GIScience in the era of Artificial Intelligence: a research agenda towards Autonomous GIS
https://doi.org/10.1080/19475683.2025.2552161

Статья о новом типе ГИС - автономных ГИС, которые формируются сейчас под влиянием технологий искусственного интеллекта вообще и больших языковых моделей в частности.

По концептуальной схеме (первая картинка) для достижения полной автономности необходимо развитие и создание ИИ агентов, решающих основные задачи ГИС.

С их точки зрения процесс создания полностью автономных ГИС будет идти поэтапно, где на каждом этапе/уровне использование агентов будет все более значительным: от решения рутинных задач до полностью обученной и обладающей нужными знаниями и навыками независимой системы, не требующей вмешательства человека.

Авторы приводят примеры нескольких реализаций агентных систем. Две из них - модули для QGIS и еще две - большие языковые модели, адаптированные для работы с пространственными данными:
- LLM-Geo, которую разработчики позиционируют как автономную ГИС https://github.com/gladcolor/LLM-Geo
- LLM-Cat - автономный агент для целей картографии https://github.com/gladcolor/LLM-Cat)

Агенты ИИ в форме модулей для QGIS:
-агент для сбора данных AutonomousGIS_GeodataRetrieverAgent
страница модуля в репозитории https://plugins.qgis.org/plugins/AutonomousGIS_GeodataRetrieverAgent
код и примеры https://github.com/Teakinboyewa/AutonomousGIS_GeodataRetrieverAgent

- GIS Copilot для анализа данных, который позволяет описать необходимые операции и подготовить процесс обработки.
страница модуля в репозитории: https://plugins.qgis.org/plugins/SpatialAnalysisAgent-master/
код с примерами https://github.com/Teakinboyewa/SpatialAnalysisAgent

🌐 В высокорейтинговом международном журнале Cartography and Geographic Information Science (Q1 WoS) вышла статья ведущего научного сотрудника, и.о. зав. кафедрой Т. Е. Самсонова «Animated transitions between proportional symbol and choropleth representations on multiscale thematic maps».

В статье рассматривается новое направление картографии — визуализация преобразований пространственных данных посредством картографических анимаций. Основаная цель таких анимаций — обучение, возможность сделать более понятными соотношения между различными картографическими представлениями, которые отражают последовательные этапы пространственного анализа.

Исследование выполнено на примере операций нормирования и агрегирования, которые сопровождают взаимные преобразования между картодиаграммами и картограммами на мультимасштабных тематических картах. Агрегирование происходит при переходе от более мелких единиц картографирования к более крупным, нормирование — при переходе от абсолютных единиц измерения показателя к относительным.

Целостность рассматриваемой системы преобразований обеспечивается введением четырех возможных состояний и шести возможных переходов между ними. В процессе переходов происходит интерполяция цвета, а также геометрий картографических представлений: границ единиц картографирования и символов, используемых в картодиаграммах. Переходы визуализируются в виде анимаций.

Реализация выполнена в среде Observable на языке программирования JavaScript. Апробация выполнена на примере муниципальной статистики Росстата по сбору зерновых в Ростовской, Волгоградской и Саратовской областях за 2017 год.

Важной особенностью работы, которая нечасто встречается в отечественных картографических исследованиях, является существенный по объему раздел, посвященный пользовательскому опыту использования анимаций. В работе проведен опрос 32 человек, которым было необходимо оценить наглядность анимаций по разным критериям 👩🏻‍💻👨🏻‍💻

В результате опроса было установлено, что предложенные реализации анимаций позитивно воспринимаются респондентами, которые в большинстве случаев (77,2%) сочли, что анимации наглядно показывают операции агрегирования и нормирования. При этом сложные преобразования, сочетающие обе эти операции, оказались более ясными для пользователей в последовательном (composite), а не параллельном (mixed) варианте.

Также пользователи предпочли постоянную скорость анимаций без ускорения или замедления, и указали на то, что цветовой тон картограмм и картодиаграмм должен быть однаковым, поскольку это уменьшает когнитивную нагрузку и поддерживает уверенность в том, что разными способами изображения показано одно и то же явление.

Полный текст статьи доступен здесь, а дополнительные материалы (программный код, видеофайлы анимаций) можно загрузить с репозитория Zenodo.

Тимофей Евгеньевич выражает благодарность всем, кто нашел время и возможность поучаствовать в пользовательском опросе 🤗

Найти центры в стоге связок

Данные о потоках и связях часто непросто показать на карте: в плотных сетях, особенно с большим числом узлов и ребер, линии накладываются и перекрывают друг друга. Для визуализации таких данных используют приемы кластеризации связей (edge bundling), которые по разным правилам собирают линии, идущие в одном направлении, в связки или пучки (bundles).

Решил опробовать пару таких алгоритмов. Для примера взял данные о количестве дружеских связей в VK между жителями райнов и городов в регионах Уральского экономического района и Тюменской области в 2015 г. Учитывались только связи более 250 человек. Получился ненаправленный граф с 66.4 млн связей. Сеть - с высокой связностью (почти все связаны со всеми) и иерархичностью: на 12 главных узлов приходится половина всех связей. Лидирует Екатеринбург, у жителей которого 14 млн друзей за пределами города.

Выше три рисунка: с прямыми линиями для референса и два варианта с кластеризацией, алгоритимы которых реализованы в пакете edgebundle в R. Долго подбирал настройки. Получается любопытно, но опасно: кластеризация неизбежно искажает данные - нужно искать баланс между визуальными эффектами и точностью отображения.

Пока делал, наткнулся на симпатичную статью о картографической визуализации матриц корреспонденций, с примерами и простыми советами, которые авторы верифицировали через интервью с пользователями. Послединий рисунок - из статьи.