Binarno dasimetrijsko mapiranje i prostorno-statistička analiza promene broja stanovnika na nivou objekata u ruralnoj Srbiji
Glavni sadržaj članka
Apstrakt
Ovaj rad primarno primenjuje binarno dasimetrijsko mapiranje (BDM) na nivou objekata radi analize promena u broju stanovnika u seoskom naselju Barje Čiflik u jugoistočnoj Srbiji u periodu između dva popisa (2011–2022), dok analizu dodatno proširuje primenom prostornih i klasičnih statističkih metoda. Osnovni cilj istraživanja je razvoj metodološki pouzdanog i replikativnog pristupa koji omogućava preciznu procenu mikrodemografskih promena u uslovima ograničene dostupnosti podataka.
Stanovništvo je raspoređeno na pojedinačne stambene objekte primenom volumenskog indeksa – proizvoda prizemne površine i broja spratova – koji je verifikovan terenskim obilaskom, prilikom kojeg su identifikovani i napušteni objekti. Prostorni podaci su prikupljeni ručnim digitalizovanjem na osnovu satelitskih snimaka visoke rezolucije i OpenStreetMap slojeva, dok je obrada izvršena u QGIS okruženju uz primenu koordinatnog sistema WGS 84 / UTM zona 34N. Tabelarni podaci iz popisa stanovništva integrisani su sa prostornim slojevima radi alokacije stanovništva na nivou objekata.
Na osnovu tako dezagregiranih podataka izračunati su indikatori apsolutne i relativne promene broja stanovnika i promene gustine. Prostorne i klasične statističke metode – Global Moran’s I, Getis–Ord Gi*, regresija običnih najmanjih kvadrata (OLS), Spirmanova korelacija i LOWESS analiza – primenjene su radi identifikacije obrazaca grupisanja, strukturnih faktora i prostornih tokova demografskih promena.
Rezultati pokazuju da je depopulacija prostorno grupisana, naročito u perifernim zonama naselja, dok su objekti veće površine i višespratnice češće beležili pad broja stanovnika. Uočene su i razlike u intenzitetu promena između centralnog jezgra i rubnih delova naselja, gde manji, prizemni objekti pokazuju veću stabilnost stanovništva. Promene gustine pokazuju visoku disperziju i nisku statističku povezanost, ali ukazuju na suptilne transformacije na nivou domaćinstava koje ostaju nevidljive u agregiranim podacima, naročito u slučajevima sezonskog boravka ili delimične napuštenosti objekata. Prostorna autokorelacija potvrđuje postojanje lokalnih žarišta demografskog opadanja, što naglašava potrebu za mikroanalitičkim pristupima u demografskom istraživanju ruralnih područja i ukazuje na značaj integrisanja prostornih i društvenih faktora u daljim analizama.
Istraživanje predstavlja metodološki doprinos u primeni BDM u ruralnim područjima sa ograničenim podacima, pri čemu se postiže visoka prostorna rezolucija i omogućava procena dinamike stanovništva na nivou objekta. Kombinacija detaljnih prostornih podataka, statističkih metoda i terenske verifikacije pokazuje da predloženi okvir pruža donekle ekonomičan, replikativan i naučno utemeljen model pogodan za praćenje depopulacije i podršku prostornom planiranju u okruženjima sa ograničenim podacima.
Preuzimanja
Detalji članka
Centar za demografska istraživanja Instituta društvenih nauka
Reference
Bajat, B., Hengl, T., Kilibarda, M., & Krunić, N. (2011). Mapping population change index in Southern Serbia (1961–2027) as a function of environmental factors. Computers, Environment and Urban Systems, 35(1), 35–44. https://doi.org/10.1016/j.compenvurbsys.2010.09.005
Bajat, B., Krunić, N., Samardžić Petrović, M., & Kilibarda, M. (2013). Dasimetrično modeliranje dinamike prebivalstva na urbanih območjih. Geodetski vestnik, 57(04), 777–792. https://doi.org/10.15292/geodetski-vestnik.2013.04.777-792
Baynes, J., Neale, A., & Hultgren, T. (2022). Improving intelligent dasymetric mapping population density estimates at 30 m resolution for the conterminous United States by excluding uninhabited areas. Earth System Science Data, 14(6), 2833–2849. https://doi.org/10.5194/essd-14-2833-2022
Cartagena-Colón, M., Mattei, H., & Wang, C. (2022). Dasymetric Mapping of Population Using Land Cover Data in JBNERR, Puerto Rico during 1990–2010. Land, 11(12), 2301. https://doi.org/10.3390/land11122301
Chen, Y. (2021). An analytical process of spatial autocorrelation functions based on Moran’s index. PLOS ONE, 16(4), e0249589. https://doi.org/10.1371/journal.pone.0249589
Gajić, A., Krunić, N., & Protić, B. (2021). Classification of Rural Areas in Serbia: Framework and Implications for Spatial Planning. Sustainability, 13(4), 1596. https://doi.org/10.3390/su13041596
Gillies, S., van der Wel, C., Van den Bossche, J., Taves, M. W., Arnott, J., Ward, B. C., & others. (2024, July 13). Shapely. Zenodo. https://doi.org/10.5281/ZENODO.5597138
Google. (2020). Google Earth Pro 7.3.3.7786. Geospatial Solutions.
Harris, C. R., Millman, K. J., Van Der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
Hunter, J. D. (2007). Matplotlib: A 2D Graphics Environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
Jordahl, K., Bossche, J. V. D., Fleischmann, M., Wasserman, J., McBride, J., Gerard, J., … Leblanc, F. (2020, July 15). geopandas/geopandas: v0.8.1. Zenodo. https://doi.org/10.5281/ZENODO.3946761
Krunić, N., Bajat, B., & Kilibarda, M. (2015). Dasymetric Mapping of Population Distribution in Serbia Based on Soil Sealing Degrees Layer. In K. Růžičková & T. Inspektor (Eds), Surface Models for Geosciences (137–149). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-319-18407-4_12
Krunic, N., Gajic, A., Srnic, D., & Tosic, D. (2018). Spatial aspects of demographic processes in Serbia. Stanovnistvo, 56(2), 23–38. https://doi.org/10.2298/STNV1802023K
Lloyd, C. D. (2010). Spatial data analysis: an introduction for GIS users. Oxford: Oxford university press.
Mennis, J. (2009). Dasymetric Mapping for Estimating Population in Small Areas. Geography Compass, 3(2), 727–745. https://doi.org/10.1111/j.1749-8198.2009.00220.x
Mennis, J., & Hultgren, T. (2006). Intelligent Dasymetric Mapping and Its Application to Areal Interpolation. Cartography and Geographic Information Science, 33(3), 179–194. https://doi.org/10.1559/152304006779077309
OpenStreetMap Contributors. (2017). OpenStreetMap. Planet dump retrieved from https://planet.osm.org. https://www.openstreetmap.org
Ord, J. K., & Getis, A. (1995). Local Spatial Autocorrelation Statistics: Distributional Issues and an Application. Geographical Analysis, 27(4), 286–306. https://doi.org/10.1111/j.1538-4632.1995.tb00912.x
Pajares, E., Muñoz Nieto, R., Meng, L., & Wulfhorst, G. (2021). Population Disaggregation on the Building Level Based on Outdated Census Data. ISPRS International Journal of Geo-Information, 10(10), 662. https://doi.org/10.3390/ijgi10100662
Pirowski, T., & Szypuła, B. (2024). Dasymetric Population Mapping Using Building Data. Annals of the American Association of Geographers, 114(5), 1001–1019. https://doi.org/10.1080/24694452.2024.2313500
QGIS Development Team. (2024). QGIS Geographic Information System. Open Source Geospatial Foundation Project. Open Source Geospatial Foundation. http://qgis.org http://qgis.osgeo.org/ http://qgis.osgeo.org. Accessed 21 March 2024
Rey, S., Anselin, L., Li, X., Pahle, R., Laura, J., Li, W., & Koschinsky, J. (2015). Open Geospatial Analytics with PySAL. ISPRS International Journal of Geo-Information, 4(2), 815–836. https://doi.org/10.3390/ijgi4020815
Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and Statistical Modeling with Python (92–96). Paper presented at Python in Science Conference, Austin, Texas. https://doi.org/10.25080/Majora-92bf1922-011
Sheskin, D. J. (2020). Handbook of Parametric and Nonparametric Statistical Procedures (5th edn). Chapman and Hall/CRC. https://doi.org/10.1201/9780429186196
Statistical Office of the Republic of Serbia. (2024). Number of population in 1948, 1953, 1961, 1971, 1981, 1991, 2002, 2011 and 2022. Belgrade: SORS. https://data.stat.gov.rs/Home/Result/31010101?languageCode=en-US. Accessed 29 May 2025
The pandas development team. (2024, September 20). pandas-dev/pandas: Pandas. Zenodo. https://doi.org/10.5281/ZENODO.3509134
Van Rossum, G., & Drake, F. L. (2009). Python 3 Reference Manual. Scotts Valley, CA: CreateSpace.
Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., … Vázquez-Baeza, Y. (2020). SciPy 1.0: fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2
Wan, H., Yoon, J., Srikrishnan, V., Daniel, B., & Judi, D. (2023). Landscape metrics regularly outperform other traditionally-used ancillary datasets in dasymetric mapping of population. Computers, Environment and Urban Systems, 99, 101899. https://doi.org/10.1016/j.compenvurbsys.2022.101899
Waskom, M. (2021). seaborn: statistical data visualization. Journal of Open Source Software, 6(60), 3021. https://doi.org/10.21105/joss.03021
Wooditch, A., Johnson, N. J., Solymosi, R., Medina Ariza, J., & Langton, S. (2021). Ordinary Least Squares Regression. In A Beginner’s Guide to Statistics for Criminology and Criminal Justice Using R (245–268). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-50625-4_15
Zandbergen, P. A. (2011). Dasymetric Mapping Using High Resolution Address Point Datasets. Transactions in GIS, 15(s1), 5–27. https://doi.org/10.1111/j.1467-9671.2011.01270.x