Введение

Вкратце о программе реновации

Программа реновации была запущена Правительством Москвы в 2017 году. Благодаря ей 350 тысяч московских семей, то есть более миллиона человек, переедут в новые квартиры с отделкой комфорткласса.

Какие дома войдут в программу, решали сами жители. По итогам голосования в программу было включено 5174 дома.

Участники получат равнозначное жилье в своем районе… (далее можно прочитать здесь)

На основании приказа правительства Москвы от 12 августа 2020 г. № 45/182/ПР-335/20 (прочитать можно здесь) вся программа переселения рассчитана до 2032 года и должна будет пройти в три этапа (три волны):

• первый этап 2020 — 2024гг., в него вошло 930 домов, страницы 3-29 в приказе
• второй этап 2025 — 2028гг. , в него вошло 1636 домов, страницы 30-76 в приказе
• третий этап 2029 — 2032гг., в него вошло 1809 домов, страницы 77-128 в приказе
• без определённого этапа (этапы должны будут определиться до конца 1 квартала 2021г.) — 688 домов, страницы 129-148 в приказе

Реализация

Исходный код залит на github и скачать его можно здесь.

• В первой версии кода я использовал геокодер яндекса для определения точных координат домов, входящих в программу реновации. Добавить стартовые площадки через геокодер не удалось, не все координаты определились правильно.

Первая версия кода wave1.ipynb (obsolete)

Парсинг данных

Данные я взял из этого приказа, т.к. приказ — это pdf файл с таблицами, то я использовал библиотеку tabula для парсинга pdf файлов.

import pandas as pd
import numpy as np
import requests
from tabula import read_pdf
import json
import os

Первым делом я спарсил одну страницу из этих таблиц, чтобы посмотреть, как дальше чистить данные.

test = read_pdf('prikaz_grafikpereseleniya.pdf', pages='3', pandas_options={'header':None})

test.head()

	0	1	2	3	4	5
0	No п/п	АО	Район	NaN	Адрес дома	unom
1	1	ЦАО	Басманный	Бакунинская ул., д.49 c.4	NaN	1316
2	2	ЦАО	Басманный	Бакунинская ул., д.77 c.3	NaN	1327
3	3	ЦАО	Басманный	Балакиревский пер., д.2/26	NaN	19328
4	4	ЦАО	Басманный	Госпитальный Вал ул. , д.3	NaN	31354

Как видно из того, что получилось спарсить, чтобы очистить данные необходимо удалить лишние колонки и строчки, что и делает функция parse_pdf_table.

def parse_pdf_table(pages, pdf_file='prikaz_grafikpereseleniya.pdf'):
    df = read_pdf(pdf_file, pages=pages, pandas_options={'header':None})
    # удаляем не нужные строки
    df = df[~(df.iloc[:,0] == 'No п/п')]
    # оставляем только нужные колонки
    df = df.iloc[:,1:4]
    df.columns = ['AO', 'district', 'address']
    return df

Каждая волна находится в своём диапазоне страниц, парсим их и проверяем по документу, т.е. количество строк должно совпадать с тем, что есть в pdf файле. (Также сразу добавляем к данным номер волны, т.к. это пригодится в будущем)

wave_1 = parse_pdf_table('3-29') # 2020 - 2024
wave_1['wave'] = 1

wave_1.shape

(930, 4)

wave_2 = parse_pdf_table('30-76') # 2025 - 2028
wave_2['wave'] = 2

wave_2. shape

(1636, 4)

wave_3 = parse_pdf_table('77-128') # 2029 - 2032
wave_3['wave'] = 3

wave_3.shape

(1809, 4)

unknown = parse_pdf_table('129-148')
unknown['wave'] = 0

unknown.shape

(688, 4)

Обработка данных

Обрабатывать данные будем на пандасе (pandas), для этого соберём все волны в один датафрейм df.

df = pd.concat([wave_1, wave_2, wave_3, unknown], ignore_index=True)

Выделим своим цветом метки каждой волны.

df['marker-color'] = df['wave'].map({1:'#0ACF00',  # зеленый
                                     2:'#1142AA',  # синий
                                     3:'#FFFD00',  # жёлтый
                                     0:'#FD0006'}) # красный

Также подпишем каждую метку в зависимости от волны.

df['iconContent'] = df['wave'].map({1:'1',
                                    2:'2',
                                    3:'3',
                                    0:''})

В описание метки добавим адрес.

df['description'] = df['address']

Если не уточнить город — Москва, то по данным, полученным из геокодера получится, что реновация началась по всей стране, да что там, во всём мире. (Даёшь реновацию во всём мире! 🙂

def add_city(x):
    if x['AO'] == 'ЗелАО':
        return 'Зеленоград, ' + x['address']
    return 'Москва, ' + x['address']

df['address'] = df[['AO', 'address']].apply(add_city, axis=1)

Для определения координат каждого дома по адресу я использовал геокодер яндекса, что очень удобно, т.к. он бесплатный и на него есть очень хорошая документация. Если нужно будет пересчитать координаты, то не забудьте ввести свой ключ.

def geocoder(addr, key='введи свой ключ'):   
    url = 'https://geocode-maps.yandex.ru/1.x'
    params = {'format':'json', 'apikey': key, 'geocode': addr}
    response = requests.get(url, params=params)
    try:
        coordinates = response.json()["response"]["GeoObjectCollection"]["featureMember"][0]["GeoObject"]["Point"]["pos"]
        lon, lat = coordinates. split(' ')
    except:
        lon, lat = 0, 0
    return lon, lat

%%time
df['longitude'], df['latitude'] = zip(*df['address'].apply(geocoder))

CPU times: user 2min 11s, sys: 4.31 s, total: 2min 15s
Wall time: 15min 14s

Все координаты определились удачно (именно удачно, т.к. нет гарантий, что геокодер спарсил адрес так как нам нужно), другими словами он хотя-бы что-то вернул.

len(df[df['longitude'] == 0])

0

Сохраним полученные данные.

df.to_csv('waves.csv')

#df = pd.read_csv('waves.csv')

Формирование карты волн реновации

Для отображения полученных данных на карте я использовал формат GeoJSON.

def df_to_geojson(df, properties, lat='latitude', lon='longitude'):
    geojson = {'type':'FeatureCollection', 'features':[]}
    for _, row in df.iterrows():
        feature = {'type':'Feature',
                   'properties':{},
                   'geometry':{'type':'Point',
                               'coordinates':[]}}
        feature['geometry']['coordinates'] = [row[lon],row[lat]]
        for prop in properties:
            feature['properties'][prop] = row[prop]
        geojson['features']. append(feature)
    return geojson

Т.к. меток получилось очень много, то полная карта может медленно работать на слабом ПК, поэтому я разделил данные по округам Москвы для удобства.

properties = ['marker-color', 'iconContent', 'description']
if not os.path.exists('data'):
    os.makedirs('data')
for ao, data in df.groupby('AO'):
    geojson = df_to_geojson(data, properties)
    with open('data/' + ao + '.geojson', 'w') as f:
        json.dump(geojson, f, indent=2) 

Полученные данные в формате .geojson я сохранил в папку data. В файле ВСЕ_ОКРУГА.geojson записаны данные по всем округам вместе.

geojson = df_to_geojson(df, properties)
with open('data/ВСЕ_ОКРУГА.geojson', 'w') as f:
    json.dump(geojson, f, indent=2) 

ссылка на полную карту (может работать медленно) здесь.

В целом получилось не плохо, все метки внутри границ Москвы, однако, есть и несколько ошибок, как например недалеко от Сергиева Посада — Пролетарий СНТ территория (п.

Что хотелось сделать, но не получилось 🙁

Официальный список стартовых площадок находится здесь.

Также на карту волн реновации я хотел добавить стартовые площадки, однако это не получилось сделать. Проблема даже не в том, что нормально спарсить список не удалось, это можно было бы решить, проблема в том, что геокодер не может точно определить координаты по владению, например, Шмитовский проезд, вл. 39, Мукомольный проезд, вл. 6, или где находится этот адрес — район Южное Медведково, мкр. 1, 2, 3, корп. 38.

Таким образом единственный источник данных это официальная карта реновации (находится здесь), а как получить из неё координаты я не знаю, если кто знает, как получить координаты стартовых площадок, напишите пожалуйста в комментах.

Однако не всё так плохо и выход всё же есть — можно добавить эти метки вручную!

Видео-инструкция о том, как это сделать есть в исходном коде проекта, а также её можно посмотреть/скачать здесь.

• Вторая версия карты получилась полной и точной, на неё удалось добавить как дома по реновации, так и стартовые площадки. Вместо геокодера я использовал данные, которые удалось спарсить пользователю PbIXTOP, за что ему большое спасибо.

Вторая версия кода wave2.ipynb (Волны московской реновации 2.0)

Волны московской реновации 2.0

import pandas as pd
import numpy as np
import json
from tabula import read_pdf
from tqdm.notebook import tqdm
import os

Адреса и локации домов по реновации

with open('renovation_address.txt') as f:
    bounded_addresses = json.load(f)

def parse_pdf_table(pages, pdf_file='prikaz_grafikpereseleniya.pdf'):
    df = read_pdf(pdf_file, pages=pages, pandas_options={'header':None})
    # удаляем не нужные строки
    df = df[~(df.iloc[:,0] == 'No п/п')]
    df['unom'] = df.iloc[:,-1].combine_first(df.iloc[:,-2])
    # оставляем только нужные колонки
    df = df. iloc[:,[1, 2, 3, -1]]
    df.columns = ['AO', 'district', 'description', 'unom']
    return df

wave_1 = parse_pdf_table('3-29') # 2020 - 2024
wave_1['wave'] = 1
wave_2 = parse_pdf_table('30-76') # 2025 - 2028
wave_2['wave'] = 2
wave_3 = parse_pdf_table('77-128') # 2029 - 2032
wave_3['wave'] = 3
unknown = parse_pdf_table('129-148')
unknown['wave'] = 0

df = pd.concat([wave_1, wave_2, wave_3, unknown], ignore_index=True)

df['marker-color'] = df['wave'].map({1:'#0ACF00',  # зеленый
                                     2:'#1142AA',  # синий
                                     3:'#FFFD00',  # жёлтый
                                     0:'#FD0006'}) # красный
df['iconContent'] = df['wave'].map({1:'1',
                                    2:'2',
                                    3:'3',
                                    0:''})

df['longitude'] = 0
df['latitude'] = 0

for i in tqdm(bounded_addresses):
    unom = i['unom']
    coordinates = i['center']['coordinates']
    df. loc[df['unom']==unom, 'longitude'] = coordinates[1]
    df.loc[df['unom']==unom, 'latitude'] = coordinates[0]

HBox(children=(FloatProgress(value=0.0, max=5152.0), HTML(value='')))

# Объеденим ТАО и НАО в ТиНАО, т.к. в стартовых площадках есть только ТиНАО
df.loc[(df['AO'] == 'ТАО') | (df['AO'] == 'НАО'), 'AO'] = 'ТиНАО'

df[df['longitude'] == 0]

	AO	district	description	unom	wave	marker-color	iconContent	longitude	latitude
917	ТиНАО	поселение Михайлово-Ярцевское	Армейский пос. (п.Михайлово-Ярцевское), д.11	15000016	1	#0ACF00	1	0.0	0.0
918	ТиНАО	поселение Михайлово-Ярцевское	Армейский пос. (п.Михайлово-Ярцевское), д.13	15000015	1	#0ACF00	1	0.0	0.0
919	ТиНАО	поселение Михайлово-Ярцевское	Армейский пос. (п.Михайлово-Ярцевское), д.3	15000013	1	#0ACF00	1	0.0	0.0
925	ТиНАО	поселение Михайлово-Ярцевское	Армейский пос. (п.Михайлово-Ярцевское), д.4	15000012	1	#0ACF00	1	0.0	0.0
926	ТиНАО	поселение Михайлово-Ярцевское	Армейский пос. (п.Михайлово-Ярцевское), д.6	15000014	1	#0ACF00	1	0.0	0.0
4883	ТиНАО	поселение Внуковское	Гаражный пер. (пос.ДСК Мичуринец, п.Внуковское)…	4405823	0	#FD0006		0.0	0.0
4945	ТиНАО	поселение Мосрентген	Теплый Стан ул. (п.Мосрентген, в/г), д.51	20000002	0	#FD0006		0.0	0.0
4946	ТиНАО	поселение Мосрентген	Теплый Стан ул. (п.Мосрентген, в/г), д.52	20000003	0	#FD0006		0.0	0.0
4947	ТиНАО	поселение Мосрентген	Теплый Стан ул. (п.Мосрентген, в/г), д.53	20000001	0	#FD0006		0.0	0.0
4948	ТиНАО	поселение Мосрентген	Теплый Стан ул. (п. Мосрентген, в/г), д.85	20000000	0	#FD0006		0.0	0.0
4995	ТиНАО	поселение Вороновское	Пролетарий СНТ территория (п.Вороновское), д.1	20000004	0	#FD0006		0.0	0.0

Добавляем вручную дома, которые не удалось спарсить

df.loc[917, ['longitude', 'latitude']] = 37.204805, 55.385382 
df.loc[918, ['longitude', 'latitude']] = 37.205255, 55.385367 
df.loc[919, ['longitude', 'latitude']] = 37.201518, 55.385265 
df.loc[925, ['longitude', 'latitude']] = 37.201545, 55.384927 
df.loc[926, ['longitude', 'latitude']] = 37.204151, 55.384576
df.loc[4883, ['longitude', 'latitude']] = 37.321218, 55.661308 
df.loc[4945, ['longitude', 'latitude']] = 37.476896, 55.604153 
df.loc[4946, ['longitude', 'latitude']] = 37.477406, 55.603895 
df.loc[4947, ['longitude', 'latitude']] = 37. 476546, 55.602729 
df.loc[4948, ['longitude', 'latitude']] = 37.477568, 55.604659
df.loc[4995, ['longitude', 'latitude']] = 37.176806, 55.341541

Стартовые площадки

with open('start_area.txt') as f:
    end = json.load(f)

data = {
    'AO':[],
    'district':[],
    'longitude':[],
    'latitude':[],
    'description':[]
}
for i in end['response']:
    data['AO'].append(i['OKRUG'])
    data['district'] = i['AREA']
    coordinates = i['geoData']['coordinates']
    data['longitude'].append(coordinates[1])
    data['latitude'].append(coordinates[0])
    description = i['Address']
    if 'StartOfRelocation' in i:
        if i['StartOfRelocation'] is not None:
            description += '\n' + i['StartOfRelocation']
    data['description'].append(description)
df_start_area = pd.DataFrame(data)
df_start_area['marker-color'] = '#7D3E00' # коричневый цвет
df_start_area['iconContent'] = '0'
df_start_area['unom'] = None
df_start_area['wave'] = -1

Объеденяем метки домов по реновации и стартовых площадок

df = pd. concat([df, df_start_area], ignore_index=True)

Формирование карты реновации

def df_to_geojson(df, properties, lat='latitude', lon='longitude'):
    geojson = {'type':'FeatureCollection', 'features':[]}
    for _, row in df.iterrows():
        feature = {'type':'Feature',
                   'properties':{},
                   'geometry':{'type':'Point',
                               'coordinates':[]}}
        feature['geometry']['coordinates'] = [row[lon],row[lat]]
        for prop in properties:
            feature['properties'][prop] = row[prop]
        geojson['features'].append(feature)
    return geojson

properties = ['marker-color', 'iconContent', 'description']

Разделяем данные по округам.

if not os.path.exists('data'):
    os.makedirs('data')
for ao, data in df.groupby('AO'):
    geojson = df_to_geojson(data, properties)
    with open('data/' + ao + '.geojson', 'w') as f:
        json.dump(geojson, f, indent=2) 

Полная карта (может работать медленно)

geojson = df_to_geojson(df, properties)
with open('data/ВСЕ_ОКРУГА. geojson', 'w') as f:
    json.dump(geojson, f, indent=2) 

Выводы

В целом можно сказать, что затея удалась, однако ещё раз повторю, выводы, которые вы можете получить исходя из этих данных носят лишь примерный характер, даже в самом приказе написано, что сроки указанные в нём являются ориентировочными и могут быть скорректированы, к тому же значительное число домов пока ещё даже не распределено.

UPD 28 августа 2020

Полная карта реновации с отмеченными на ней волнами реновации и стартовыми площадками.

Спасибо пользователю PbIXTOP за данные, спарсенные с официальной карты.

ВСЕ ОКРУГА (Может работать медленно)

ВАО
ЗАО
ЗелАО
САО
СВАО
СЗАО
ТиНАО
ЦАО
ЮАО
ЮВАО
ЮЗАО

UPD 1 сентября 2020

Добавил актуальный код для формирования карты, скрыл реализацию, т.к. большинство читателей статьи интересуется только картой.

Спасибо за внимание.

СТАРТОВЫХ ПЛОЩАДОК НА МЫСЕ КАНАВЕРАЛ | Spaceline

Клифф Летбридж

Информационные бюллетени по каждой стартовой площадке на мысе Канаверал, включая стартовые площадки, шахты, другие наземные объекты, самолеты, корабли и подводные лодки.

Найдите места запуска, щелкнув места на карте со спутниковым изображением ниже или перечислив их в числовом и категорическом порядке.

Ссылки под картой включают пронумерованные пусковые площадки, не включенные в карту.

Карта стартовых площадок на мысе Канаверал

Mobile users: launch site labels and sites are clickable links

NUMBERED LAUNCH SITES

Launch Complex 1/2

Launch Pad 1

Snark

Launch Pad 2

Snark

Стартовый комплекс 3/4

Стартовая площадка 3

Bumper-WAC, Lark, Bomarc A, X-17, Polaris FTV, Bumper Scale Model

Стартовая площадка 4

Bomarc A, Redstone, Matador, Bomarc B

Стартовая площадка 4A

Bomarc A

Стартовый комплекс 5/6

Стартовая площадка 5

Юпитер A, Юпитер C, Юпитер, Юнона I, Редстоун, Юнона II, Меркурий-Редстоун

Стартовая площадка 3 020 Редстоун 6 90 Юпитер А, Юпитер С, Юпитер

Стартовый комплекс 7/8

Никогда не строился; присвоение программы не подтверждено

Стартовый комплекс 9/10

Стартовая площадка 9

Navaho XSM-64

Стартовая площадка 10

Джейсон, Альфа Драко

Стартовый комплекс 11

Atlas B, Atlas-Score, Atlas D, Atlas E, Atlas F

Стартовый комплекс 12

Atlas A, Atlas C, Atlas D, Atlas-Able, Atlas-Agena B, Atlas-Antares , Atlas-Agena D

Стартовый комплекс 13

Atlas B, Atlas D, Atlas E, Atlas F, Atlas-Agena D

Стартовый комплекс 14

Atlas A, Atlas B, Atlas D, Atlas-Able, Atlas- Agena A, Mercury-Atlas, Atlas-Agena D

Стартовый комплекс 15

Титан I, Титан II

Стартовый комплекс 16

Титан I, Титан II, Першинг IA, Першинг II

Стартовый комплекс 17

Стартовая площадка 17А

Тор, Тор-Эйбл 0, Тор-Эйбл I, Тор-Эйбл II, Тор-Эйбл III, Thor-Able IV, Delta,
Thor-Able Star, Delta B, Delta D, Delta C, Delta E, Delta G, Delta M, Delta N, Delta L, Delta M6,
Delta 2000 Series, Delta 3000 Series , Delta II серии 6000, Delta II серии 7000

Стартовая площадка 17B

Thor, Thor-Able Star, Delta, Delta A, Delta B, Delta C, Delta E, Delta G, Delta N,
Серия Delta 1000, серия Delta 2000, серия Delta 3000, серия Delta 4000,
серия Delta II 6000, серия Delta II 7000, серия Delta III 8000

Стартовый комплекс 18

Стартовая площадка 18B

Тор, Blue Scout I, Blue Scout II, Mercury-Scout

Стартовый комплекс 19

Титан I, Джемини-Титан II

Стартовый комплекс 20 (Титан)

Титан I, Титан III-A

Стартовый комплекс 20 (суборбитальный)

Starbird, Prospector, Aries I

Стартовый комплекс 21/22

Стартовая площадка 21

Bull Goose, Mace

Стартовая площадка 22

Bull Goose, Mace

4 Стартовый комплекс Never 2

272 Никогда не построенный; номер, присвоенный морской версии Юпитера

Стартовый комплекс 25

Стартовый стол 25A

Polaris FTV, Polaris A1, Polaris A2, Polaris A3

Стартовый стол 25B

Polaris A1 9 005C 9 00295

Poseidon, Trident I

Launch Pad 25d

Poseidon

Записный комплекс 26

Запуск PAD 26A

Jupiter, Juno I, Redstone

Launch Pad 26b

Jupiter, Juno II

Запуск.

построен; номер, присвоенный программе навахо

Стартовый комплекс 28

Никогда не строился; задание программы не подтверждено

Стартовый комплекс 29

Polaris A1, Polaris A2, Polaris A3, Chevaline

Launch Complex 30

Запускная PAD 30A

Pershing I

Запускная площадка 30B

Никогда не использовал

Запуск Комплекс 31/32

LANSK PAD 31A

Minuteman I, Minuteman II

Launch Pad 32A

Never Minuteman I, Minuteman II

. Б/у

Шахта 31B

Minuteman I, Minuteman II, Minuteman III

Шахта 32B

Minuteman I, Minuteman II, Minuteman III

Стартовый комплекс 33

Никогда не строился; Номер, присвоенный программе Titan/Dyna Soar

Стартовый комплекс 34

Сатурн I Блок I, Сатурн IB

Стартовый комплекс 35

Никогда не строился; Номер, присвоенный программе Navaho

Стартовый комплекс 36

Стартовая площадка 36A

Atlas-Centaur 1962, Atlas-Centaur 1966, Atlas II-Centaur, Atlas IIA-Centaur, Atlas IIAS-Centaur

Atlas 90B 0 36B Start Pad 0 36B Кентавр 1962, Атлас-Кентавр 1966, Атлас I-Кентавр, Атлас II-Кентавр,

Атлас IIA-Кентавр, Атлас IIAS-Кентавр, Атлас IIIA-Кентавр, Атлас IIIB-Кентавр

Launch Complex 37 (Saturn)

Launch Pad 37A

Никогда не использовал

Launch Pad 37B

Saturn I Block II, Saturn IB

.

Стартовая площадка 37B

Delta IV

Стартовый комплекс 38

Никогда не строился; номер, присвоенный программам Atlas-Agena/Atlas-Centaur

Стартовый комплекс 39

Стартовая площадка 39A

Saturn V Apollo, Saturn V Skylab, Space Shuttle Columbia, Space Shuttle Challenger,
Космический корабль «Дискавери», Космический корабль «Атлантис», Космический корабль «Индевор», Falcon 9, Falcon Heavy

Стартовая площадка 39B

«Сатурн V Аполлон», «Сатурн IB», Космический корабль «Челленджер», Космический корабль «Дискавери»,
Космический корабль «Атлантис», Космический корабль «Колумбия», Космос Шаттл Endeavour, Ares I-X

Стартовая площадка 39C

Для использования

Стартовый комплекс 40 (Титан)

Титан III-C, Титан 34D, Коммерческий Титан III, Титан IVA, Титан IVB

Стартовый комплекс 40 (Falcon 9))

Falcon 9

Стартовый комплекс 41 (Титан)

Титан III-C, Титан III-E Кентавр, Титан IVA, Титан IVB

Стартовый комплекс 41 (Атлас V)

Атлас V

Стартовый комплекс 2 482

Никогда не строился; номер, присвоенный программе Титан III

Стартовый комплекс 43

Зондирующие ракеты, метеорологические ракеты

Стартовый комплекс 44

Dragon

Стартовый комплекс 45

Roland II

Стартовый комплекс 46 (Trident)0028

Trident II

Стартовый комплекс 46 (многоцелевой)

Athena II, Athena I, Minotaur IV

Стартовый комплекс 47

Зондирующие ракеты, Метеорологические ракеты, Лофт I

Стартовый комплекс Be0 28 90 Используется 28 90 Малые ракеты

Запуск комплекс 49

Горизонтальная запуск/посадочная полоса

Другие участки запуска на наземной основе

Кейп-Канаверал Стрип

Навахо Х-10

Патрик-база

Навахо Х-10

Патрик.

0028

Matador

AIRCRAFT

B-47

Bold Orion

B-52

Hound Dog, Skybolt, SRAM, Pegasus

B-58

ALBM-199C

FB-111

SRAM

L-1011

Pegasus

SHIPS

PTM Patrol Boat

Penguin

EAG-154 USS Observation Island

Polaris A1, Polaris A2, Polaris A3, Poseidon

U.S. SUBMARINES

Подводные лодки класса Джорджа Вашингтона

Polaris A1, Polaris A2, Polaris A3

Подводные лодки класса Ethan Allen

Polaris A1, Polaris A2, Polaris A3

Lafayette Class Class Formarines

, Polaris A3

Lafayette Class Class Formarines

, Polaris A3

Lafayette Class Dailin Подводные лодки класса Madison

Polaris A3, Poseidon, Trident I

Подводные лодки класса Benjamin Franklin

Polaris A3, Poseidon, Trident I

Подводные лодки класса Ohio

Trident I, Trident II

Британские подводные лодки

РЕЗОЛЖЕНИЯ КЛАССА КЛАССА

POLARIS A3, Chevaline

Vanguard Class Summarines

Trient II

UnconFird Launched Sites9 9001. некоторые запуски с мыса Канаверал машин Bomarc A,
Bomarc B, Matador, RV-A-10, Snark и Trident II остаются неподтвержденными в официальных отчетах ВВС.

Операция «Союзники» Добро пожаловать | Национальная безопасность

Досмотр и проверка до прибытия в Соединенные Штаты

Правительство США работает круглосуточно, чтобы провести проверку безопасности и проверку уязвимых афганцев, прежде чем им будет разрешен въезд в Соединенные Штаты, в соответствии с двойной целью защиты национального безопасность и обеспечение защиты наших афганских союзников. Как и в случае с любым населением, въезжающим в Соединенные Штаты, DHS в сотрудничестве с партнерами по межведомственной проверке предпринимает ряд шагов, чтобы гарантировать, что лица, желающие въехать, не представляют угрозы для национальной или общественной безопасности.

DHS направило около 400 сотрудников Таможенной и пограничной службы США (CBP), Иммиграционной и таможенной службы США, Управления транспортной безопасности, Береговой охраны США и Секретной службы США в Бахрейн, Германию, Кувейт, Италию, Катар, Испанию. , и Объединенные Арабские Эмираты для проведения обработки, проверки и проверки в координации с министерствами обороны (DOD) и штата (DOS) и другими федеральными агентствами, а также для проведения собеседований по мере необходимости с целью доставки в Соединенные Штаты Граждане Афганистана, работавшие на США, а также другие уязвимые афганцы.

Тщательный процесс проверки и проверки, который является многоуровневым и непрерывным, включает биометрические и биографические проверки, проводимые специалистами разведки, правоохранительных органов и специалистов по борьбе с терроризмом из Министерства внутренней безопасности и Министерства обороны США, а также Федерального бюро расследований (ФБР), Национального Контртеррористический центр (NCTC) и дополнительные партнеры разведывательного сообщества. Этот процесс включает проверку отпечатков пальцев, фотографий и других биометрических и биографических данных каждого афганца до того, как ему будет разрешено въехать в Соединенные Штаты. Как и другие лица, прибывающие в порты въезда в США, афганские граждане проходят первичный досмотр по прибытии в аэропорт США, а вторичный досмотр проводится в зависимости от обстоятельств.

Гуманитарное условно-досрочное освобождение

Большинство афганских граждан, прибывающих в рамках эвакуации, будут условно-досрочно освобождены в Соединенных Штатах по гуманитарным причинам на двухлетний период. Как отмечалось выше, условно-досрочное освобождение выдается только после необходимой проверки и проверки. У афганских граждан есть условия условно-досрочного освобождения, в том числе требование прохождения медицинского осмотра, критических прививок и других требований к отчетности. Несоблюдение этих условий может привести к тому, что лицам будет отказано в разрешении на работу и, возможно, прекращено их условно-досрочное освобождение, что может привести к задержанию и выдворению. Условно-досрочно освобожденные афганцы могут иметь право подать заявление на получение иммиграционных льгот через Службу гражданства и иммиграции США (USCIS).

Специальные иммиграционные визы

Афганцы, прошедшие процесс получения специальной иммиграционной визы (SIV) и имеющие визы, а также их иждивенцы будут допущены в качестве законных постоянных жителей, и DOS и неправительственные организации помогут им начать процесс переселения. Те лица, которые не завершили процесс подачи заявления SIV, освобождаются DHS условно. Они могут продолжать добиваться особого статуса иммигранта (и, в конечном итоге, законного постоянного проживания), или они могут подать заявление на получение другого иммиграционного статуса через Службу гражданства и иммиграции США. Такие лица будут иметь право подать заявление на получение разрешения на работу.

Более 40 процентов афганцев, прибывших в рамках операции «Приветствуем союзников», имеют право на получение специальных иммиграционных виз (SIV), поскольку они шли на значительный риск, поддерживая наших военных и гражданских лиц в Афганистане, нанятых США или от их имени. правительством Афганистана или силами нашей коалиции, или являются членами семьи того, кто это сделал. Некоторые из них являются заявителями SIV, которые уже находились в процессе SIV.

Важно отметить, что не каждый афганец, имеющий право на участие в программе SIV, подал заявку на участие в ней, и программа SIV в том виде, в каком она разработана в настоящее время, не распространяется на каждого афганца, который поддерживал Соединенные Штаты в Афганистане. Кроме того, Соединенные Штаты эвакуировали журналистов, правозащитников, гуманитарных работников и других афганцев, чья карьера подвергала их риску, а также членов семей американских граждан и законных постоянных жителей.

Тестирование на COVID-19, вакцинация и другие медицинские услуги

Правительство США продолжает принимать все меры предосторожности, чтобы остановить распространение COVID-19 и других инфекционных заболеваний в соответствии с рекомендациями CDC. Все въезжающие — граждане США, законные постоянные жители и граждане Афганистана — проходят тестирование на COVID-19.

Кроме того, граждане Афганистана, условно-досрочно освобожденные в США, должны пройти вакцинацию против MMR, ветряной оспы, полиомиелита, COVID-19. и другие соответствующие возрасту прививки, а также медицинские осмотры и медицинские осмотры в качестве условия их условно-досрочного освобождения по гуманитарным соображениям. Все анализы, прививки и другие медицинские услуги предоставляются бесплатно.

Обработка на военных объектах США

После завершения обработки в порту въезда граждане США, законные постоянные жители и обладатели SIV могут покинуть аэропорт, в то время как заявителям SIV и другим уязвимым афганским союзникам, получившим условно-досрочное освобождение по гуманитарным соображениям, предоставляется транспорт на военные объекты США, где они проходят полное медицинское обследование и различные услуги, прежде чем отправиться в следующий пункт назначения. Министерство обороны США предоставляет временное жилье для заявителей SIV и других уязвимых афганцев на восьми объектах: база морской пехоты Куантико, штат Вирджиния; Форт Пикетт, Вирджиния; Форт Ли, Вирджиния; База ВВС Холломан, Нью-Мексико; Форт-Маккой, Висконсин; Форт Блисс, Техас; Объединенная база Макгуайр-Дикс-Лейкхерст, Нью-Джерси; и Кэмп Аттербери, Индиана. Находясь на этих базах, афганцы имеют доступ к целому ряду услуг, включая медицинскую помощь и услуги по охране психического здоровья. На этом этапе процесса граждане Афганистана могут подать заявку на получение разрешения на работу у сотрудников USCIS и подключиться к службам переселения.

Государственный департамент (DOS) тесно сотрудничает с DOD и DHS для координации работы гражданского и неправительственного персонала, работающего на военных базах, чтобы гарантировать, что афганцы получают базовую поддержку и могут завершить обработку на базе для перехода к переселению. завершили все этапы обработки, DOS работает со своими партнерами-агентствами по расселению, чтобы назначить и передать их в конечный пункт назначения.

Подача заявления на получение иммиграционного статуса, разрешения на работу и основного покрытия

Сотрудники USCIS рассматривают заявления на получение разрешения на работу, выполняют другие иммиграционные процедуры и предоставляют административную поддержку, включая услуги переводчика, для ускорения обработки заявлений на статус иммигранта и разрешение на работу. DOS и Управление по расселению беженцев (ORR) Министерства здравоохранения и социальных служб работают над оказанием первоначальной помощи в переселении афганцам, получившим условно-досрочное освобождение, и над тем, чтобы те афганцы, которые прибывают в американские общины, получали первоначальную поддержку, включая медицинскую страховку. Положения Постоянной резолюции, принятой Конгрессом 30 сентября 2021 г., разрешают афганским условно-досрочно освобожденным лицам получать те же льготы и услуги, что и беженцы.

Обработка переселения

Прибывающие афганцы связываются с агентствами по переселению и общественными партнерами для первоначальной помощи в переселении. DOS возглавляет эту работу в тесном сотрудничестве с более чем 200 местными организациями по переселению по всей стране. Местные членские организации активно взаимодействуют с местными сообществами для разработки ресурсов и поддержки.

В рамках Афганской программы трудоустройства и помощи (APA) люди размещаются в общинах по всей стране, чтобы начать новую жизнь. Как и в случае с традиционными процессами переселения, при размещении лиц учитываются проживающие в США члены семьи и друзья, наличие жилья, возможности сообщества, а также потребности и особенности каждого случая.

В процессе переселения афганские граждане информируются об условиях их условно-досрочного освобождения и о том, что нарушение закона является нарушением их условно-досрочного освобождения. Эти брифинги включают информацию о законах и правах США, в том числе о том, что незаконные действия или действия могут привести к судебному преследованию и тюремному заключению и могут поставить под угрозу иммиграционный статус человека.

В дополнение к операции «Добро пожаловать союзникам» DOS управляет направлением в Программу приема беженцев США для афганцев, которые помогали или были связаны с Соединенными Штатами в Афганистане, чтобы они могли быть рассмотрены для переселения в США беженцев из третьей страны, если они уже покинули или покидают Афганистан. Для получения дополнительной информации о рассмотрении афганских беженцев см.