Синтез и распространение пространственных данных о метагеосистемах для информационной поддержки управленческих решений

Авторы

  • Анатолий Александрович Ямашкин Мордовский государственный университет им. Н.П. Огарева
  • Станислав Анатольевич Ямашкин Мордовский государственный университет им. Н.П. Огарева

DOI:

https://doi.org/10.52575/2712-7443-2022-46-2-241-253

Ключевые слова:

метагеосистемы, пространственные данные, геопорталы, машинное обучение, устойчивое развитие

Аннотация

В статье представлены результаты анализа и систематизации отечественного и международного опыта проектирования, верификации, актуализации и практического использования цифровых инфраструктур пространственных данных для целей гармонизации взаимодействия природных, социальных и производственных подсистем, устойчивого развития территорий. Дана характеристика существующих международных, государственных, региональных, муниципальных (локальных) геопортальных систем, обеспечивающих синтез, структуризацию, визуализацию и распространение пространственно распределенных данных о метагеосистемах для информационной поддержки управленческих решений в области устойчивого эколого-социально-экономического развития с целью обоснования эффективной концептуальной модели проблемно-ориентированной геопортальной системы.

Благодарности. Исследование выполнено при поддержке РНФ (грант № 22-27-00651).

Биографии авторов

Анатолий Александрович Ямашкин , Мордовский государственный университет им. Н.П. Огарева

декан географического факультета, Мордовский государственный университет, г. Саранск, Россия

Станислав Анатольевич Ямашкин , Мордовский государственный университет им. Н.П. Огарева

доцент института электроники и светотехники, Мордовский государственный университет, г. Саранск, Россия

Библиографические ссылки

Кошкарев А.В. 2019. Геоинформатика в инфраструктурном обеспечении цифровой экономики. Геодезия и картография, 80 (1): 119–126. DOI: 10.22389/0016-7126-2019-943-1-119-126.

Николаев В.А. 1978. Классификация и мелкомасштабное картографирование ландшафтов. М., Изд-во Московского университета, 62 с.

Сочава Б.В. 1978. Введение в учение о геосистемах. Новосибирск, Наука, 319 с.

Azarang A., Manoochehri H.E., Kehtarnavaz N. 2019. Convolutional Autoencoder-Based Multispectral Image Fusion. IEEE Access, 7: 35673–35683. DOI: 10.1109/ACCESS.2019.2905511.

Candela L., Castelli D., Pagan P. 2018. Managing Big Data through Hybrid Data Infrastructures. ERCIM News, 89: 37–38.

Chen Q., Song X., Yamada H. 2016. Learning Deep Representation from Big and Heterogeneous Data for Traffic Accident Inference. Proceedings of the AAAI Conference on Artificial Intelligence, 30 (1): 338–344.

Heaton J., Datta A., Finley A.O. 2019. A Case Study Competition Among Methods for Analyzing Large Spatial Data. Journal of Agricultural, Biological and Environmental Statistics, 24 (3): 398–425. DOI: 10.1007/s13253-018-00348-w.

Ienco D., Gaetano R., Dupaquier C. 2017. Land Cover Classification Via Multitemporal Spatial Data by Deep Recurrent Neural Networks. IEEE Geoscience and Remote Sensing Letters, 14 (10): 1685–1689. DOI: 10.1109/LGRS.2017.2728698.

Kong Y.L., Huang Q., Wang C. 2018. Long Short-Term Memory Neural Networks for Online Disturbance Detection in Satellite Image Time Series. Remote Sensing, 10 (3): 452. DOI: 10.3390/rs10030452.

Kussul N., Lavreniuk M., Skakun S. 2017. Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data. IEEE Geoscience and Remote Sensing Letters, 14 (5): 778–782. DOI: 10.1109/LGRS.2017.2681128.

Landgrebe D.A. 2003. Signal Theory Methods in Multispectral Remote Sensing. New Jersey, Wiley, 508 р. DOI:10.1002/0471723800.

LeCun Y., Bengio Y., Hinton G. 2015. Deep Learning. Nature, 521: 436–444. DOI: 10.1038/nature14539.

Lee J., Kang M. 2015. Geospatial Big Data: Challenges and Opportunities. Big Data Research, 2 (2): 74–81. DOI: 10.1016/j.bdr.2015.01.003.

Li M., Guo W., Duan L., Zhu X. 2017. A Case-Based Reasoning Approach for Task-Driven Spatial-Temporally Aware Geospatial Data Discovery Through Geoportals. International Journal of Digital Earth, 10 (11): 1146–1165. DOI: 10.1080/17538947.2017.1285968.

Liu Y., Racah E., Correa J., Khosrowshahi A., Lavers D., Kunkel K., Wehner M., Collins W. 2016. Application of Deep Convolutional Neural Networks for Detecting Extreme Weather in Climate Datasets. arXiv preprint: 1605.01156. DOI: 10.48550/arXiv.1605.01156.

Lü G., Batty M., Strobl J. 2019. Reflections and Speculations on the Progress in Geographic Information Systems (GIS): a Geographic Perspective. International journal of geographical information science, 33 (2): 346–367. DOI: 10.1080/13658816.2018.1533136.

Mohan A., Singh A.K., Kumar B., Dwivedi R. 2021. Review on Remote Sensing Methods for Landslide Detection Using Machine and Deep Learning. Transactions on Emerging Telecommunications Technologies, 32 (7): e3998. DOI: 10.1002/ett.3998.

Rajabifard A., Feeney M.E., Williamson I.P. 2002. Future Directions for SDI Development. International Journal of Applied Earth Observation and Geoinformation, 4 (1): 11–22. DOI: 10.1016/S0303-2434(02)00002-8.

Yamashkin A.A., Yamashkin S.A., Aksyonova M.Yu. 2020a. Cultural Landscapes Space-Temporal Systematization of Information in Geoportals for the Purposes of Region Tourist and Recreational Development. Geojournal of Tourism and Geosites, 29 (2): 440–449. DOI 10.30892/gtg.29205-480.

Yamashkin S.A., Yamashkin A.A., Zanozin V.V. 2020b. Improving the Efficiency of Deep Learning Methods in Remote Sensing Data Analysis: Geosystem Approach. IEEE Access, 8: 179516–179529. DOI: 10.1109/ACCESS.2020.3028030.

Yuan X., Shi J., Gu L. 2021. A Review of Deep Learning Methods for Semantic Segmentation of Remote Sensing Imagery. Expert Systems with Applications, 169: 114417. DOI: 10.1016/j.eswa.2020.114417.


Просмотров аннотации: 15

Поделиться

Опубликован

2022-07-04

Как цитировать

Ямашкин , А. А., & Ямашкин , С. А. (2022). Синтез и распространение пространственных данных о метагеосистемах для информационной поддержки управленческих решений. Региональные геосистемы, 46(2), 241-253. https://doi.org/10.52575/2712-7443-2022-46-2-241-253

Выпуск

Раздел

Науки о Земле

Наиболее читаемые статьи этого автора (авторов)