Оценка спрола городских территорий Санкт-Петербурга на основе спутниковых изображений Landsat

Размещено на http://www.allbest.ru/

Оценка спрола городских территорий Санкт-Петербурга на основе спутниковых изображений Landsat

Лачининский Станислав Сергеевич

Логвинов Илья Александрович

Васильева Влада Александровна



Аннотация

дешифрирование картографирование снимок территория

В контексте процессов урбанизации и территориального расширения городских территорий для обозначения «феномена пространственного роста городов» употребляется термин «urban sprawl» или «спрол» («расползание города»). Он представляет собой сложный географический процесс, который можно исследовать на основе современных данных дистанционного зондирования Земли (ДДЗЗ), включая использование мультиспектральных космических снимков проекта Landsat. В исследовании актуализирован процесс обработки и анализа снимков с использованием современных ГИС-комплексов. В результате была представлена и апробирована методика дешифрирования, картографирования и расчета изменения динамики роста урбанизированных территорий для Санкт-Петербурга. Каждый снимок классифицирован с помощью машинного обучения по эталонам местности. Отдельно был выделен класс урбанизированных территорий для каждого года анализа. В рамках проведенной работы была построена картосхема динамики городских территорий за исследуемый период, количественно рассчитан прирост площади территорий за анализируемый период. В результате космические снимки проекта Landsat, полученные благодаря возможностям базы данных Геологической службы США, оказались достаточно эффективны для распознавания городских районов, водных объектов, неиспользуемых земель и растительному покрову. Апробация методики на примере Санкт-Петербурга позволила увидеть результаты расширения застроенной площади в периферийных (пригородных) зонах, в том числе за счет субурбанизации. За 25 лет урбанизированные зоны расширились за счет строительства инфраструктурных дорожных объектов и жилого строительства как малоэтажных проектов и ИЖС, так и крупных жилых комплексов. Дальнейшее развитие данного исследования будет включать контактную зону Ленинградской области в пределах Санкт-Петербургской городской агломерации.

Ключевые слова: спрол, расползание, землепользование, агломерация Санкт-Петербурга, геоинформационные системы, спутниковые снимки, дистанционное зондирование космические снимки Landsat, пространственное развитие города.



Assessment of urban sprawl of St. Petersburg urban areas based on Landsat satellite images

S.S. Lachininskii, A. Logvinov, V.A. Vasileva

Abstract

In the context of urbanization processes and the territorial expansion of urban areas, the term "urban sprawl" or "urban sprawl" is used to describe the "phenomenon of urban sprawl. This is a complex geographical process, which can be investigated on the basis of modern remote sensing data, including the use of multispectral satellite images of the Landsat project. The study actualized the process of processing and analysis of images using modern GIS complexes. As a result, the methodology of interpretation, mapping and calculation of changes in the dynamics of urbanized area growth for St. Petersburg was presented and tested. Each image was classified using machine learning by height standards. A class of urbanized areas was separately identified for each year of analysis. As part of this work, a map of the dynamics of urbanized territories over the study period was constructed, and the growth of the area of territories over the analysis period was quantitatively calculated. As a result, Landsat project space images, obtained due to the capabilities of the USGS database, turned out to be quite effective for detecting urban areas, water bodies, unused land and vegetation cover. Testing of the method on the example of St-Petersburg allowed seeing the results of expanding the built-up territory at the expense of peripheral (suburban) zones, including the effect of suburbanization. Over 25 years, urbanized areas have expanded due to the construction of infrastructure road facilities and housing construction of both low-rise projects and residential buildings, as well as large residential complexes. Further development of this study will include the Leningrad Oblast contact area as part of the St. Petersburg urban agglomeration.

Key words: sprawl, land use, St. Petersburg agglomeration, geoinformation systems, satellite images, remote sensing Landsat satellite images, spatial development of the city.



Введение и постановка проблемы

Города активно участвуют в преобразовании Земли за счёт экстенсивного агломерационного развития, приводящего к их существенному разрастанию («urban sprawl» или «спрол»). Например, по оценке Организации экономического сотрудничества и развития (ОЭСР) площадь городских агломераций с численностью населения более 5 млн. чел. увеличилась за 25 лет (c 1990 по 2015 гг.) на 26 % -- с 55,4 тыс. кв. км до 70,2 тыс. кв. км (по оценке Cities, 2020 и по расчетам авторов Лачининский и Логвинов, 2022).

Данные о пространственном развитии городов активно используются географами и региональными экономистами при создании моделей пространственной формы городских агломераций (Fujita & Ogawa, 1982) и периодизации процессов урбанизации (Geyer, Kontuly, 1993).

Разнообразные аспекты и проблемы пространственного развития городов раскрываются благодаря использованию современных данных дистанционного зондирования Земли (ДДЗЗ): «острова тепла» в городах, экологические нарушения, зелёные насаждения и их плотность, территориальное планирование и т. д. Особое внимание вызывают междисциплинарные темы, среди которых изучение роста городских территорий и изменение землепользования в них с использованием самостоятельной классификации космоснимков и на основе проектов, в которых обработаны и соединены космоснимки в единый слой на весь мир (Лачининский и Логвинов, 2022).

О «спроле» опубликовано множество зарубежных и отечественных исследований, однако существует ряд подходов к определению этого феномена (Harvey, 1965; Gottlieb, 1999; Johnson, 2001; Duany, et al., 2001; Fulton, et al.,, 2001; Li, 2013; Ewing, 1990, 2008, 2014, 2016; Gargiulo, et al., 2012; Dadashpour, Salariyan, 2015; Perez, et al.,, 2019; Дохов и Синицын, 2020). Одни считают феномен разрастания города негативным явлением (Ewing, 2008, 2014; Dadashpour & Salariyan, 2015), другие позитивным или нейтральным (Gottlieb, 1999).

В одном из последних исследований, посвященном моделям постсоветской трансформации городов Восточной Германии и России (Gerten, et al., 2022) указывается, что урбанизация часто приводила к потере плотности городской застройки в существующем фонде. Таким образом, модели землепользования на окраинах растущих городских районов существенно меняются.

В последние десятилетия расширение городов, вызванное ростом населения и расширяющейся внутренней миграцией, привело к росту жилищного строительства, например, в Московской агломерации (Kurichev & Kuricheva, 2018) или в региональных столицах под влиянием миграционного прироста (Карачурина, и др., 2021). Авторы (Дохов и Синицын, 2020) считают, что «спрол» является следствием развития капиталистической экономики и воспринимается как инструмент стимулирования спроса, порожденный “глобальным капитализмом”, что вполне оправдано и логично, ведь именно в этой модели появился и развился земельный рынок и земельная рента.

Фактически, земля традиционно рассматривается в географии (и это правильно!) как пространственный базис -- основа географического понимания происходящих на территории социально-экономических процессов. Между тем «земля» может и должна пониматься как совокупность земельных участков -- государственно организованной системы, позволяющей обеспечить достижение целей развития территории (Засядь-Волк, 2013).

Тем самым “глобальный капитализм”, т.е. крупные компании, получает возможность реализовывать гораздо больше товаров и услуг. Д. Харви (1965) и его сподвижники из числа критиков спрола противопоставляют его более экономным («устойчивым») формам расселения.

Особый интерес связан с исследованиями глубинных изменений пространственной структуры агломерации, например, Санкт-Петербургской, в том числе затрагивающих процессы локальной субурбанизации (Sechi, et al., 2022; Лачининский и Сорокин, 2021; Zhitin, et al., 2020; Li, et al., 2020). Также отметим ряд публикаций, затрагивавших вопросы стратегического и территориального планирования агломерации (Ходачек, 2017; Лосин, Солодилов, 2020; Кузнецов и др., 2019). В некоторых работах особое внимание уделялось специфике развития периферийной, контактной зоны агломерации (Лимонов, Батчаев, 2013; Свириденко, 2020). Отдельные вопросы трансформации городского пространства, в частности динамика и морфология районов массовой жилой застройки в постсоветском городе, были рассмотрены в статьях (Аксенов и др., 2010). Концептуальную рамку формируют исследования в области изучения основных результатов и особенностей развития экономики Санкт-Петербурга в постсоветский период (Batchaev, Zhikharevich, 2014).

Пригородные зоны и усложнение пространственной структуры отдельных российских региональных столиц исследуется в (Дохов и др., 2020), а развитие пригородных зон крупнейших агломераций в (Браде, и др., 2015). Влияние новейших негативных явлений, например, пандемии COVID-19 на пригородные зоны исследованы в работе московских географов (Махрова и Нефедова, 2021). Некоторые учёные (Дохов и Синицин, 2020; Джонсон, 2001; Готтман, 2008) связывают спрол с зонами субурбии, приравнивая спрол к расширению городских территорий за счет расширения на сельские территории. В ряде публикаций (Fenglei, 2009; Huzui, 2013; Lifeng, 2019), включая данную статью, спрол является синонимом роста и расширения городов, без контекста преобразования сельской местности в городское пространство.

Однако спрол сложен и неоднозначен не только в части определения, генезиса и динамики, но и в части количественного и качественного измерения этого феномена. В исследовании (Ismael, 2021) обозреваются различные методы в оценке спрола. Отмечено, что важная проблема в разрастании городов связана со сложностью измерений и их сопоставлением. В настоящее время не существует единого подхода к измерению разрастания городских пространств. Наиболее распространенной методикой является измерение спрола через анализ плотности населения или по результатам переписи в изучаемых городских и прилегающих районах или с использованием скорости роста периметра городских земель (Ewing, 1997, 2008).

Существует довольно ограниченное количество исследований, в которых изучаются глобальные характеристики городского развития и разрастания городов, а также их последствия для достижения целей устойчивого развития (Bollens, 2005; Franz & VanWormer, 2007; Feng, 2009; Schiavina M. et al. 2019). Эта проблема связана с трудностями из-за различий в применяемых данных, потому что разные страны имеют разные не гармонизированные базы данных и показатели.

Заметную помощь в развитии методов количественной оценки спрола смог внести научно-технический прогресс и распространение пространственной (географической) информации, в том числе в виде многоканальных снимков местности со спутников. Исследование спрола вышло на новый уровень, благодаря появлению и совершенствованию пространственных данных в сочетании с развитием ГИС и компьютерных технологий по их обработке. Новые технологии съемки со спутника сделали прорыв в изучении пространственных изменений территорий, стали появляться исследования спрола с применением космоснимков (Huzui, 2013; Estoque, 2015; Yi He, 2017; Ying Sun, 2017). Этот способ стал более удобен и нагляден, нежели градостроительные базы данных для развитых городов. Также этот способ стал просто незаменимым для развивающихся территорий, где очень слабо ведется кадастровый учет (Schiavina M. et al. 2019). Поэтому исследование методов изучения спрола с помощью дистанционного зондирования является важной ступенью для развития науки и контроля роста городов.

Что касается анализа роста городов, то технология дистанционного зондирования, особенно с учетом недавних улучшений, может обеспечить уникальный взгляд на процессы роста и изменения землепользования (Bhatta, 2012).

Наборы данных, полученные с помощью дистанционного зондирования постоянны во времени, охватывают большую часть поверхности планеты и могут предоставить возможность сравнения разрастания городских территорий в любых точках мира. Это может позволить получать уникальные сопоставимые данные для всех регионов Земли Возможность распознавания различных объектов, а также изучение их свойств дистанционными методами обусловлены тем, что поглощение, рассеивание, отражение и излучение электромагнитной энергии в различных зонах спектра специфичны для каждого типа земной поверхности и объектов, расположенных на ней (для гидрографии - одни, у зданий и дорог - другие, у растительного покрова - третьи)..

В данной статье поставлена проблема - апробация и актуализация методики дешифрирования космических снимков и расчета изменения динамики роста урбанизированных территорий для Санкт-Петербурга с помощью элементов машинного обучения по эталонам местности.



Материалы и методика исследования

В данной статье исходные материалы опираются на оценку спрола Санкт-Петербурга по снимкам, принадлежащим Геологической службе США, полученных с помощью проекта Landsat в период с 1990 по 2015 гг.

Санкт-Петербург представляет собой второй по численности населения город России с населением более 5,6 млн. человек (2023). Городское ядро в границах Санкт-Петербурга, а также остальные районы Санкт-Петербурга и прилегающие к нему районы Ленинградской области формируют Санкт-Петербургскую агломерацию. В данной статье исследовательский акцент сделан на ключевой части агломерации - городе федерального значения Санкт-Петербург. Примеры рассмотрения агломерации в таких границах имеются (Anokhin et al. 2017; Li et al. 2020).

Важным индикатором спрола на территории города является застройка разного назначения (здания, сооружения, строения, логистические или коммерческие объекты). Вместе с тем, специфика передачи информации и особенности дешифрирования, не даёт возможности чётко выделить здания по снимкам, прежде всего, из-за разрешения снимков и схожей отражательной способности зданий и дорог. Поэтому в предложенном исследовании мы фокусируемся на сплошной городской застройке как единой урбанизированной территории, включающей комплексные сплошные объекты (вместе с дорогами, инфраструктурными объектами и сооружениями). Данный подход схож с подходом к спролу в рамках концепции устойчивого развития, где в показателе 11.3.1 (соотношение темпов застройки и темпов роста населения) используется вся застройка города United Nations Human Settlements Programme (UN-Habitat) / URL://unstats.un.org/sdgs/metadata/files/Metadata-11-03-01.pdf (дата обращения: 1.03.2023).. В таком варианте спрол уже исследуется командой проекта Global Human Settlement Layer (Melchiorri M. et al., 2019) и другими исследователями (Ghazaryan G. et al. 2021). Таким образом, исходим из того, что урбанизированная территория в настоящем исследовании - это участок суши, занятый поселением селитебного типа и связанными с ним производственными, транспортными и инженерными сооружениями.

Для анализа спрола города были использованы спутниковые снимки высокого разрешения Landsat-5 и Landsat-8 со стандартными радиометрическими и геометрическими поправками.

Целесообразность использования снимков для оценки динамики застраиваемых территорий обусловлена следующими факторами (Верещака, 1990):

объективность (космический снимок способен объективно отражать состояние местности в каждый момент съемки);

актуальность (материалы съемки со спутника можно получить на различные даты с разным разрешением);

масштабность (современная съёмка в обзорных масштабах позволяет одновременно снять огромные территории с довольно высокой детализацией);

экстерриториальность (участки съёмки не привязаны к государственным или административным границам);

доступность (в настоящее время множество материалов космической съемки находятся в свободном доступе.

Всё это позволяет получать унифицированные данные по состоянию исследуемых территорий.

Для исследования было отобрано 7 снимков с изображениями территории Санкт-Петербурга в разных спектральных каналах: снимки следующих годов - 1990, 1994, 2001, 2005 и 2011 со спутника Landsat 5, 2015 год - с 8 спутника. Лаг в промежутке в 5 лет был нарушен из-за повышенной облачности в летний период для соответствующего года, поэтому снимки оказались непригодны для анализа и были заменены на снимки 1994 года (вместо 1995 года), 2001 года (вместо 2000 года) и 2011 года (вместо 2010 года).

Для устранения искажений снимков, была проведена их радиометрическая и атмосферная коррекция. Коррекция производились в свободно распространяемой программе по работе с картографическими данными QGIS. Радиометрическое преобразование было осуществлено для всех наборов снимков с помощью модуля І.

Landsat.toar, в меню Image tools. Атмосферная коррекция снимков проводилась с помощью плагина Semi-Automatic Classification Plugin.

Для дешифрирования городской застройки используется множество методик, которые можно разделить на несколько видов, со своими преимуществами и недостатками.

Во-первых, способ визуального дешифрирования, с последующей векторизацией результатов (Артемьева и др., 2021). Данный способ характеризуется пониженной скоростью, а также человеческим фактором, который может играть как в минус (пропуск объектов), так и в плюс (меньшая зависимость от качества обработки снимка в плане спектральных характеристик) при дешифрировании. Во-вторых, использование индексов, таких как Urban Index (UI), Normalized Difference Vegetation Index (NDVI) и Normalized Difference Built-up Index (NDBI) (Huzui, 2013; Estoque, 2015; Ying Sun, 2017), основанных на изменениях спектральных особенностей поглощения различных объектов. Данный метод характеризуется повышенной скоростью векторизации, в отличие от визуального дешифрирования, а также зависимостью от качества обработки снимка (атмосферные, радиометрическая коррекция). В-третьих, наиболее современный и перспективных метод, основанный на машинном обучении (Schiavina et al., 2019). За счет нейросетей удается учесть особенности расположения, формы и других характеристик объекта, на основе которых принимает свое решение исследователь при дешифрировании, а также учитывать спектральные характеристики объектов и иметь высокую скорость обработки данных. Метод, основанный на машинном обучении, был применен в данной работе. Причем важной особенностью авторского подхода является то, что используются бесплатное ПО QGIS (плагин Semi-Automatic Classification Plugin), а не платные ArcGIS и IDRISI.

Для обучения модели использовались синтезированные изображения, а именно сочетания ближнего инфракрасного - красного и зелёного каналов (4-3-2 для Landsat 5 и 5-4-3 для Landsat-8), позволяющий выделить растительность красным цветом, а урбанизированные территории - голубым. Однако этот синтез не является идеальным в случае открытых почв и незасеянных грунтов.

Далее на основе составленных изображений, каждое из которых помогает определить разные виды объектов, проводилась классификация с машинным обучением по эталонам местности через плагин Semi-Automatic Classification Plugin. Все снимки воспринимаются машиной как набор пикселей, каждый из которых имеет разное значение цвета, в зависимости от разрешающей способности снимка - 15 или 30 квадратных метров пиксель.

В качестве основного метода классификации изображений выбран метод минимальных расстояний (Minimum Distance). Преимущество этого метода - четкое разграничение пикселей со сходными спектральными характеристикам.

Для анализа были выделены четыре класса поверхностей - городская застройка (урбанизированные территории), растительный покрыв, открытая почва, водные объекты. Распознаванию на снимках каждого класса предшествовал выбор эталонов и также избирательная верификация эталонных поверхностей на местности. Наилучшим вариантом выбора эталонов является сопоставление выделенной области пикселей с дешифрированием на местности. То есть в эталон обучения распознавания зданий по возможности не должно попадать соседних пикселей от иных рядом расположенных объектов. Таким способом для каждого выделенного класса поверхности были отобраны по эталоны на местности в разных частях выбранной территории, для урбанизированных территорий более 80 штук. Все эталоны были сравнены и выверены по реальным объектам на картах Google, что позволило разработать качественные данные для дальнейшего обучения модели. В результате классификации (проводилась в программном обеспечении QGIS) получаются новые растровые слои, содержащие лишь значения четырех заданных типов объектов. Далее проводится векторизация растровых слоев, то есть они становятся внемасштабными и пиксель заменяется значением на координатной плоскости. Из векторного слоя уже можно извлекать количественные значения каждого типа объектов - в нашем случае урбанизированных территорий. Это необходимо для дальнейшего построения картосхемы динамики городской застройки за период с 1990 по 2015 годы. Площади урбанизированных территорий (векторизованные) рассчитываются при помощи калькулятора векторных слоев в атрибутивной таблице.

Результаты исследования и их обсуждение

результате исследования были составлены картосхемы за выбранные временные промежутки по 4 классам объектов. Классификация довольно точно определила пиксели по минимальному расстоянию, а также при наложении карты местности достаточно детально дешифрировала объекты (рис. 2, 3 и 4) На снимках 2001 и 2005 гг. достаточно плохо дешифрирована застройка в Московском районе Санкт-Петербурга, что связано с углом падения солнца и падающей тенью от облака, которая совпадает по спектральным значениям с растительностью. Этот небольшой дефект для дальнейшего верного расчета площадей был устранен путем оцифровки участков вручную..

На картосхемах изображена территория Санкт-Петербурга по четырем классам объектов, по каждому из них можно сделать расчеты, динамику занятой площади и провести отдельное исследование. Из них был рассмотрен класс «Урбанизированная территория», представленный на рис. 5.



Рис. 1. Картосхемы результатов классификации снимков за периоды 1990 и 1994 годы

Рис. 1-4 составлены авторами на основе спутниковой информации, полученной: Геологическая служба США (United States Geological Survey) (USGS). URL://www.usgs.gov/ (дата обращения: 10.07.2022)

Рис 2. Картосхемы результатов классификации снимков за периоды 2001 и 2005 годы



Рис 3. Картосхемы результатов классификации снимков за периоды 2011 и 2015 годы

Рис 4. Динамика изменения городской застройки за период с 1990 по 2015 годы

Центральное ядро города (Санкт-Петербург в нынешних административных границах города), которое было заселено еще в XVIII - XIX вв., идентифицировано по снимкам почти сплошным пластом во всех периодах как урбанизированная территория, что неудивительно. Гораздо нагляднее смотреть результаты, выходящие за рамки центральной части города. В табл. 1 представлена количественная оценка прироста площади урбанизированных территорий. В каждый из исследуемых периодов темпы прироста различны, поэтому ниже будет подробнее рассмотрен каждый период и выявлены основные территории застройки и движущие силы.

Табл. 1. Прирост площади урбанизированных территорий

Год	Площадь урбанизированных	Прирост площади к
	территорий, кв. км	предыдущему периоду
1990	401,037	NA
1994	436,007	8,7%
2001	455, 46	4,5%
2005	464,09	1,9%
2011	494, 93	6,5%
2015	495,20	<1%

Источник: рассчитано авторами на основе спутниковой информации, полученной: Геологическая служба США (United States Geological Survey) (USGS). URL://www.usgs.gov/ (дата обращения: 10.07.2022)

После распада СССР массовое строительство типовых зданий и процесс расселения коммунальных квартир прекратился, а строительство в городе ограничивалось уплотнением и возведением элитных малоэтажных зданий. За период с 1990 по 1994 годы площадь урбанизированных территорий города выросла на 8,7% (табл. 1) за счет следующих объектов (список не исчерпывающий, но отражает наиболее крупные постройки):

Левашово;

Парголово;

Новоселки;

Увеличение числа домов в селе Рыбацкое;

Поселения вдоль реки Поповка;

Увеличение числа домов в Колпинском районе;

Открытые автостоянки КАС «Володарская», «Волконская»;

деревня Сергиево

Период с 1994-2001 годы в два раза снижает темпы прироста урбанизированных территорий, согласно полученным по космоснимкам результатам (табл. 1)

Парголово;

Левашово;

Новоселки;

Северо-Западная ТЭЦ;

Вдоль улицы Коллонтай;

Флагманская и Капитанская улицы на Васильевском острове;

Гуммолосары;

Угольная Гавань

Процесс комплексного развития территорий, но уже частными компаниями возобновился к началу 2000-х годов. Далее все строительства новых жилых комплексов приходились на частников, а также росли зоны ближайшей субурбии. Период с 20012005 гг. еще больше снижает темпы прироста урбанизированных территорий, всего 1,9% к предыдущему периоду (табл. 1). Рост произошел за счет следующих идентифицированных по картосхеме объектах:

город Зеленогорск (Курортный район);

Поселок «Дюны»;

Также еще больше увеличилась площадь Левашово и Парголово;

Проспект Авиаконструкторов;

Александровка;

Шушары;

Детскосельский район

Следующий исследуемый слой охватывает период с 2005 по 2011 годы, темпы прироста урбанизированных зон поднялись до 6,5%.

Комарово;

Логопарк «Осиновая роща»;

Намыв набережной на Васильевском острове;

Рубежное шоссе;

Логистический комплекс в Колпино;

ЖК «Славянка»;

Логопарк «Мегалоджикс»;

ЖК «Дудергофская линия»;

Завод по производству бытовой техники;

ГСК-КГС 8;

Жилгородок 15 .

Последний исследуемых промежуток времени охватывает 2011-2015 гг., расчет площади не показал прироста урбанизированных территорий, за исключением роста ЖК «Славянка» и автодрома «Санкт-Петербург».

В ходе изучения роста урбанизированных территорий были выявлены общие тенденции, а именно увеличение застроенной площади в контактной зоне ядра и ближайшей контактной зоны (город-область), что говорит о наличии процессов субурбанизации, в том числе, в пределах ядра (Санкт-Петербурга в административных границах). Вся полученная по результатам дешифрирования урбанизированная территория ядра обеспечивается развитой транспортной инфраструктурой города, что видно по ярко выраженным транспортным сетям. При сравнении Генерального плана и выделенных зон роста за исследуемые периоды не было выявлено явных противоречий. Производственные комплексы и логистические объекты расположены в функциональной зоне объектов производственного, транспортно-логистического, складского назначения, объекты инженерной инфраструктуры с включением объектов общественно-деловой застройки, связанных с обслуживанием данной зоны. Зоны жилых комплексов совпадают с жилыми функциональными зонами Генплана. Таким образом, при мониторинге и дешифрировании снимков будет полезно подключать слои с официальной документальной информацией. Например, с помощью аэрофотоснимков можно отслеживать своевременность соблюдения проектов планировки территории, исследовать состояние почв и растительности вблизи проектируемых регионов.

Данное исследование, как уже упоминалось, затрагивает только ядро агломерации (Санкт-Петербурга в административных границах), поэтому вариантом дальнейшего развития темы является географическое расширение на всю территорию агломерации. Большая часть планов развития учитывает развитие агломерации и районов Ленинградской области, прилегающих к границам города. Согласно Концепции комплексного развития территорий Ленинградской области, прилегающих к границам Санкт-Петербурга, территория комплексного развития (ТКР) -- это территория Ленинградской области в зоне активного социально-экономического взаимодействия с городом Санкт-Петербургом (Овсипян, 2018). На долю территорий Ленинградской области, прилегающих к Санкт-Петербургу, приходится 30% прироста населения Санкт-Петербургской агломерации, эта зона уже является местом жизни множества людей, чья жизнь тесно связана с городом. Поэтому важно отслеживать темпы и направления разрастания агломерации для дальнейшего создания качественных моделей пространственной формы агломерации, которые могли бы учитывать потребности населения для достижения транспортной доступности и комфорта жителей.

Рис 5. Территория развития города согласно стратегии до 2038 года. Составлено авторами на основе возможностей URL://www.openstreetmap.org/#map=2/69.6/-74.9 (дата обращения: 1.07.22)



Заключение

В данном исследовании на основе инвентаризации существующих методик была предложена и апробирована дополненная методика количественной оценки спрола городских территорий и её апробации на примере Санкт-Петербурга в его административных границах. Авторы рассмотрели понятие спрола как синонима расползания и расширения, без контекста трансформации сельской местности. При этом исследовательский вектор был сфокусирован на сплошной городской застройке как единой урбанизированной территории, включающей комплексные сплошные объекты (вместе с дорогами, инфраструктурными объектами и сооружениями), что перекликается с подходами в рамках концепции устойчивого развития. Таким образом, урбанизированная территория в настоящем исследовании - это участок суши, занятый поселением селитебного типа и связанными с ним производственными, транспортными и инженерными сооружениями.

Метод, основанный на машинном обучении, был применен в данной работе. Причем важной особенностью авторского подхода является то, что используются бесплатное ПО QGIS (плагин Semi-Automatic Classification Plugin), а не платные ArcGIS и IDRISI.

Была проведена количественная оценка прироста площади урбанизированных территорий за 1990-2015 гг., которая дала возможность выделить следующие тренды: за период с 1990 по 1994 годы площадь урбанизированных территорий города выросла на 8,7%; за период с 1994-2001 годы в два раза (к предыдущему периоду) снижаются темпы прироста урбанизированных территорий; за период с 2001-2005 гг. еще больше снижает темпы прироста урбанизированных территорий, всего 1,9% к предыдущему периоду; за период с 2005 по 2011 годы темпы прироста урбанизированных зон поднялись до 6,5% к предыдущему периоду. В результате изучения роста и расползания урбанизированных территорий Санкт-Петербурга были выявлены общие тенденции, а именно уплотнение урбанизированной зоны города, в том числе в прибрежной и курортной зоне, расширение территории городов-спутников в пределах административных границ, а также увеличение площади жилой застройки в периферийных зонах, за счет активных процессов субурбанизации. Вся урбанизированная зона все теснее уплотняется, расширяется транспортная дорожно-инфраструктура города, создавая новые полюса притяжения экономической деятельности и девелоперских проектов.

В ходе исследования роста урбанизированных территорий Санкт-Петербурга были выявлены тенденции, связанные с увеличением застроенной площади в контактной зоне ядра и ближайшей контактной зоны (город-область), что говорит о наличии процессов субурбанизации, в том числе в пределах ядра (Санкт-Петербурга в административных границах).

Авторы сделали акцент на преимуществах и недостатках применяемой методики. Выявлено, что синтезированные изображения имеют четкие разграничения для урбанизированных и "зеленых" территорий, однако стоит очень внимательно относиться к определению эталонов на незасеянных грунтах. Для получения наиболее точных результатов в модели классификации необходимо четко разграничивать эталоны для "голых" земель и для урбанизированных территорий.

Главным преимуществом применения данного метода является его универсальность и сравнимость для любых территорий Земли, чего нельзя сказать о проектной документации с разными метриками, языками. Разумеется, с развитием методов машинного обучения моделирование на основе классификации будет совершенствоваться и развиваться, что дает огромные возможности для дальнейшего развития и исследования на большем масштабе. Авторы считают методы и результаты данного исследования довольно перспективными и планируют продолжить их в масштабе всей Санкт-Петербургской агломерации.



Литература

1. Аксенов, К.Э., Брадэ, И., Рох, К. (2010). Социально-пространственная дифференциация в районах массовой жилой застройки Ленинграда - Санкт-Петербурга в постсоветское время. Известия РАН. Серия географическая, 1, 42-53.

2. Артемьева, О.В., Бакулев, А.С., Данилова, О.И. (2021). Опыт создания карт динамики городской застройки по материалам данных дистанционного зондирования. Современные проблемы географии, 7-12.

3. Браде, И., Махрова, А.Г., Нефедова, Т.Г., Трейвиш, А.И. (2015). Особенности субурбанизации в Московской агломерации в постсоветский период. Известия Российской академии наук. Серия географическая, 2, 19-29.

4. Верещака, Т.В., Зверев, А.Т., Сладкопевцев, С.А., Судакова, С.С. (1990). Визуальные методы дешифрирования // М.: Недра, 1990. - 340.

5. Геологическая служба США (United States Geological Survey) (USGS). URL://www.usgs.gov/ (дата обращения: 10.07.2022).

6. Готтманн, Ж. (2008). Мегалополис, или урбанизация северо-восточного побережья США. География городов. М. Дохов, Р.А., Синицын, Н.А. (2020). Спрол в России: рост и структурная трансформация пригородов Белгорода. Известия Российской академии наук. Серия географическая, 2, 191206.

7. Дохов, Р.А., Алов, И.Н., Шубина, Д.О., Волков, М.С., Мацур, В.А., Умнова, Т.Н., Шерстнева, А.Р. (2020). Пространственные структуры постсоциалистических пригородов: функциональные и социальные центры субурбии Махачкалы. Городские исследования и практики, 5, 4, 35-53. DOI: https://doi.org/10.17323/usp54202035-53.

8. Засядь-Волк, В.В. (2013). Земельные ресурсы как основа эффективного развития территории. Вестник СПбГУ. Сер. 7, 2, 145-152.

9. Карачурина, Л.Б., Мкртчян, Н.В., Петросян, А.Н. (2021). Пространственные особенности миграционного прироста пригородов региональных столиц России. Вестн. Моск. ун-та. Сер. 5. География, 6, 123-134.

10. Лачининский, С.С., Логвинов, И.А. (2022). Зарубежный опыт использования данных дистанционного зондирования Земли при изучении развития городов. Псковский регионологический журнал, 18, 3, 132-146. DOI: https://doi.org/10.37490/S221979310021246-3.

11. Лачининский, С.С., Сорокин, И. С. (2021). Пространственная структура и особенности развития поселений Санкт-Петербургской агломерации. Балтийский регион, 13, 1, 48-69.

12. Лосин, Л.А., Солодилов, В.В. (2020). Стратегическое транспортное планирование развития Санкт-Петербургской городской агломерации. Экономика Северо-Запада: проблемы и перспективы развития, 1(60), 84-93.

13. Махрова, А.Г., Нефедова, Т.Г. (2021). Сможет ли пандемия COVID-19 стимулировать субурбанизацию в центральной России? Вестник Московского университета. Серия 5: География, 4, 104-115.

14. Овсепян, М.В. (2018). Проблемы развития Санкт-Петербургской агломерации. Проблемы развития территории, 4, 96, 72-86.

15. Свириденко, М.В. (2020). Пространственное развитие муниципальных образований Ленинградской области, находящихся в зоне интенсивной урбанизации Санкт-Петербургской агломерации: основные тенденции и вызовы. Экономика Северо-Запада: проблемы и перспективы развития, 1(60), 69-76.

16. Ходачек, А.М. (2017). О Петербургской агломерации на основе концепции градостроительного развития. Экономика Северо-Запада: проблемы и перспективы развития, 1(53-54), 35-47.

17. Anokhin, A.A., Lachininskii, S.S., Zhitin, D.V., Shendrik, A.V., Mezhevich, N.M. and Krasnov, A.I. (2017). Post-Soviet Urban Environment: The Experience of St. Petersburg. Regional Research of Russia, 7. (3), 249-258.

18. Batchaev, A.R., Zhikharevich, B.S. (2014). Saint-Petersburg in the post-soviet time: economic strategies and development. Economic and Social Changes: Facts, Trends, Forecast, 4 (34), 68-83.

19. Bhatta, B. (2012). Analysis of Urban Growth and Sprawl from Remote Sensing Data. New York: Springer Publishing.

20. Bollens, S. (2005). Urban growth boundary, in Caves, R.W. (Ed.). Encyclopedia of the City, Routledge (Tylor & Francis Group). NY and London.

21. Cities in the World: A New Perspective on Urbanization (2020). Paris: OECD Urban Studies.

22. Duany, A., Plater-Zyberk, E., Speck, J. Suburban Nation (2001). The Rise of Sprawl and the Decline of the American Dream. North Point Press, New York.

23. Dadashpour, H., Salariyan, F. (2015). Analyzing the impact of urban sprawl on land use changes in the region of Sari. Geographical Studies of Urban Planning, 3 (2), 145-163.

24. Estoque, R.C., Yuji, M. (2015) Classification and change detection of built-up lands from Landsat-7 ETM+ and Landsat-8 OLI/TIRS imageries: A comparative assessment of various spectral indices. Ecological Indicators, 56, 205-217.

25. Ewing, R. (1997). Is Los Angeles-style sprawl desirable? Journal of the American Planning Association, 63 (1), 107-126.

26. Ewing, Reid. (2008). Characteristics, Causes, and Effects of Sprawl: A Literature Review. Urban Ecology, 519-535. DOI: 10.1007/978-0-387-73412-534.

27. Ewing, Reid & Hamidi, Shima & America, Smart. (2014). Measuring Sprawl 2014. Smart Growth America. 51.

28. Ewing, Reid & Hamidi, Shima & Grace, James & Wei, Yehua. (2016). Does urban sprawl hold down upward mobility? Landscape and Urban Planning, 148(1), 80-88. DOI: 10.1016/j.landurbplan.2015.11.012.

29. Feng, Li. (2009) Applying remote sensing and GIS on monitoring and measuring urban sprawl. A case study of China. Revista Internacional de sostenibilidad, tecnologia y humanismo, 4.

30. Fenglei, Fan, Yunpeng, Wang, Maohui, Qiu & Zhishi, Wang (2009). Evaluating the Temporal and Spatial Urban Expansion Patterns of Guangzhou from 1979 to 2003 by Remote Sensing and GIS Methods, International Journal of Geographical Information Science, 23 (11), 1371-1388. DOI: 10.1080/13658810802443432.

31. Franz, M.J., VanWormer, J.J., Lauren, Crain, A., Boucher, J.L., Histon, T., Caplan, W., et al. (2007). Weight-loss outcomes: A systematic review and meta-analysis of weight-loss clinical trials with a minimum 1-year follow-up. Journal of the American Dietetic Association, 107, 10, 1755--1767.

32. Fujita, M., Ogawa, H. (1982). Multiple equilibria and structural transition of non-monocentric urban configurations. Regional Science and Urban Economics, 12, 2, 161-196.

33. Fulton, W., Pendall, R., Nguyen, M., Harrison, A. (2001). Who sprawls most? How growth patterns differ across the U.S. Washington, DC: Brookings Institution.

34. Gargiulo, V., Sateriano, A., Di, Bartolomei R., Salvati, L. (2012) Urban sprawl and the environment // Geography, Environment, Sustainability, 5(4), 46-62. https://doi.org/10.24057/2071-9388-2012-5-4-46-62.

35. Gerten, Christian, Boyko, Dmitriy, Fina, Stefan (2022). Patterns of Post-socialist Urban Development in Russia and Germany. Frontiers in Sustainable Cities, 4, 846956. DOI: 10.3389/frsc.2022.846956.

36. Geyer, H.S., Kontuly, T.A. (1993). Theoretical foundation for the concept of differential urbanization. International Regional Science Review, 15, 2. 157-177.

37. Ghazaryan, G. et al. (2021). Monitoring of urban sprawl and densification processes in western Germany in the light of SDG indicator 11.3. 1 based on an automated retrospective classification approach. Remote Sensing, 13, 9, 1694.

38. Gottlieb, P.D. (1999). Do economists have anything to contribute to the debate on urban sprawl? Forum for Social Economics, 28(2), 51-64.

39. Harvey, R.O., Clark, W.A.V. (1965). The nature and economics of urban sprawl. Land Economics, 41. 1, 1-9.

40. Huzui, A.I., Abdellaoui, Abdelkader & Ileana, Patru-Stupariu.(2013). Analysing urban dynamics using multi-temporal satellite images in the case of a mountain area, Sinaia (Romania). International Journal of Digital Earth, 6 (6), 563-579.

41. Ismael, H. (2021). Urban form study: the sprawling city--review of methods of studying urban sprawl. GeoJournal. - 86 (2). - pp. DOI: 10.1007/s10708-020-10157-9.

42. Johnson, M. (2001). Environmental impacts of urban sprawl: A survey of the literature and proposed research agenda. Environment and Planning, 33, 717-35.

43. Kurichev, N.K., Kuricheva, E.K. (2018). Relationship of housing construction in the Moscow urban agglomeration and migration to the metropolitan area. Regional Research of Russia, 8, 1.

44. Li, J. et al. (2013). Spatiotemporal pattern of urbanization in Shanghai, China between 1989 and 2005. Landscape ecology, 28, 8, 1545-1565.

45. Li, X., He, H.S., Xiu, C., Li B., Shendrik, A. (2020). Twenty years of post-Soviet Union urban land use change of St.-Petersburg. Applied Spatial Analysis and Policy, 13, 4, 1019-1033.

46. Lifeng, Shi, Hannes, Taubenbock, Zengxiang, Zhang, Fang, Liu & Michael, Wurm. (2019). Urbanization in China from the late 1980s to 2010 - spatial dynamics and growth patterns using EO. International Journal of Digital Earth, 12 (1),78-94.

47. Melchiorri, M. et al. (2019). Principles and applications of the global human settlement layer as baseline for the land use efficiency indicator--SDG 11.3. 1. ISPRS International Journal of GeoInformation, 8, 2, 96.

48. Perez, J., Fusco, G., Moriconi-Ebrard, F. (2019). Identification and quantification of urban space in India: Defining urban macro-structures. Urban Studies, 56, 10, 1988-2004.

49. Sechi, G., Zhitin, D., Krisjane, Z., Berzins, M. (2022). Post-Soviet Suburbanization as Part of Broader Metropolitan Change: A Comparative Analysis of Saint Petersburg and Riga. Sustainability, 14, 8201. https://doi.org/10.3390/su14138201.

50. Schiavina M. et al. (2019). Multi-scale estimation of land use efficiency (SDG 11.3. 1) across 25 years using global open and free data // Sustainability. - Т. 11. - № 20. - С. 5674.

51. Yi He, Peng Dou, Haowen Yan, Lifeng Zhang & Shuwen Yang (2018). Quantifying the main urban area expansion of Guangzhou using Landsat imagery. International Journal of Remote Sensing, 39 (21), 7693-7717, DOI: 10.1080/01431161.2018.1478465.

52. Ying, Sun, Xinchang, Zhang, Yuan, Zhao & Qinchuan, Xin (2017). Monitoring annual urbanization activities in Guangzhou using Landsat images (1987-2015), International Journal of Remote Sensing, 38 (5), 1258-1276, DOI: 10.1080/01431161.2016.1268283.

53. Zhitin, D.V., Lachininskii, S.S., Mikhaylov, A.A., Shendrik, A.V. (2020). Urban transformation of a post-soviet coastal city: the case of Saint-Petersburg. Geography, Environment, Sustainability, 13, 1, 145-158.



References

1. Aksenov, K.E., Bradje I., Roh, K. (2010). Socio-spatial differentiation in Leningrad-St. Petersburg mass housing areas in the post-Soviet period. Izvestija RAN. Serija geograficheskaja,1, 42-53. (In Russian).

2. Anokhin, A.A., Lachininskii, S.S., Zhitin, D.V., Shendrik, A.V., Mezhevich, N.M., and Krasnov, A.I. (2017). Post-Soviet Urban Environment: The Experience of St. Petersburg. Regional Research of Russia, 7, 3, 249-258.

3. Artem'eva, O.V., Bakulev, A. S., Danilova, O. I. (2021). Experience of creating maps of urban development dynamics based on remote sensing data. Sovremennyeproblemy geografii, 712.

4. Batchaev, A.R., Zhikharevich, B.S. (2014). Saint-Petersburg in the post-soviet time: economic strategies and development. Economic and Social Changes: Facts, Trends, Forecast, 4 (34), 68-83.

5. Bhatta, B. (2012). Analysis of Urban Growth and Sprawl from Remote Sensing Data. New York: Springer Publishing.

6. Bollens, S. (2005). Urban growth boundary, in Caves, R.W. (Ed.). Encyclopedia of the City, Routledge (Tylor & Francis Group). NY and London. 475-476.

7. Brade, I., Mahrova, A.G., Nefedova, T.G., Trejvish, A.I. (2015). Peculiarities of suburbanization in the Moscow agglomeration in the post-Soviet period. Izvestija Rossijskoj akademii nauk. Serija geograficheskaja, 2, 19-29.

8. Cities in the World: A New Perspective on Urbanization (2020). Paris: OECD Urban Studies, 171.

9. Dadashpour H., Salariyan, F. (2015). Analyzing the impact of urban sprawl on land use changes in the region of Sari. Geographical Studies of Urban Planning, 3, 2, 145-163.

10. Dohov, R.A., Sinicyn, N.A. (2020). Sprawl in Russia: Growth and Structural Transformation of Belgorod's Suburbs. Izvestija Rossijskoj akademii nauk. Serija geograficheskaja, 2, 191206.

11. Dohov, R.A., Alov, I.N., Shubina, D.O., Volkov, M.S., Macur, V.A., Umnova, T.N., Sherstneva, A.R. (2020). Spatial Structures of Post-Socialist Suburbs: Functional and Social Centers of Makhachkala Suburbia. Gorodskie issledovanija i praktiki, 5, 4, 35-53. DOI: https://doi.org/10.17323/usp54202035-53.

12. Duany, A., Plater-Zyberk, E., Speck, J. Suburban Nation (2001). The Rise of Sprawl and the Decline of the American Dream. North Point Press, New York.

13. Estoque R.C., Yuji M. (2015) Classification and change detection of built-up lands from Landsat-7 ETM+ and Landsat-8 OLI/TIRS imageries: A comparative assessment of various spectral indices. Ecological Indicators, 56, 205-217.

14. Ewing R. (1997) Is Los Angeles-style sprawl desirable? Journal of the American Planning Association, 63, 1, 107-126.

15. Ewing, Reid. (2008). Characteristics, Causes, and Effects of Sprawl: A Literature Review. Urban Ecology. pp.519-535. DOI: 10.1007/978-0-387-73412-5_34.

16. Ewing, Reid & Hamidi, Shima & America, Smart. (2014). Measuring Sprawl 2014. Smart Growth America. 51 p.

17. Ewing, Reid & Hamidi, Shima & Grace, James & Wei, Yehua. (2016). Does urban sprawl hold down upward mobility? Landscape and Urban Planning, 148(1), 80-88. DOI: 10.1016/j.landurbplan.2015.11.012.

18. Feng, Li. (2009) Applying remote sensing and GIS on monitoring and measuring urban sprawl. A case study of China. Revista Internacional de sostenibilidad, tecnologla y humanismo, 4.

19. Fenglei, Fan, Yunpeng, Wang, Maohui, Qiu & Zhishi, Wang (2009). Evaluating the Temporal and Spatial Urban Expansion Patterns of Guangzhou from 1979 to 2003 by Remote Sensing and GIS Methods, International Journal of Geographical Information Science, 23,11, 1371-1388, DOI: 10.1080/13658810802443432.

20. Franz, M.J., VanWormer, J.J., Lauren, Crain A., Boucher, J.L., Histon, T., Caplan, W., et al. (2007). Weight-loss outcomes: A systematic review and meta-analysis of weight-loss clinical trials with a minimum 1-year follow-up. Journal of the American Dietetic Association, 107, 10, 1755-1767.

21. Fujita, M., Ogawa, H. (1982). Multiple equilibria and structural transition of nonmonocentric urban configurations. Regional Science and Urban Economics, 12, 2, 161-196.

22. Fulton, W., Pendall, R., Nguyen, M., Harrison, A. (2001). Who sprawls most? How growth patterns differ across the U.S. Washington, DC: Brookings Institution.

23. Gargiulo, V., Sateriano, A., Di Bartolomei, R., Salvati, L. (2012) Urban sprawl and the environment. Geography, Environment, Sustainability, 5(4), 46-62. https://doi.org/10.24057/2071-9388-2012-5-4-46-62.

24. Gerten, Christian, Boyko, Dmitriy, Fina, Stefan (2022) Patterns of Post-socialist Urban Development in Russia and Germany. Frontiers in Sustainable Cities, 4, 846956. DOI: 10.3389/frsc.2022.846956.

25. Geyer, H.S., Kontuly, T.A. (1993). Theoretical foundation for the concept of differential urbanization. International Regional Science Review, 15, 2, 157-177.

26. Ghazaryan G. et al. (2021). Monitoring of urban sprawl and densification processes in western Germany in the light of SDG indicator 11.3. 1 based on an automated retrospective classification approach. Remote Sensing, 13, 9, 1694.

27. Gottlieb P.D. (1999). Do economists have anything to contribute to the debate on urban sprawl? // Forum for Social Economics. 28(2). pp. 51-64 Gottmann, Zh. (2008). Megalopolis, ili urbanizacija severo-vostochnogo poberezh'ja SShA. Geografija gorodov.

28. Harvey, R.O., Clark, W.A. (1965). The nature and economics of urban sprawl. Land Economics,41, 1, 1-9.

29. Hodachek A.M. (2017). On the St. Petersburg agglomeration based on the concept of urban development. Jekonomika Severo-Zapada: problemy i perspektivy razvitija, 53-54, 35-47. Huzui, A.I., Abdellaoui, Abdelkader & Ileana, Patru-Stupariu.(2013). Analysing urban dynamics using multi-temporal satellite images in the case of a mountain area, Sinaia (Romania). International Journal of Digital Earth, 6:6. pp. 563-579.

30. Ismael, H. (2021). Urban form study: the sprawling city--review of methods of studying urban sprawl. GeoJournal, 86 (2). DOI: 10.1007/s10708-020-10157-9.

31. Johnson, M. (2001). Environmental impacts of urban sprawl: A survey of the literature and proposed research agenda. Environment and Planning, 33,717-35.

32. Karachurina, L.B., Mkrtchjan, N.V., Petrosjan, A.N. (2021). Spatial features of migration growth in the suburbs of Russia's regional capitals. Vestn. Mosk. un-ta. Ser. 5. Geografija, 6, 123-134.

33. Kurichev, N.K., Kuricheva, E.K. (2018). Relationship of housing construction in the Moscow urban agglomeration and migration to the metropolitan area. Regional Research of Russia, 8, 1.

34. Lachininskii, S.S., Logvinov, I.A. (2022). International Experience in the Use of Remote Sensing Data in the Study of Urban Development. Pskovskij regionologicheskij zhurnal, 18, 3, 132-146. DOI: https://doi.org/10.37490/S221979310021246-3.

35. Lachininskii, S.S., Sorokin, I.S. (2021). Spatial structure and peculiarities of development of settlements in the St. Petersburg agglomeration. Baltijskii region, 13, 1, 48-69.

36. Li, J. et al. (2013). Spatiotemporal pattern of urbanization in Shanghai, China between 1989 and 2005. Landscape ecology, 28, 8, 1545-1565.

37. Li, X., He, H.S., Xiu, C., Li, B., Shendrik, A. (2020). Twenty years of post-Soviet Union urban land use change of St.-Petersburg. Applied Spatial Analysis and Policy, 13, 4. pp. 1019-1033.

38. Lifeng, Shi, Hannes, Taubenbock, Zengxiang, Zhang, Fang, Liu & Michael, Wurm.(2019) Urbanization in China from the late 1980s to 2010 - spatial dynamics and growth patterns using EO. International Journal of Digital Earth,12 (1), 78-94.

39. Losin, L.A., Solodilov, V.V. (2020). Strategic transport planning for the development of the St. Petersburg metropolitan area. Jekonomika Severo-Zapada: problemy i perspektivy razvitija, 1(60), 84-93.

40. Mahrova, A.G., Nefedova, T.G. (2021). Can the COVID-19 pandemic stimulate suburbanization in central Russia? Vestnik Moskovskogo universiteta. Serija 5: Geografija, 4, 104-115.

41. Melchiorri, M. et al. (2019). Principles and applications of the global human settlement layer as baseline for the land use efficiency indicator--SDG 11.3. 1. ISPRS International Journal of Geo-Information, 8, 2, 96.

...