Create code

[vetochka12345]

Мы использовали следующие пространственные слои в формате '.geojson', размещённые в GitHub-репозитории:

• границы региона и муниципалитетов;
• населённые пункты с населением;
• здания, объекты здравоохранения, образования и туризма;
  -проблемные участки дорог и данные по туризму.

*Все данные были приведены к единому формату через GeoPandas.

Этапы работы:

1. Загрузка и структурирование данных

Мы автоматически загрузили все файлы с созданной ветки в GitHub, поместив их в отдельные 'GeoDataFrame'ы. Для удобства работы использовался словарь 'gdfs', в который вошли все слои.

2. Проверка и приведение CRS

У каждого слоя мы проверили систему координат. При необходимости CRS был приведён к базовой (совпадающей с системой у gdf с нужными границами региона ) для обеспечения корректности геоопераций.

3. Очистка геометрий

Мы удалили объекты с пустой геометрией и исправили невалидные геометрии через 'buffer(0)'. Также были устранены дубликаты строк и столбцов в атрибутивной информации.

4. Фильтрация по региону

Для каждого слоя мы оставили только те объекты, которые пересекаются с границей Архангельской области. Это позволило исключить лишние и внешние данные.

5. Объединение слоёв

Мы объединили все слои в единый 'GeoDataFrame' с добавлением столбца 'source' — чтобы отслеживать, из какого слоя пришёл объект. Это позволило проводить дублирующий анализ и агрегации по всей территории.

6. Генерация гексагональной сетки

Была создана регулярная гексагональная сетка (размер стороны — 15 км) поверх всей территории региона. Для этого мы реализовали собственную функцию построения шестиугольников по заданному размеру и координатам.

7. Пространственное распределение населения

Мы распределили население по гексагонам пропорционально пересечению населённых пунктов с ячейками сетки. Это позволило агрегировать численность населения по каждой ячейке и выявить плотность заселения.

Визуализация

Визуализация данных была выполнена с помощью Folium. Мы отобразили гексагоны с численностью населения и добавили интерактивные подсказки. Города и сёла также отображались на карте, при этом отфильтрованные по принадлежности к региону.

Результаты

-Построена пространственно нормализованная сетка региона;
-Получена карта плотности населения без привязки к административным границам;
-Подготовлена структура для последующего анализа инфраструктурного покрытия (образование, медицина, дороги, туризм) в рамках гексагональной сетки.

Также в рамках проекта в коде были предусмотрены инструменты для анализа и моделирования на основе пространственных признаков, с использованием методов машинного обучения. Хотя основной акцент проекта был на построении гексагональной сетки и визуализации, закладка ML-модуля открывает возможности для дальнейшей аналитики.

Используемые библиотеки

• GeoPandas, Shapely, Pandas, NumPy;
• Folium — визуализация;
• scikit-learn — для кластерного и прогностического анализа (в дальнейшем).

Интерактивный дэшборд в Streamlit
В рамках финального этапа проекта мы разработали удобный веб-интерфейс на базе библиотеки Streamlit, позволяющий пользователю самостоятельно анализировать пространственные данные и работать с гексагональной сеткой в интерактивном режиме.

Как результат мы получили гибкий и наглядный инструмент, который позволяет:

-Анализировать распределение ресурсов по всей области;
-Быстро находить недостаточно обеспеченные районы;