пиши курсовые сразу с прицелом на публикации. Это сильно тебе поможет в дальнейшем, если захочешь поступать в магистратуры.
4. Всеми силами старайся на 1 курсе ради рейтинга, чтобы взять майнор ИАД, следи за общемировыми трендами (без питона сейчас никуда).
5. Участвуй в воркшопах, конференциях, публичных мероприятиях как можно чаще. Это поможет нарастить сеть контактов.
6. Заведи Linkedin и все свои успехи фиксируй постами. Это поможет тебе узнавать новости и быть заметной не только в России, но и глобально.
7. Не бросай изучение английского. Дальше будет сложнее, наш мозг не молодеет.
8. Начинай ходить в клуб по интерсам (в моем случае клуб дебатов) не на 4 курсе, а на 1-ом. Так будет легче посвящать время тренировкам и быть на одной волне с ровесниками.
9. В качестве первых мест трудоустройства выбирать ТОЛЬКО крупные компании, которые все остальные работодатели будут знать, глядя на твое резюме (в Голландии приходится объяснять, что такое Яндекс).
10. Раньше переезжай от родителей, сепарируйся, живи отдельно и не тратить 3-4 часа в день на дорогу, это выматывает.
К сожалению, рассеянный склероз, ковид и война внесли свои коррективы в моем реальном профессиональном пути, но было бы неплохо знать это в самом начале вне зависимости от внешних обстоятельств :)
Есть много чего еще сугубо профессионального, чем я с радостью поделилась с нынешними студентами ФГРР на вечере городских планировщиков (карьерный open talk с выпускниками) зимой этого года :) Очень надеюсь, что мое видение оказалось для кого-то полезным, несмотря на то, что оно сильно отличалось от средней температуры по больнице. Спасибо Андрею Александрову за приглашения! Приятно быть нужной ❤️
@urban_mash
1. Как можно быстрее изучи рынок, может быть от магистров, может быть из публичных каналов. Сравни сколько специалистов требуется рынку и сколько при вашем выпуске их выйдет на рынок.
2. Как только ты поняла, что предложение рабочей силы сильно превышает спрос, сразу откликайся на всевозможные вакансии, даже будучи на 1 курсе. Так как дальше цена труда (вспоминаем графики из 9 класса по экономики S и D) упадет.
3. Пиши курсовые сразу с прицелом на публикации. Это сильно тебе поможет в дальнейшем, если захочешь поступать в магистратуры.
4. Всеми силами старайся на 1 курсе ради рейтинга, чтобы взять майнор ИАД, следи за общемировыми трендами (без питона сейчас никуда).
5. Участвуй в воркшопах, конференциях, публичных мероприятиях как можно чаще. Это поможет нарастить сеть контактов.
6. Заведи Linkedin и все свои успехи фиксируй постами. Это поможет тебе узнавать новости и быть заметной не только в России, но и глобально.
7. Не бросай изучение английского. Дальше будет сложнее, наш мозг не молодеет.
8. Начинай ходить в клуб по интерсам (в моем случае клуб дебатов) не на 4 курсе, а на 1-ом. Так будет легче посвящать время тренировкам и быть на одной волне с ровесниками.
9. В качестве первых мест трудоустройства выбирать ТОЛЬКО крупные компании, которые все остальные работодатели будут знать, глядя на твое резюме (в Голландии приходится объяснять, что такое Яндекс).
10. Раньше переезжай от родителей, сепарируйся, живи отдельно и не тратить 3-4 часа в день на дорогу, это выматывает.
К сожалению, рассеянный склероз, ковид и война внесли свои коррективы в моем реальном профессиональном пути, но было бы неплохо знать это в самом начале вне зависимости от внешних обстоятельств :)
Есть много чего еще сугубо профессионального, чем я с радостью поделилась с нынешними студентами ФГРР на вечере городских планировщиков (карьерный open talk с выпускниками) зимой этого года :) Очень надеюсь, что мое видение оказалось для кого-то полезным, несмотря на то, что оно сильно отличалось от средней температуры по больнице. Спасибо Андрею Александрову за приглашения! Приятно быть нужной ❤️
@urban_mash
❤65🐳15🥰5🤔4🤯4👍2🕊1💘1
GeoAI Сегментация
Делюсь туториалом по сегментации объектов на спутниковых снимках от Qiusheng Wu, супер эксперта в геоспешл науке, профессор университета Теннесси. Уже выкладывала ранее его туториал по folium, слежу за его каналом уже несколько лет.
Семантическая сегментация — это когда каждый пиксель изображения относится к какому-то классу (например, "здание", "дорога", "лес" и т.п.). В туториале используются современные модели на PyTorch из библиотеки segmentation_models.pytorch (с поддержкой множества архитектур и предобученных энкодеров).
http://youtu.be/l8DY166eAWI
@urban_mash
Делюсь туториалом по сегментации объектов на спутниковых снимках от Qiusheng Wu, супер эксперта в геоспешл науке, профессор университета Теннесси. Уже выкладывала ранее его туториал по folium, слежу за его каналом уже несколько лет.
Семантическая сегментация — это когда каждый пиксель изображения относится к какому-то классу (например, "здание", "дорога", "лес" и т.п.). В туториале используются современные модели на PyTorch из библиотеки segmentation_models.pytorch (с поддержкой множества архитектур и предобученных энкодеров).
http://youtu.be/l8DY166eAWI
@urban_mash
YouTube
GeoAI Tutorial 19: Train a Segmentation Model for Objection Detection from Remote Sensing Imagery
Notebook: https://opengeoai.org/examples/train_segmentation_model/
---------------------------------------------------------------------------
GitHub: https://github.com/opengeos
leafmap homepage: https://leafmap.org
geemap homepage: https://geemap.org
samgeo…
---------------------------------------------------------------------------
GitHub: https://github.com/opengeos
leafmap homepage: https://leafmap.org
geemap homepage: https://geemap.org
samgeo…
❤11🤔3🔥1
Эко-фича от Гугл Карт
С весны 2025 года Google Maps официально отображает данные о качестве воздуха (Air Quality Index, AQI) для Сербии. Это стало возможным благодаря расширению покрытия сервиса на 120 новых стран, включая Сербию. Теперь пользователи могут видеть актуальные показатели загрязнения воздуха прямо на карте, выбирая соответствующий слой.
Используются данные национальной системы мониторинга воздуха Сербии (SEPA — Serbian Environmental Protection Agency), а также международные индексы (например, European Air Quality Index, EAQI).
Это я вот случайно наткнулась на эту функцию) Проверила: в Нови-Саде и Нише тоже работает. Здорово, что SEPA по кол-ву учитываемых загрязнителей соответсвует и EAQI (Европа), и US EPA AQI (США). Учитываются везде PM2.5, PM10, NO₂, SO₂, CO, O₃. Однако отличаются методами расчета и рекомендациями.
Зимой, например, в Белграде прям адский воздух) Частный сектор и малые котельни сжигают угли и дрова для отопления. Это самый значительный источник выбросов PM10 (57%) и PM2.5 (75–77%) в Сербии . Значительная часть домохозяйств (34% дровами, 10,5% углём) используют устаревшие печи и котлы . Многие городские котельные также используют мазут.
P.S. Неожиданно вспомнила, что в универе у меня был предмет "экология города" :))
@urban_mash
С весны 2025 года Google Maps официально отображает данные о качестве воздуха (Air Quality Index, AQI) для Сербии. Это стало возможным благодаря расширению покрытия сервиса на 120 новых стран, включая Сербию. Теперь пользователи могут видеть актуальные показатели загрязнения воздуха прямо на карте, выбирая соответствующий слой.
Используются данные национальной системы мониторинга воздуха Сербии (SEPA — Serbian Environmental Protection Agency), а также международные индексы (например, European Air Quality Index, EAQI).
Это я вот случайно наткнулась на эту функцию) Проверила: в Нови-Саде и Нише тоже работает. Здорово, что SEPA по кол-ву учитываемых загрязнителей соответсвует и EAQI (Европа), и US EPA AQI (США). Учитываются везде PM2.5, PM10, NO₂, SO₂, CO, O₃. Однако отличаются методами расчета и рекомендациями.
Зимой, например, в Белграде прям адский воздух) Частный сектор и малые котельни сжигают угли и дрова для отопления. Это самый значительный источник выбросов PM10 (57%) и PM2.5 (75–77%) в Сербии . Значительная часть домохозяйств (34% дровами, 10,5% углём) используют устаревшие печи и котлы . Многие городские котельные также используют мазут.
P.S. Неожиданно вспомнила, что в универе у меня был предмет "экология города" :))
@urban_mash
❤15🔥3
Сегодня был мой последний рабочий день в Яндекс Лавке. Закончился столь насыщенный и сложный период весьма прозаично) 🫡
@urban_mash
@urban_mash
🕊54👏6❤3🐳2🤩1
Рынок geospatial techologies
Недавно наткнулась на вот такой The Geospatial Index. Это специализированный watchlist на TradingView, вспомнила какие-то основы финансового анализа (у меня майнор был Финансовые активы и рынки хех).
Это тематический watchlist, включающий публичные компании, связанные с геопространственными технологиями (ГИС, спутники, картография, навигация и т.д.). Не путать с официальными биржевыми индексами типа S&P500 или NASDAQ. Watchlist — это просто пользовательская подборка акций или других инструментов, которую можно создать или подписаться на TradingView.
Подборка мне показалось очень занятной) Спасибо авторке за нее. Этот список может служить всем растерянным в мире геодаты найти себе компанию мечты и спрогнозировать востребованность наших профессий.
Что мы видим?
1. Бурный рост рынка: В 2025 году мировой рынок геопространственных решений оценивается более чем в $545 млрд, с прогнозируемым ростом до $2 трлн к 2035 году (CAGR 14,2%).
2. Технологические драйверы: Активное внедрение ИИ и машинного обучения для анализа больших пространственных данных, развитие спутниковых и дроновых платформ, интеграция IoT и 5G для реального времени.
3. Рост спроса на location-based сервисы: Геопространственные технологии становятся ключевыми для инфраструктуры, логистики, городского планирования, экологии и обороны.
Как общий наиболее важный и одушевляющий меня вывод: сектор растет быстрее рынка в целом (CAGR 14% в геосекторе VS CAGR 5-7% в целом в айти секторе). Более того рынок AI в геопространственной отрасли растет особенно быстро: CAGR 31% с 2024 по 2033 год.
Ключевые игроки (по долен рынка и выручке): Esri (США), Hexagon AB (Швеция), Maxar Technologies (США), Trimble (США), Google Maps and Earth (США), Oracle (СШA), HERE Technologies (Нидерланды), TomTom (Нидерланды).
Отдельно я слежу за компанией CARTO, это признанный игрок в сфере геопространственного анализа и location intelligence, но по масштабу и рыночному влиянию он находится ниже компаний выше. CARTO в первую очередь SaaS-платформа для пространственного анализа и визуализации, ориентированная на облачные технологии и интеграцию с крупными дата-складами, они не предоставляют спутниковые снимки, карты или целые гис системы. В силу своих профессиональных интересов оч мне они нравятся тоже).
P.S. Очень хочется, чтобы на российском рынке вопросы "где поставить склад" или "где открыть аптеку" решались геомоделированием, а не бенчмарками архитекторов-урбанистов. Список задач, которые можно быстро и точно решать геоаналитикой, очень велик)
@urban_mash
Недавно наткнулась на вот такой The Geospatial Index. Это специализированный watchlist на TradingView, вспомнила какие-то основы финансового анализа (у меня майнор был Финансовые активы и рынки хех).
Это тематический watchlist, включающий публичные компании, связанные с геопространственными технологиями (ГИС, спутники, картография, навигация и т.д.). Не путать с официальными биржевыми индексами типа S&P500 или NASDAQ. Watchlist — это просто пользовательская подборка акций или других инструментов, которую можно создать или подписаться на TradingView.
Подборка мне показалось очень занятной) Спасибо авторке за нее. Этот список может служить всем растерянным в мире геодаты найти себе компанию мечты и спрогнозировать востребованность наших профессий.
Что мы видим?
1. Бурный рост рынка: В 2025 году мировой рынок геопространственных решений оценивается более чем в $545 млрд, с прогнозируемым ростом до $2 трлн к 2035 году (CAGR 14,2%).
2. Технологические драйверы: Активное внедрение ИИ и машинного обучения для анализа больших пространственных данных, развитие спутниковых и дроновых платформ, интеграция IoT и 5G для реального времени.
3. Рост спроса на location-based сервисы: Геопространственные технологии становятся ключевыми для инфраструктуры, логистики, городского планирования, экологии и обороны.
Как общий наиболее важный и одушевляющий меня вывод: сектор растет быстрее рынка в целом (CAGR 14% в геосекторе VS CAGR 5-7% в целом в айти секторе). Более того рынок AI в геопространственной отрасли растет особенно быстро: CAGR 31% с 2024 по 2033 год.
Ключевые игроки (по долен рынка и выручке): Esri (США), Hexagon AB (Швеция), Maxar Technologies (США), Trimble (США), Google Maps and Earth (США), Oracle (СШA), HERE Technologies (Нидерланды), TomTom (Нидерланды).
Отдельно я слежу за компанией CARTO, это признанный игрок в сфере геопространственного анализа и location intelligence, но по масштабу и рыночному влиянию он находится ниже компаний выше. CARTO в первую очередь SaaS-платформа для пространственного анализа и визуализации, ориентированная на облачные технологии и интеграцию с крупными дата-складами, они не предоставляют спутниковые снимки, карты или целые гис системы. В силу своих профессиональных интересов оч мне они нравятся тоже).
P.S. Очень хочется, чтобы на российском рынке вопросы "где поставить склад" или "где открыть аптеку" решались геомоделированием, а не бенчмарками архитекторов-урбанистов. Список задач, которые можно быстро и точно решать геоаналитикой, очень велик)
@urban_mash
❤23🔥10👍3🤯1