Феноменология пространственного анализа: модели географической редукции и методы пространственной статистики

Автор анализирует, как существующие в географии репрезентации пространственных феноменов соотносятся с допущениями методов статистики и геоинформатики. В широком смысле география проблематизирует разномасштабные проявления пространственной гомогенности и гетерогенности, связывая их с положением наблюдений в пространстве. Модели географической редукции — это разные способы репрезентации пространства, его элементов, пространственных отношений между ними и проистекающих пространственных эффектов. Модели определяют способы описания положения наблюдений в пространстве и механизмов формирования пространственных феноменов. Автор рассматривает три базовых типа таких репрезентаций (моделей) — поля, дискретные объекты и сети — с описанием их ключевых свойств, примерами из разных дисциплин географии и различиями применения методов пространственного анализа и статистики, таких как кригинг, операции со скользящими окнами, пространственная регрессия и др. Более подробно модели редукции рассматриваются на примере географии населения и мобильности. В отличие от сетевой гравитационной модели мобильности, не учитывающей пространственного контекста перемещений, альтернативные модели вмешивающихся возможностей основаны на топологическом описании потенциальных точек движения агентов, а результаты моделирования можно представить в виде поля вероятности перемещений. Модели географической редукции задают рамки постановки исследовательских задач и применения статистических и геоинформационных методов. Одни и те же географические явления могут быть одновременно представлены через разные модели, что открывает новые способы решения исследовательских задач, а методы, которые работают с этими моделями, могут таким образом переноситься в разные предметные области географии.

1. Аксенов К.Э. Системообразующие свойства пространствавремени при трансформации общественногеографического пространства // Изв. РГО. 2014. Т. 146. № 4. С. 69–80.

2. Арманд А.Д. Теория поля и проблема выделения геосистем // Вопросы географии. Сб. 98: Количественные методы изучения природы. М.: Мысль, 1975. С. 92–106.

3. Бакланов П.Я. Подходы и основные принципы структуризации географического пространства // Изв. РАН. Сер. геогр. 2013. № 5. С. 7–18.

4. Вендина О.И., Шелудков А.В., Гриценко А.А. Городагломерация: производство и репрезентация границ пространственного влияния Краснодара // Изв. РАН. Сер. геогр. 2024. Т. 88. № 5. С. 615–640.https://doi.org/10.1134/S2079970524600732

5. Вихрев О.В., Ткаченко А.А., Фомкина А.А. Системы сельского расселения и их центры (на примере Тверской области) // Вестн. Моск. унта. Серия 5. География. 2016. № 2. С. 30–37.

6. Глезер О.Б. Концентрация населения и выделение городских агломераций: неожиданные возможности применения потенциала поля расселения // Пространственное развитие урбанизации: общие закономерности и региональные особенности / под ред. Ю.Л. Пивоварова. М.: ИГ АН СССР, 1991. С. 40–54.

7. Гриценко А.А., Вендина О.И. Социальная география и социальная топология: к вопросу об интерпретации результатов анализа социальных сетей // Вестн. СанктПетербург. унта. Науки о Земле. 2025. Т. 70. № 4. С. 685–710. https://doi.org/10.21638/spbu07.2025.403

8. Дохов Р.А., Топников М.А., Волошок А.С. Методы моделирования связей в сетях городов: расстояние, гравитация, радиация (на примере США) // Изв. РАН. Сер. геогр. 2025. Т. 89. № 5. С. 685–698.

9. Дохов Р.А., Энтин А.Л. Моделирование ранних этапов развития сетей расселения (на примере заселения Северного Иллинойса европейцами) // Изв. РАН. Сер. геогр. 2020. Т. 84. № 6. С. 819–831.https://doi.org/10.31857/S2587556620060059

10. Замятина Н.Ю., Яшунский А.Д. Виртуальная география виртуального населения // Мониторинг общественного мнения: экономические и социальные перемены. 2018. № 1 (143). С. 117–137.

11. Каганский В.Л. Неметафора: феноменология картографического изображения // Логос. 2022. Т. 32. № 6 (151). С. 217–244.

12. Каганский В.Л. Основные практики и парадигмы районирования // Региональные исследования. 2003. № 1. С. 17–30.

13. Ковалев С.А. Сельское расселение (географическое исследование). М.: Издво Моск. унта, 1963. 371 с.

14. Колбовский Е.Ю. Дискуссия по поводу статьи. Районирование или “коннектография”? // Изв. РАН. Сер. геогр. 2024. Т. 88. № 2. С. 228–230.

15. Константинов О.А. Опыт выявления районов расселения СССР // География населения и населенных пунктов СССР. Л.: Наука, 1967. С. 5–68.

16. Маергойз И.М. Территориальная структура хозяйства / отв. ред. М.К. Бандман. Новосибирск: Наука, 1986. 300 с.

17. Перцик Е.Н., Махрова А.Г. Агломерации второго порядка в Московском столичном регионе: развитие, границы, взаимосвязи // Вопросы географии. Сб. 131. Московский столичный регион. М.: Мысль, 1988. С. 56–63.

18. Полян П.М. Территориальные структуры — урбанизация — расселение: теоретические подходы и методы изучения. М.: Новый Хронограф, 2014. 788 с.

19. Полян П.М., Трейвиш А.И. Исследование территориальных структур методом потенциалов / Полян П. Территориальные структуры — урбанизация — расселение: теоретические подходы и методы изучения. М.: Новый Хронограф, 2014. С. 203–217.

20. Родоман Б.Б. Территориальные ареалы и сети. Очерки теоретической географии. Смоленск: Ойкумена, 1999. 256 с.

21. Старикова А.В. Пространственновременной подход в социальной географии: зарубежный и отечественный опыт // Изв. РАН. Сер. геогр. 2014. № 6. С. 17–29.

22. Тархов С.А. Эволюционная морфология транспортных сетей. Смоленск–М.: Универсум, 2005. 384 с.

23. Ткаченко А.А. Сельская местность: понятие и подходы к типологии // Вестн. Моск. унта. Серия 5. География. 2023. № 2. С. 3–9.https://doi.org/10.55959/MSU05799414.5.78.2.1

24. Трейвиш А.И. География и развитие // География мирового развития. Вып. 1. М., 2009. С. 8–43.

25. Трейвиш А.И. Сельскогородской континуум: судьба представления и его связь с пространственной мобильностью населения // Демографическое обозрение. 2016. Т. 3. № 1. С. 52–70.

26. Шелудков А.В., Игнатенко П.Ю., Гонюхов П.О., Зыков Г.С., Рябинина А.И., Фоменков Г.К., Цыганков Е.А. Сеточные данные о плотности населения в России: валидация и коррекция глобальной модели GHSPOP // Вестн. СанктПетербург. унта. Науки о Земле. 2025. Т. 70. № 4. С. 644–661.https://doi.org/10.21638/spbu07.2025.401

27. Шелудков А.В., Орлов М.А. Топология сети населенных пунктов как фактор динамики сельского расселения (на примере Тюменской области) // Изв. РАН. Сер. геогр. 2019. № 4. С. 46–62. https://doi.org/10.31857/S25875566201944662

28. Cazelles K., Araújo M.B., Mouquet N., Gravel D. A theory for species cooccurrence in interaction networks // Theor. Ecol. 2016. Vol. 9. № 1. P. 39–48. https://doi.org/10.1007/s1208001502819

29. Chen Z., Yu B., Song W., Liu H., Wu Q., Shi K., Wu J. A new approach for detecting urban centers and their spatial structure with nighttime light remote sensing // IEEE Trans. Geosci. Remote Sens. 2017. Vol. 55. № 11. P. 6305–6319.

30. Couclelis H. People manipulate objects (but cultivate fields): beyond the raster vector debate in GIS // Theories and Methods of SpatioTemporal Reasoning in Geographic Space: International Conference GIS—From Space to Territory: Theories and Methods of SpatioTemporal Reasoning Pisa, Italy, September 21–23, 1992 Proceedings. Berlin, Heidelberg, 2005. P. 65–77.

31. Duranton G., Puga D. Urban land use // Handbook of Regional and Urban Economics. Elsevier, 2015. Vol. 5. P. 467–560.

32. Galton A. Desiderata for a Spatio temporal Geoontology / Spatial Information Theory. Foundations of Geographic Information Science. COSIT 2003. Lecture Notes in Computer Science / W. Kuhn, M.F. Worboys, S. Timpf (Eds.). Berlin, Heidelberg: Springer, 2003. Vol. 2825. P. 1–12. https://doi.org/10.1007/9783540399230_1

33. Georganos S., Grippa T., Niang Gadiaga A., Linard C., Lennert M., Vanhuysse S., et al. Geographical random forests: a spatial extension of the random forest algorithm to address spatial heterogeneity in remote sensing and population modelling // Geocarto Int. 2021. Vol. 36. № 2. P. 121–136. https://doi.org/10.1080/10106049.2019.1595177

34. Giere R.N. How models are used to represent reality // Philos. Sci. 2004. Vol. 71. № 5. P. 742–752. https://doi.org/10.1086/425063

35. Goodchild M.F., Yuan M., Cova T.J. Towards a general theory of geographic representation in GIS // Int. J. Geogr. Inf. Sci. 2007. Vol. 21. № 3. P. 239–260.

36. Hagenauer J., Helbich M. A geographically weighted artificial neural network // Int. J. Geogr. Inf. Sci. 2022. Vol. 36. № 2. P. 215–235. https://doi.org/10.1080/13658816.2021.1871618

37. Hidalgo C.A., Klinger B., Barabási A.L., Hausmann R. The product space conditions the development of nations // Science. 2007. Vol. 317. № 5837. P. 482–487.https://doi.org/10.1126/science.1144581

38. Hotelling H. Stability in competition // Econ. J. 1929. Vol. 39. P. 41–57.

39. Janowicz K., Gao S., McKenzie G., Hu Y., Bhaduri B. GeoAI: spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond // Int. J. Geogr. Inf. Sci. 2020. Vol. 34. № 4. P. 625–636. https://doi.org/10.1080/13658816.2019.1684500

40. Jasiewicz J., Stepinski T.F. Geomorphons — a pattern recognition approach to classification and mapping of landforms // Geomorphology. 2013. Vol. 182. P. 147–156.

41. Jones B. Assessment of a gravitybased approach to constructing future spatial population scenarios // J. Popul. Res. 2014. Vol. 31. № 1. P. 71–95.

42. Juhász S., Broekel T., Boschma R. Explaining the dynamics of relatedness: The role of co location and complexity // Pap. Reg. Sci. 2021. Vol. 100. № 1. P. 3–22.

43. Lavallin A., Downs J.A. Machine learning in geography — Past, present, and future // Geogr. Compass. 2021. Vol. 15. № 5. Art. e12563. https://doi.org/10.1111/gec3.12563

44. Lenormand M., Bassolas A., Ramasco J.J. Systematic comparison of trip distribution laws and models // J. Transp. Geogr. 2016. Vol. 51. P. 158–169. https://doi.org/10.1016/j.jtrangeo.2015.12.008

45. Liotta C., Viguié V., Lepetit Q. Testing the monocentric standard urban model in a global sample of cities // Reg. Sci. Urban Econ. 2022. Vol. 97. Art. 103832. https://doi.org/10.1016/j.regsciurbeco.2022.103832

46. Liu E., Yan X. New parameter free mobility model: Opportunity priority selection model // Phys. A: Stat. Mech. Appl. 2019. Vol. 526. Art. 121023.https://doi.org/10.1016/j.physa.2019.04.259

47. Masucci A.P., Serras J., Johansson A., Batty M. Gravity versus radiation models: On the importance of scale and heterogeneity in commuting flows // Phys. Rev. E. 2013. Vol. 88. № 2. Art. 022812. https://doi.org/10.1103/PhysRevE.88.022812

48. Miller H.J., Goodchild M.F. Datadriven geography // GeoJ. 2015. Vol. 80. № 4. P. 449–461.

49. Models as mediators: Perspectives on natural and social science / M.S. Morgan and M. Morrison (Eds.). Cambridge: Cambridge Univ. Press, 1999. 381 p.

50. Morueta-Holme N., Blonder B., Sandel B., McGill B.J., Peet R.K., Ott J.E., et al. A network approach for inferring species associations from cooccurrence data // Ecography. 2016. Vol. 39. № 12. P. 1139–1150. https://doi.org/10.1111/ecog.01892

51. Pesaresi M., Politis P. GHSBUILTV R2023A — GHS built up volume grids derived from joint assessment of Sentinel2, Landsat, and global DEM data, multitemporal (1975–2030). European Commission, Joint Research Centre (JRC), 2023.https://doi.org/10.2905/AB2F107A03CD47A3-85E5139D8EC63283

52. Pitts F.R. The medieval river trade network of Russia revisited // Social Networks. 1978. Vol. 1. № 3. P. 285–292.

53. Qiu G., Li Y., Qin K., Li C., Yang S., Yin C., et al. Highresolution population density mapping in urban areas using a contextualized geographically weighted neural network (CGWNN) model // Appl. Geogr. 2025. Vol. 182. Art. 103708. https://doi.org/10.1016/j.apgeog.2025.103708

54. Santé I., García A.M., Miranda D., Crecente R. Cellular automata models for the simulation of realworld urban processes: A review and analysis // Landsc. Urban Plann. 2010. Vol. 96. № 2. P. 108–122. https://doi.org/10.1016/j.landurbplan.2010.03.001

55. Schelling T.C. Dynamic models of segregation // J. Math. Sociol. 1971. Vol. 1. № 2. P. 143–186.

56. Sheludkov A.V., Nefedova T.G. Spatial Inequality of the OldDeveloped Regions of European Russia and the Urals // Reg. Res. Russ. 2022. Vol. 12. Suppl 1. P. S197–S217. https://doi.org/10.1134/S2079970522700423

57. Simini F., González M.C., Maritan A., Barabási A.L. A universal model for mobility and migration patterns // Nature. 2012. Vol. 484. № 7392. P. 96–100. https://doi.org/10.1038/nature10856

58. de Smith M.J., Goodchild M.F., Longley P.A. Geospatial Analysis: A Comprehensive Guide to Principles, Techniques and Software Tools. 7th ed. 2025. https://www.spatialanalysisonline.com/ (accessed 12.03.2025).

59. Stevens F.R., Gaughan A.E., Linard C., Tatem A.J. Disaggregating census data for population mapping using random forests with remotely sensed and ancillary data // PLoS ONE. 2015. Vol. 10. № 2. Art. e0107042. https://doi.org/10.1371/journal.pone.0107042

60. Tang W., Bennett D.A. Agent based modeling of animal movement: a review // Geogr. Compass. 2010. Vol. 4. № 7. P. 682–700. https://doi.org/10.1111/j.17498198.2010.00337.x

61. Tobler W.R. A computer movie simulating urban growth in the Detroit region // Econ. Geogr. 1970. Vol. 46. № supl. 1. P. 234–240.

62. Triantakonstantis D., Mountrakis G. Urban Growth Prediction: A Review of Computational Models and Human Perceptions // J. Geogr. Inf. Syst. 2012. Vol. 4. P. 555–587.

63. Uitermark J., Van Meeteren M. Geographical network analysis // Tijdschr. Econ. Soc. Geogr. 2021. Vol. 112. № 4. P. 337–350. https://doi.org/10.1111/tesg.12480

64. Yamaoka K., Kumakoshi Y., Yoshimura Y. Local betweenness centrality analysis of 30 European cities // Urban Informatics and Future Cities. Cham: Springer Int. Publ., 2021. P. 527–547.

65. Yan X.Y., Zhao C., Fan Y., Di Z., Wang W.X. Universal predictability of mobility patterns in cities // J. R. Soc. Interface. 2014. Vol. 11. № 100. Art. 20140834. https://doi.org/10.1098/rsif.2014.0834