А. А. Колесников

Детальная_Инф:  Да
Автор1:  А. А. Колесников
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор2:  Д. В. Лисицкий
Афиилиация2:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор3:  Я. Г. Пошивайло
Афиилиация3:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор4:  С. С. Янкелевич
Афиилиация4:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Название статьи:  Методологические аспекты использования искусственного интеллекта в картографии
Рубрика:  Картография и геоинформатика
Начало_Страница:  75
Конец_Страница:  87
УДК:  528.9:004.8
DOI:  10.33764/2411-1759-2026-31-2-75-87
Год:  2026
Номер:  2
Том:  31
Ключевые слова_RU:  картография, искусственный интеллект, геопространственный искусственный интеллект, профессиональные картографические знания, геопространственный ситуационный мониторинг
Ключевые слова_EN:  cartography, artificial intelligence, GeoAI, professional cartographic knowledge, geospatial situational monitoring
Библиографический список:  1. Нацпроекты.РФ. [Электронный ресурс]. URL: https://нацпроекты.рф./naczproekt-razvitie-mnogosputnikovoj-orbitalnoj-gruppirovki/.
2. Андрюхина Ю. Н., Бугаков П. Ю., Касьянова Е. Л., Кацко С. Ю., Колесников А. А., Комиссарова Е. В., Лисицкий Д. В., Молокина Т. С., Радченко Л. К., Пошивайло Я. Г., Утробина Е. С., Янкелевич С. С. Цифровая картография : монография; под научной редакцией Д. В. Лисицкого. Новосибирск : СГУГиТ, 2023. 442 с. ISBN 978-5-907711-37-2.
3. Peuquet D. J. Data Structures for a Knowledge-Based Geographic Information System. Proceedind of International Geographical Union International Symposium on Spatial Data Handling. Zurich, Switzerland, 1984. P. 372–391.
4. Тикунов В. С. Исследования по искусственному интеллекту и экспертные системы в географии. Вестник Московского университета, сер. геогр. 1989, № 6. С. 3–9.
5. Кошкарев А. В., Тикунов В. С. Геоинформатика / Под ред. Д. В. Лисицкого. М. : Картгеоцентр. «Геодезиздат», 1993. 213 с.
6. Buttenfield B. NCGIA Research Initiative 8 (Formalizing Cartographic Knowledge): Scientific Report for the Specialist Meeting (95-15) - eScholarship. 1995 [Электронный ресурс]. URL: https://www.academia.edu/129018897/NCGIA_Research_Initiative_8_Formalizing_Cartographic_Knowledge_Scientific_Report_for_the_Specialist_Meeting_95_15_eScholarship.
7. Fairbairn D. Creating a Body of Knowledge for cartography. Proceedings of the ICA. – 2018 [Электронный ресурс]. URL:https://www.researchgate.net/publication/325185021_Crea-ting_a_Body_of_Knowledge_for_cartography. – DOI:10.5194/ICA-PROC-1-35-2018
8. Dobešová Z., Brus J. Intelligent Systems in Cartography. Ed.: V. M. Koleshko. Intelligent Systems, InTech, Rieka, Croatia. 2012. P. 257–276 ISBN 978-953-51-0054-6.
9. 2020-SaFoG_2020 State and Future of GEOINT Report [Электронный ресурс]. URL: https://usgif.org/wp-content/uploads/2024/06/2020-SaFoG.pdf
10. Usery E. L., Arundel S. T., Shavers E., Stanislawski L., Thiem P., Varanka D. GeoAI in the US Geological Survey for topographic mapping. Transactions in GIS. 2022. Vol. 26, P. 25–40. DOI: 10.1111/tgis.12830.
11. Navigating the Future: AI and Cartography [Электронный ресурс]. URL: https://aifutureday.com/details-7492000-navigating-the-future-ai-and-cartography.html.
12. Yuhao K., Song G.a, Robert E. R. Artificial Intelligence Studies in Cartography: A Review and Synthesis of Methods, Applications, and Ethics. Cartography and Geographic Information Scienc. 2024. Vol. 51(2), P. 1–32. DOI: 10.1080/15230406.2023.2295943.
13. Пошивайло Я. Г., Колесников А. А. Разработка образовательной концепции для геопространственной отрасли в рамках основных технологий цифровой экономики. InterCarto/ InterGIS-27 : сборник материалов Международной конференции (21–23 августа 2021 г.). М.: Т. 27, № 1, С. 29–43. DOI: 10.35595/2414-9179-2021-1-27-29-43.
14. Why AI and Large Language Models Benefit from Cartography [Электронный ресурс]. URL: https://www.esri.com/about/newsroom/arcnews/why-ai-and-large-language-models-benefit-from-cartography.
15. Савиных В. П., Цветков В. Я. Развитие методов искусственного интеллекта в геоинформатике. Транспорт Российской Федерации, 2010. № 5. С. 41−43.
16. Глотов А. А. Интеллектуализация геоинформационных систем: подходы и направления. Геоматика. 2015. № 4. С. 119–123.
17. Бучкин В. А. Состояние и развитие интеллектуальных ГИС. Информация и космос. 2020. № 3. С.119–123.
18. Янкелевич С. С. Разработка теории и методологии картографирования территорий на основе геопространственных знаний : автореф. дис. док техн. наук. М.: МИИГАиК, 2024. 48 с.
19. Самсонов Т. Е. Генерализация пространственных данных и ее картографические приложения: автореф. дис. док географ. наук. М. : МГУ им. М. В. Ломоносова, 2025. 50 с.
20. GIS&T Body of Knowledge. The Geographic Information Science & Technology Body of Knowledge (BoK) is available via two new platforms to support more extensive data exploration, search, discovery, and visualization [Электронный ресурс]. URL: https://www.ucgis.org/site/gis-t-body-of-knowledge.
Образец цитирования:  Колесников А. А., Лисицкий Д. В., Пошивайло Я. Г., Янкелевич С. С. Методологические ас-пекты использования искусственного интеллекта в картографии. Вестник СГУГиТ. 2026. Т. 31, № 2. С. 75–87. https://doi.org/10.33764/2411-1759-2026-31-2-75-87
Ссылка:  /upload/vestnik/sborniki/2026/31_2/75-87.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  Н. С. Головачев
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор2:  П. Ю. Бугаков
Афиилиация2:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор3:  А. А. Колесников
Афиилиация3:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Название статьи:  Методы сбора и актуализации многомерных данных для целей создания геоинформационной системы доступности городской инфраструктуры
Рубрика:  Картография и геоинформатика
Начало_Страница:  72
Конец_Страница:  82
УДК:  (528.9:004.92)+711.4
DOI:  10.33764/2411-1759-2026-31-1-72-82
Год:  2026
Номер:  1
Том:  31
Ключевые слова_RU:  геоинформационная система, доступность городской инфраструктуры, многомерные данные, краудсорсинг, верификация данных, маломобильные группы населения
Ключевые слова_EN:  geoinformation system, urban infrastructure accessibility, multidimensional data, crowdsourcing, data verification, people with limited mobility
Библиографический список:  1. Егоров Е. В. Формирование безбарьерной городской среды и проблемы трудовой интеграции инвалидов в России. Уровень жизни населения регионов России. 2022. № 4. DOI https://doi.org/10.19181/lsprr.2022.18.4.9 EDN LQJYMV.
2. Скрипкин П. Б., Шаманов Р. С., Михеева Н. А. Существующие проблемы доступной среды маломобильных групп населения в России и странах мира и мероприятия по их устранению. Молодой ученый. 2014. № 20 (79). С. 217–220. EDN TBFQCV.
3. Tannert B., Kirkham R., Schöning J. Analyzing accessibility barriers using cost-benefit analysis to design reliable navigation services for wheelchair users. Human-Computer Interaction – INTERACT 2019. Lecture Notes in Computer Science. 2019. Vol. 11746. P. 1–22.
4. Курмангулов А. А., Мазунина С. Д., Решетникова Ю. С., Брынза Н. С. Обеспечение доступности навигационных систем медицинских организаций для различных групп населения с позиции бережливого производства. Research'n Practical Medicine Journal. 2021;8(1):75-84.
5. Mobasheri A., Deister J., Dieterich H. Wheelmap: the wheelchair accessibility crowdsourcing platform. Open Geospatial Data, Software and Standards. 2017. Vol. 2, Article 27.
6. ORS Maps [Электронный ресурс]. URL: https://maps.openrouteservice.org/ (дата обращения: 30.05.2025).
7. Карта доступности социальных объектов [Электронный ресурс]. URL: https://zhitvmeste.ru/map/ (дата обращения: 30.05.2025).
8. Пошивайло Я. Г. К вопросу картографирования доступности городской среды. Приложение к журналу Известия вузов. Геодезия и аэрофотосъемка. Сборник статей по итогам научно-технической конференции. 2019. № 10-1. С. 200-204. EDN SPVLTK.
9. Пошивайло Я. Г. Принципы построения графов доступности при геоинформационном картографировании инфраструктуры населенного пункта. Цифровая география : материалы Всероссийской научно-практической конференции с международным участием. В 2 т. Пермь, 16–18 сентября 2020 г. Т. 1. Пермь : Пермский государственный национальный исследовательский университет, 2020. С. 141–144. EDN HVFBBK.
10. Aburas H., Shahrour I., Sadek M. Leveraging Crowdsourcing for Mapping Mobility Restrictions in Data-Limited Regions. Smart Cities. 2024. Vol. 7. P. 2572–2593. DOI https://doi.org/10.3390/smartcities7050100.
11. Помощник Москвы [Электронный ресурс]. URL: https://помощникмосквы.рф (дата обращения: 30.05.2025).
12. FixMyStreet Platform [Электронный ресурс]. URL: https://fixmystreet.org (дата обращения: 30.05.2025).
13. Государственная административно-техническая инспекция [Электронный ресурс]. URL: www.gati-online.ru (дата обращения: 30.05.2025).
14. Бугаков П. Ю., Кацко С. Ю., Бугакова Т. Ю. [и др.]. Сущность и тенденции развития многомерной картографии. Международный научно-исследовательский журнал. 2024. № 12 (150). URL https://research-journal.org/archive/12-150-2024-december/10.60797/IRJ.2024.150.94 (дата обращения: 22.06.2025). DOI 10.60797/ IRJ.2024.150.94.
15. Цилинченко А. А., Пошивайло Я. Г. Создание карты доступности городской территории для маломобильных групп населения. Интерэкспо ГЕО-Сибирь. XVII Междунар. науч. конгр., 19–21 мая 2021 г., Новосибирск : сб. материалов в 8 т. Т. 1 : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия». Новосибирск : СГУГиТ, 2021. С. 218–224. DOI 10.33764/2618-981X-2021-1-218-224. EDN VXOXQN.
Образец цитирования:  Головачев Н. С., Бугаков П. Ю., Колесников А. А. Методы сбора и актуализации многомерных данных для целей создания геоинформационной системы доступности городской инфраструктуры. Вестник СГУГиТ. 2026. Т. 31, № 1. С. 72–82. https://doi.org/10.33764/2411-1759-2026-31-1-72-82
Ссылка:  /upload/vestnik/sborniki/2026/31_1/72-82.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  А. В. Пономарев
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор2:  А. А. Колесников
Афиилиация2:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Название статьи:  Поиск и редактирование ошибок в 3D-моделях, полученных из облака точек, формируемого по результатам съемки мобильным устройством
Рубрика:  Картография и геоинформатика
Начало_Страница:  80
Конец_Страница:  88
УДК:  004.925.83:004.4
DOI:  10.33764/2411-1759-2025-30-6-80-88
Год:  2025
Номер:  6
Том:  30
Ключевые слова_RU:  трехмерное моделирование, методы обработки, мобильное лазерное сканирование, оптимизация, 3D-модель
Ключевые слова_EN:  3D modeling, processing methods, mobile laser scanning, optimization, 3D model
Библиографический список:  1. Рудов И. Н. Комбинированный метод оптимизации 3d-моделей археологических объектов для мобильных приложений. Цифровая гуманитаристика: ресурсы, методы, исследования: материалы Международной научной конференции. В 2-х частях, Пермь, 16–18 мая 2017 года. Часть 2. Пермь : Пермский государственный национальный исследовательский университет, 2017. С. 199–203.
2. Cong Y., Chen C., Li J., Wu W., Li S., Yang B. Mapping without dynamic: robust LiDARSLAM for UGV Mobile Mapping In Dynamic Environments. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2020. Vol. XLIII-B1-2020. P. 515–520. DOI 10.5194/isprs-archives-xliii-b1-2020-515-2020.
3. Zhang H., Zou Yu., Yan Zh., Cheng H. Rapid-Mapping: LiDAR-Visual Implicit Neural Representations for Real-Time Dense Mapping. IEEE Robotics and Automation Letters. 2024. Vol. 9, № 9. P. 8154–8161. DOI 10.1109/lra.2024.3440729.
4. Алтынцев М. А., Карпик П. А. Методика создания цифровых трехмерных моделей объектов инфраструктуры нефтегазодобывающих комплексов с применением наземного лазерного сканирования. Вестник СГУГиТ. 2020. Т. 25, № 2. С. 121–139. DOI 10.33764/2411-1759-2020-25-2-121-139.
5. Новаковский Б. А., Кудрявцев А. В., Энтин А. Л. Использование материалов воздушного лазерного сканирования при картографировании рельефа. Геоинформатика. 2020. № 2. С. 27–34.
6. Бояршинов А. Д., Ромин Е. А. Методы оптимизации высокополигональных 3D моделей. Инновационные технологии: теория, инструменты, практика. 2014. Т. 1. С. 304–310.
7. Ипатова Э. Р. Методологии и технологии системного проектирования информационных систем : учебник. М. : Флинта, 2008. 256 с.
8. Татарникова Т. М., Яготинцева Н. В. Методическое обеспечение проектирования инфраструктуры географических информационных систем динамического объекта. Программные продукты и системы. 2019. № 3. С. 377–383.
9. Abd Mukti S. N., Tahar K. N. Detection of potholes on road surfaces using photogrammetry and remote sensing methods (review). Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2022. Vol. 22, № 3. P. 459–471. DOI 10.17586/2226-1494-2022-22-3-459-471.
10. Miller S., Hashemian A., Gillihan R., Helms E. A Comparison of Mobile Phone LiDAR Capture and Established Ground based 3D Scanning Methodologies. SAE Technical Paper 2022-01-0832. 2022. DOI 10.4271/2022-01-0832.
11. Saba N. Accuracy Assessment of Horizontal Measurements from LiDAR Available in Mobile Phones. International journal of engineering research & technology (IJERT). 2021. Vol. 10. 11.
12. Miller S., Hashemian A., Gillihan R., Benes S. Accuracy and Repeatability of Mobile Phone LiDAR Capture. SAE Technical Paper 2023-01-0614. 2023. DOI 10.4271/2023-01-0614.
13. Краснобородько Д. А., Сомова С. С., Шапошникова А. В., Хахулина Н. Б. Обзор технологий последнего поколения для получения 3d-моделей. Студент и наука. 2021. № 4 (19). С. 91–96.
14. Суранов Н. А., Романчиков А. Ю., Вальков В. А. Исследование применения лидаров в смартфоне iPhone 12 Pro при выполнении обмеров помещений для целей государственного кадастрового учета. Вестник СГУГиТ. 2023. Т. 28, № 3. С. 33–46. DOI 10.33764/2411-1759-2023-28-3-33-46.
15. Погорелов А. В., Бойко Е. С., Вертлиб Э. М. Использование технологий лидарной съемки для создания высокоточной 3D модели города: опыт моделирования города Краснодара, Россия. Известия Ошского технологического университета. 2023. № 2-1. С. 70–76.
Образец цитирования:  Пономарев А. В., Колесников А. А. Поиск и редактирование ошибок в 3D-моделях, полученных из облака точек, формируемого по результатам съемки мобильным устройством. Вестник СГУГиТ. 2025. Т. 30, № 6. С. 80–88. https://doi.org/10.33764/2411-1759-2025-30-6-80-88
Ссылка:  /upload/vestnik/sborniki/2025/30_6/80-88.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  А. А. Колесников
Афиилиация1:  Новосибирский государственный технический университет, языковой центр «Лингва», г. Новосибирск, Российская Федерация
Автор2:  C. C. Жданов
Афиилиация2:  Новосибирский государственный технический университет, языковой центр «Лингва», г. Новосибирск, Российская Федерация
Название статьи:  Формирование картографических материалов по текстам травелогов с использованием механизмов генерации с дополненной выборкой
Рубрика:  Картография и геоинформатика
Начало_Страница:  33
Конец_Страница:  40
УДК:  528.9:004.891.2
DOI:  10.33764/2411-1759-2025-30-5-33-40
Год:  2025
Номер:  5
Том:  30
Ключевые слова_RU:  тематическая картография, языковая модель, травелоги, генерация с дополненной выборкой, машинное обучение
Ключевые слова_EN:  thematic mapping, language model, travelogues, retrieval-augmented generation, machine learning
Библиографический список:  1. Mai G., Huang W., Sun J., Song S., Mishra D., Liu N., Gao S., Liu T., Cong G., Hu Y., Cundy C., Li Z., Zhu R., Lao N. On the Opportunities and Challenges of Foundation Models for GeoAI (Vision Paper) // ACM Trans. Spatial Algorithms Syst, 2024. – 10(2)-11. – P. 46. – DOI 10.1145/3653070.
2. Jonathan R., Luddecke T., Das S., Han K., Albanie S. GPT4GEO: How a Language Model Sees the World's Geography [Electronic resource] // ArXiv abs/2306.00020, 2023. – URL: https://arxiv.org/abs/2306.00020 (дата обращения: 05.11.2024).
3. Li Z., Ning H. Autonomous GIS: the next-generation AI-powered GIS // International Journal of Digital Earth, 2023. – 16 (2). – P. 4668–4686. – DOI 10.1080/17538947.2023.2278895.
4. Ran T., Xu J. Mapping with ChatGPT // ISPRS International Journal of Geo-Information. 2023. – Vol. 12. – No. 7. – P. 284. – DOI 10.3390/ijgi12070284.
5. Sambandam P., Yuvaraj D., Padmakumari P., Swaminathan S. Deep attention based optimized Bi-LSTM for improving geospatial data ontology // Data & Knowledge Engineering. – 2023. – Vol. 144. – P. 102123. – DOI 10.1016/j.datak.2022.102123.
6. Скрынникова И. В. Интерпретационные проблемы LLM: загадки образного языка // Когнитивные исследования языка. – 2024. – № 2-2 (58). – С. 638–642.
7. Lewis P., Piktus A., Petroni F. Retrieval-augmented generation for knowledge-intensive NLP tasks // Advances in Neural Information Processing Systems (Virtual, Online, 06–12 декабря 2020 г.). – P. 34.
8. Naraki Y., Yamaki R., Ikeda Y., Horie T., Naganuma H. Augmenting NER Datasets with LLMs: Towards Automated and Refined Annotation // ArXiv abs:2404.01334v1 [cs.CL], 2024. – URL: https://arxiv.org/abs/2404.01334 (дата обращения: 05.11.2024).
9. Wang S., Sun X., Li X., Ouyang R., Wu F., Zhang T., Li J., Wang G. GPT-NER: Named Entity Recognition via Large Language Models // ArXiv abs: 2304.10428, 2023. – URL: https://arxiv.org/abs/2304.10428 (дата обращения: 05.11.2024).
10. Zhichao Z., Zhao Q., Li J., Ge Y., Ding X., Gu T., Zou J., Lv S., Wang S., Yang J. Comparative Analysis of Large Language Models in Chinese Medical Named Entity Recognition // Bioengineering, 2024. – Vol. 11. – No. 10. – P. 982. – DOI 10.3390/bioengineering11100982.
11. Ja P. Automating Threat Intelligence Analysis with Retrieval Augmented Generation (RAG) for Enhanced Cybersecurity Posture // International Journal of Science and Research, 2024. – Vol. 13, No. 5. – P. 251–255. – DOI 10.21275/sr24502103758.
12. Mozharovskii E. Evaluating Retrieval-Augmented Generation (RAG) techniques in enhancing LMS for coding tasks // Universum: технические науки, 2024. – No. 6-6 (123). – P. 22–26.
13. Томилов Н. А., Туров В. П., Бабаянц А. А., Платонов А. В. Метод хранения векторных представлений в сжатом виде с применением кластеризации // Научно-технический вестник информационных технологий, механики и оптики, 2024. – Т. 24, № 1. – С. 112–117. – DOI 10.17586/2226-1494-2024-24-1-112-117.
14. Unlu O., Shin Ch. J., Mailly J. Retrieval-Augmented Generation–Enabled GPT-4 for Clinical Trial Screening // NEJM AI, 2024. – Vol. 1, No. 7. – DOI 10.1056/aioa2400181.
15. Martin A., Witschel H. F., Mandl M., Stockhecke M. Semantic Verification in Large Language Model-based Retrieval Augmented Generation // Proceedings of the AAAI Symposium Series, 2024. – Vol. 3, No. 1. – P. 188–192. – DOI 10.1609/aaaiss.v3i1.31199.
16. Федоров В. О., Поляков Р. А. Большие языковые модели с поисковой расширенной генерацией: обзор и перспективы // Оригинальные исследования. – 2023. – Т. 13, № 12. – С. 43–47.
17. Kang S. H., Kim S. J. M-RAG: Enhancing Open-domain Question Answering with Metadata Retrieval-Augmented Generation // Journal of the Korea Institute of Information and Communication Engineering, 2023. – Vol. 27, No. 12. – P. 1489–1500. – DOI 10.6109/jkiice.2023.27.12.1489.
Образец цитирования:  Колесников А. А., Жданов C. C. Формирование картографических материалов по текстам травелогов с использованием механизмов генерации с дополненной выборкой // Вестник СГУГиТ. – 2025. – Т. 30, № 5. – С. 33–40. – DOI 10.33764/2411-1759-2025-30-5-33-40
Ссылка:  /upload/vestnik/sborniki/2025/30_5/33-40.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  Г. И. Гонец
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор2:  Е. В. Комиссарова
Афиилиация2:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор3:  А. А. Колесников
Афиилиация3:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Название статьи:  Методика уточнения и обновления информации о лесных ресурсах посредством использования данных дистанционного зондирования и мобильных устройств
Рубрика:  Картография и геоинформатика
Начало_Страница:  96
Конец_Страница:  105
УДК:  (528.8:621.397.7-182.3)+630
DOI:  10.33764/2411-1759-2025-30-1-96-105
Год:  2025
Номер:  1
Том:  30
Ключевые слова_RU:  методика, ДЗЗ, ГИС, мобильные ГИС, лесные ресурсы, классификация с обучением
Ключевые слова_EN:  methodology, remote sensing, GIS, mobile GIS, forest resources, classification with training
Библиографический список:  1. Гонец Г. И., Комиссарова Е. В. Применение мобильных устройств и ГИС при уточнении и обновлении информации о лесных ресурсах // Сборник материалов участников XIX Большого географическогофестиваля, посвященного 220-летию со дня начала первой русской кругосветной экспедиции под руководством И. Ф. Крузенштерна и Ю. Ф. Лисянского (1803-1806 гг.). – СПб. : Свое издательство, 2023. – С. 710–714.
2. Вагизов М. Р., Заяц А. М. Концепция инфраструктуры единого геоинформационного центра управления лесным хозяйством (часть 1) // Вестник СГУГиТ. – 2022. – Т. 27, № 3. – С. 50–61. – DOI 10.33764/2411-1759-2022-27-3-50-61. – EDN JCEAFC.
3. Steven E. Franklin. Remote Sensing for Sustainable Forest Management / Steven E. Franklin. – Boca Raton, Florida: 2001. – P. 3–4. – DOI 10.1201/9781420032857.
4. Белоусов А. О., Уварова Е. Л. Геоинформационные технологии в землеустройстве // Интеллектуальный потенциал молодых ученых как драйвер развития АПК : Материалы международной научно-практической конференции молодых ученых и обучающихся, Санкт-Петербург, 24–26 марта 2021 г. Ч. 2. – СПб. : Санкт-Петербургский государственный аграрный университет, 2021. – С. 124–127. – EDN VMBCQK.
5. Лисицкий Д. В., Комиссарова Е. В. Новый аналого-цифровой метод формирования и использования картографического отображения геопространства с применением мультимедийных средств // ИнтерКарто. ИнтерГИС. – 2020. – Т. 26, № 1. – С. 361–374. – DOI 10.35595/2414-9179-2020-1-26-361-374. – EDN IWOJMV.
6. Крылов А. М., Владимирова Н. А., Малахова Е. Г. Использование свободных ГИС в системе дистанционного лесопатологического мониторинга // Вестник Московского государственного университета леса – Лесной вестник. – 2012. – № 1. – С. 148–152. – EDN OTWMIT.
7. Лебзак Е. В., Янкелевич С. С. Методические аспекты геоинформационного картографирования лесного хозяйства с применением мобильных технологий // Вестник СГУГиТ. – 2022. – Т. 27, № 1. – С. 86–96. – DOI 10.33764/2411-1759-2022-27-1-86-96. – EDN QURHFL.
8. Каракулов А. Ю., Максютова Д. М. Возможности использования программного обеспечения QGIS для целей управления земельными ресурсами // Рациональное использование земельных ресурсов в условиях современного развития АПК : Сборник материалов Всероссийской (национальной) научно-практической конференции, Тюмень, 24 ноября 2021 г. – Тюмень, 2021. – С. 82–85. – EDN DNJRCM.
9. Ferretti M., Fischer R. Forest Monitoring: Methods for Terrestrial Investigations in Europe with an Overview of North America and Asia Great Britain: 2013. – P. 3–7. – DOI 10.1016/B978-0-08-098222-9.00001-7. – EDN RRAHOJ.
10. Лебзак Е. В. Апробация методики геоинформационного картографирования лесного хозяйства с применением мобильных технологий // Вестник СГУГиТ. – 2022. – Т. 27, № 4. – С. 100–111. – DOI 10.33764/2411-1759-2022-27-4-100-111. – EDN PQMNRV.
11. Gusev V., Sidorenko N., Shumeyko I. Recent Achievements and Prospects of Innovations and Technologies: Forest cover Classification Analysis Methods from Satellite / Gusev V., Sidorenko N., Shumeyko I. – Sevastopol: 2022. – P. 178–185.
12. 100 Earth Shattering Remote Sensing Applications & Uses [Electronic resource]. – URL: https://gisgeography.com/remote-sensing-applications/ (дата обращения: 27.01.2024).
13. Крылов А. М., Владимирова Н. А. Дистанционный мониторинг состояния лесов по данным космической съемки // Геоматика. – 2011. – № 3. – C. 53–57. – EDN STYTOZ.
14. Позднякова Ю. С., Подгорный Я. Б. Применение ГИС-технологий для анализа состояния лесного хозяйства // Актуальные исследования. – 2021. – № 36 (63). – C. 24–26. – EDN XAQQMK.
15. Чибисова И. С. Информационные технологии в лесном хозяйстве // Эпоха науки, 2019. – № 19. – С. 85–86. – DOI 10.24411/2409-3203-2019-1923 – EDN BTXFKQ.
16. Папаскири Т. В. О концепции цифрового землеустройства // Землеустройство, кадастр и мониторинг земель. – 2018. – № 11. – С. 5–17.
17. Кащенко Н. А., Попов Е. В., Чечин А. В. Геоинформационные системы : учебное пособие для вузов. – Н. Новгород : Нижегородский государственный архитектурно-строительный университет, 2012. – 130 с. – ISBN 978-5-87941-863-7. – EDN YONQJY.
18. Хамедов В. А. Разработка методики мониторинга лесных земель на основе космических снимков оптического и радарного диапазонов : дисс. канд. техн. наук : 25.00.26 / Хамедов Владимир Александрович. – Новосибирск : СГУГиТ, 2016. – 121 с.
19. Semi-Automatic Classification Plugin Documentation [Electronic resource]. – URL: https://semiautomaticclassificationmanual.readthedocs.io/en/latest/ (дата обращения: 05.02.2024).
20. Field Ecosystem Documentation. Get started with Field and QFieldCloud [Electronic resource]. – URL: https://docs.qfield.org/get-started/ (дата обращения: 11.11.2022).
21. Гонец Г. И., Комиссарова Е. В., Колесников А. А. Методика использования мобильных устройств при выполнении практических работ // Актуальные вопросы образования. – 2023. – № 3. – С. 17–24. – EDN YAAIYI.
22. Using QGIS and Field for Field Data Collection [Electronic resource]. – URL: https://www.line-45.com/post/using-qgis-and-qfield-field-data-collection (дата обращения: 22.02.2023).
23. Заблоцкий В. Р. Особенности использования ГИС на мобильном устройстве (на примере MapXMobileViewer) // Изв. вузов. Геодезия и аэрофотосъемка. – 2010. – № 1. – С. 65–72.
24. Керчев И. А., Волкова Е. С., Мельник М. А. Возможности ГИС для изучения процессов распространения уссурийского полиграфа в пихтовых лесах Сибири // Вестник СГУГиТ. – 2021. – Т. 26, № 4. – С. 44–54. – DOI 10.33764/2411-1759-2021-26-4-44-54. – EDN BTYUSI.
Образец цитирования:  Гонец Г. И., Комиссарова Е. В., Колесников А. А. Методика уточнения и обновления информации о лесных ресурсах посредством использования данных дистанционного зондирования и мобильных устройств // Вестник СГУГиТ. – 2025. – Т. 30, № 1. – С. 96–105. – DOI 10.33764/2411-1759-2025-30-1-96-105
Ссылка:  /upload/vestnik/sborniki/2025/30_1/96-105.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  К. В. Карташова
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор2:  А. А. Колесников
Афиилиация2:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Название статьи:  Сравнительный анализ программных инструментов создания карт-историй
Рубрика:  Картография и геоинформатика
Начало_Страница:  97
Конец_Страница:  104
УДК:  004.4:528.9
DOI:  10.33764/2411-1759-2024-29-3-97-104
Год:  2024
Номер:  3
Том:  29
Ключевые слова_RU:  тематическая мультимедийная картография, карты-истории, картографические веб-сервисы, веб-картография
Ключевые слова_EN:  thematic multimedia cartography, story maps, storymaps, mapping web services, web cartography
Библиографический список:  1. Vojtek M., Repaská G., Vilinová K., Vojteková J. Potential of using mobile geoinformation technologies (GPS/GNSS) in teaching geography students. // 6th international conference on cartography & GIS: Proceedings. – 2016. – С. 127–135.
2. Лурье И. К. Цифровая эпоха в картографии: от автоматизации к картографическим сервисам // Вопросы географии. – 2017. – № 144. – С. 15–28.
3. Лисицкий Д. В., Комиссарова Е. В., Колесников А. А. Теоретические основы и особенности мультимедийной картографии // Вестник СГУГиТ. – 2017. – Т. 22, № 3. – С. 72–87.
4. Бугаков П. Ю., Кацко С. Ю., Басаргин А. А., Воронкин Е. Ю. Анализ функциональных возможностей веб-приложения Kepler.gl для визуализации и анализа больших наборов пространственных данных // Вестник СГУГиТ. – 2018. – Т. 23, № 4. – С. 155–164.
5. ArcGIS StoryMaps [Электронный ресурс]. – Режим доступа: https://www.esri.com/ruru/arcGIS/products/arcGIS-storymaps/overview (дата обращения: 01.02.2023).
6. StoryMapsJS [Электронный ресурс]. – Режим доступа: https://storymap.knightlab.com/#examples (дата обращения: 10.02.2023).
7. Timeline JS [Электронный ресурс]. – Режим доступа: https://timeline.knightlab.com (дата обращения: 10.02.2023).
8. Online timeline maker [Электронный ресурс]. – Режим доступа: https://www.tikitoki.com/ (дата обращения: 20.02.2023).
9. Юхнюк П. П. Опыт применения облачных технологий при изучении земельных ресурсов региона // Научные записки молодых исследователей. – 2019. – Т. 7. – № 6. – С. 74–84.
10. Bartalesi V., Coro G., Lenzi E., Pagano P., Pratelli N. From unstructured texts to semantic story maps // International Journal of Digital Earth. – 2023. – Vol. 16. – № 1. – P. 234–250.
11. Global Mapper [Электронный ресурс]. – Режим доступа: https://www.bluemarblegeo.com/global-mapper/ (дата обращения: 12.02.2023).
12. GeoServer [Электронный ресурс]. – Режим доступа: https://geoserver.org/ (дата обращения: 12.02.2023).
13. Плотникова А. С., Харитонова А. О. Применение Web-ГИС при картографировании пожарных режимов Печоро-Илычского заповедника и его окрестностей // Вопросы лесной науки. – 2020. – Т. 3. – № 4. – С. 1–10.
14. ArcGIS StoryMaps Gallery [Электронный ресурс]. – Режим доступа: https://doc.arcGIS.com/en/arcGISstorymaps/gallery/?rsource=https%3A%2F%2F www.esri.com%2Fenus%2FarcGIS%2Fproducts%2FarcGIS-storymaps%2Fstories (дата обращения: 25.02.2023
15. Gigapixel [Электронный ресурс]. – Режим доступа: https://storymap.knightlab.com/gigapixel/ (дата обращения: 24.02.2023).
16. Начало работы с GeoServer [Электронный ресурс]. – Режим доступа: https://gislab.info/qa/geoserver-begin.html (дата обращения: 06.03.2023).
17. Vojteková J., Vojtek M., Žoncová M., Tirpáková A. Evaluation of story maps by future geography teachers // Journal of Geography & Higher Education. – 2022. – Vol. 46. – № 3. – P. 360–382.
18. Как создать таймлайн [Электронный ресурс]. – Режим доступа: https://sdelano.media/timelinejs/ (дата обращения: 24.02.2023).
19. Абдуллин Р. К., Пономарчук А. И. Технологии интернет-картографирования: учебное пособие. – Пермь : ПГНИУ, 2020. – 132 с.
20. Лисицкий Д. В., Кикин П. М. Методические основы веб-картографии // Изв. вузов. Геодезия и аэрофотосъемка. – 2014. – № S4. – С. 85–91.
Образец цитирования:  Карташова К. В., Колесников А. А. Сравнительный анализ программных инструментов создания карт-историй // Вестник СГУГиТ. – 2024. – Т. 29, № 3. – С. 97–104. – DOI 10.33764/2411-1759-2024-29-3-97-104
Ссылка:  /upload/vestnik/sborniki/2024/29_3/97-104.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  А. В. Дубровский
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор2:  А. В. Ершов
Афиилиация2:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор3:  О. И. Малыгина
Афиилиация3:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор4:  Е. С. Стегниенко
Афиилиация4:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор5:  А. А. Колесников
Афиилиация5:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор6:  В. И. Татаренко
Афиилиация6:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Название статьи:  Оценка обеспеченности территории города рекреационными объектами для перспективного планирования организации землепользования
Рубрика:  Землеустройство, кадастр и мониторинг земель
Начало_Страница:  86
Конец_Страница:  98
УДК:  332.3:338.48-53
DOI:  10.33764/2411-1759-2023-28-6-86-98
Год:  2023
Номер:  6
Том:  28
Ключевые слова_RU:  объекты рекреации, зоны рекреационной обеспеченности населения, геоинформационный анализ, геомоделирование, прогноз, перспективное планирование, инвестиционная привлекательность, экология, охрана и защита земель
Ключевые слова_EN:  recreation facilities, recreational security zones for the population, geoinformation analysis, geomodeling, forecast, long-term planning, investment attractiveness, ecology, protection and land protection
Библиографический список:  1. Дубровский А. В., Варкентин М. И. Информационное моделирование рекреационного землепользования на территории населенного пункта // // Интерэкспо ГЕО-Сибирь. XV Междунар. науч. конгр., 24–26 апреля 2019 г., Новосибирск : сб. материалов в 9 т. Т. 4 : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология». – Новосибирск : СГУГиТ, 2019. № 2. – С. 135–144.
2. Сумарокова И. В., Козел А. О. Проблема нехватки рекреационных зон в городах как фактор ухудшения качества жизни населения // Colloquium-Journal. – 2021. – № 17-1(104). – С. 44–46.
3. Тукманова З. Г. Прибрежные территории – резерв для восполнения рекреационного дефицита города // Изв. Казанского государственного архитектурно-строительного университета. – 2009. – № 2 (12). – С. 76–79.
4. Шеина С. Г., Шишкунова Д. В. Использование эксплуатируемых крыш зданий как перспективное развитие рекреационных зон города // Изв. Ростовского государственного строительного университета. – 2015. – Т. 2, № 20. – С. 28–33.
5. Громенко И. В. Модульные конструкции для городского озеленения на примере города Хабаровска // Дальний Восток: проблемы развития архитектурно-строительного комплекса. – 2019. – Т. 1, № 2. – С. 73–78.
6. Горошко Н. В., Емельянова Е. К., Пацала С. В. Возможности городского пространства для экологического просвещения в сфере рекреации и досуга на примере города Новосибирска // Вестник Пермского национального исследовательского политехнического университета. Прикладная экология. Урбанистика. – 2018. – № 1. – С. 17–35.
7. Горошко Н. В., Емельянова Е. К. Проблема сохранения объектов археологического наследия на территории Новосибирска и использование их потенциала в туризме и рекреации // Электронный научно-методический журнал Омского ГАУ. – 2019. – № 3 (18). – С. 6–18.
8. Кружалин В. И., Кружалин К. В. Принципы структуризации туристско-рекреационного пространства // Географические основы рекреации и туризма: теория, образование, практика. Сб. науч. трудов. – Тверь : Тверская усадьба, 2008. – С. 3–14.
9. Шевченко А. А. Креативные практики в рекреационном пространстве современного российского города // Гуманитарий Юга России. – 2015. – № 4. – С. 292–298.
10. Мажар Л. Ю. Территориальные туристско-рекреационные системы: концептуальный подход к изучению // Туризм и региональное развитие : сб. науч. статей. – Смоленск : Универсум – 2008. – С. 72–77.
11. Портал ГИС ЖКХ [Электронный ресурс]. – 2016. – Режим доступа: https://giszhkh.ru/.
12. Свидетельство о государственной регистрации базы данных № 2019621245 Российская Федерация. ГИС Инвентаризация : № 2019620495 : заявл. 03.04.2019 : опубл. 11.07.2019 / А. В. Ершов, В. Н. Никитин, А. В. Дубровский [и др.] ; правообладатель Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет геосистем и технологий» (RU).
13. СП 42.13330.2016. Градостроительство. Планировка и застройка городских и сельских поселений: свод правил : издание официальное [Электронный ресурс] : утв. приказом Министерства строительства и жилищно-коммунального хозяйства Российской Федерации от 30.12.2016 № 1034/пр и введен в действие с 01.07.2017. – Режим доступа: https://docs.cntd.ru/ document/456054209 (дата обращения: 01.10.2023).
14. Свидетельство о государственной регистрации программы для ЭВМ № 2022683816 Российская Федерация. Моделирование пространственного положения зон доступности объектов рекреации «Рекреация в шаге» : № 2022683871 : заявл. 08.12.2022 : опубл. 08.12.2022 / А. В. Дубровский, А. А. Колесников, Е. С. Стегниенко, А. В. Ершов ; правообладатель Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет геосистем и технологий» (RU).
15. Мирзеханова З. Г. Кадастр туристических ресурсов в системе управления рекреационным природопользованием // Вестник Национальной академии туризма. – 2009. – № 4. – С. 34–37.
16. Wiersma Y. F. A review of landscape ecology experiments to understand ecological processes // Ecological Processes. – 2022. – Vol. 11, No. 1. – P. 57.
17. Sibly H. Pricing and management of recreational activities which use natural resources // Environmental and Resource Economics. – 2001. – Vol. 18. – P. 339–354.
18. Курьерова Г. Г. Экология предметного мира как стратегия дизайна в постиндустриальный период. – М. : ВНИИТЭ, 2008. – С. 5.
19. Публичная кадастровая карта [Электронный ресурс]. – 2008. – Режим доступа: https://pkk.rosreestr.ru.
20. Fan P. et al. Urbanization, economic development, and environmental changes in transitional economies in the global south: a case of Yangon // Ecological Processes. – 2022. – Vol. 11, No. 1. – P. 65.
21. Мироненко Н. С., Пирожник И. И., Твердохлебов И. Т. Теоретические основы рекреационного районирования // Теоретические проблемы рекреационной географии. – 1989. – С. 80–90.
22. Hassan K. et al. Climate change-driven shifts in plant–soil feedbacks: a meta-analysis // Ecological Processes. – 2022. – Vol. 11, No. 1. – P. 64.
23. Pak M. et al. Estimation of recreational use value of forest resources by using individual travel cost and contingent valuation methods (Kayabasi forest recreation site sample) // Journal of applied sciences. – 2006. – Vol. 6, No. 1. – P. 1–5.
24. Мажар Л. Ю. Геосистемный анализ туристско-рекреационной деятельности // Вестник Московского университета. Сер. 5. География. – 2008. – №. 1. – С. 27–31.
25. Wen C., Albert C., von Haaren C. Nature-based recreation for the elderly in urban areas: assessing opportunities and demand as planning support // Ecological Processes. – 2022. – Vol. 11, No. 1. – P. 44.
26. Song S. et al. Multiple scenario simulation and optimization of an urban green infrastructure network based on complex network theory: a case study in Harbin City, China // Ecological Processes. – 2022. – Vol. 11, No. 1. – P. 1–16.
27. Новикова В. И. Составляющие территориальной рекреационной системы: определение, классификация // Псковский регионологический журнал. – 2013. – №. 16. – С. 133–150.
28. Zhou Y., Chen G., Zhou W. Sustainable urban systems: from landscape to ecological processes // Ecological Processes. – 2022. – Vol. 11, No. 1. – P. 26.
Ссылка:  /upload/vestnik/sborniki/2023/28_6/86-98.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  Р. В. Гришин
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор2:  А. А. Колесников
Афиилиация2:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Название статьи:  Способы извлечения метаданных о пространственном положении из хранилищ фотографий
Рубрика:  Картография и геоинформатика
Начало_Страница:  57
Конец_Страница:  66
УДК:  528.9:004.9
DOI:  10.33764/2411-1759-2023-28-6-57-66
Год:  2023
Номер:  6
Том:  28
Ключевые слова_RU:  метаданные, EXIF, извлечение метаданных, API, компьютерное зрение, геопространственные данные
Ключевые слова_EN:  metadata, EXIF, metadata extraction, API, computer vision, geospatial data
Библиографический список:  1. Бугакова Т. Ю., Шарапов А. А. Совершенствование методов визуального осмотра зданий и инженерных сооружений путем внедрения технологий компьютерного зрения и интеллектуальной обработки данных // Вестник СГУГиТ. – 2022. – Т. 27, № 6. – С. 108–119. – DOI 10.33764/2411-1759-2022-27-6-108-119.
2. Колесников А. А., Пошивайло Я. Г., Утробина Е. С., Миронова С. А. Применение виртуальных панорам в цифровом тематическом картографировании // Вестник СГУГиТ. – 2022. – Т. 27, № 4. – С. 74–87. – DOI 10.33764/2411-1759-2022-27-4-74-87.
3. Утробина Е. С., Кокорина И. П., Молокина Т. С. Выявление новой функции картографических изображений, представленных в мобильных устройствах // Вестник СГУГиТ. – 2022. – Т. 27, № 2. – С. 149–162. – DOI 10.33764/2411-1759-2022-27-2-149-162.
4. Banerjee S., Kaul S., Bhattacharya S. An Overview of Image Metadata Extraction Techniques and Tools // Proceedings of the 4th International Conference on Data Science, Machine Learning and Applications. – Springer, 2019. – P. 125–130.
5. Shrestha R., Geyer C. P. J. Metadata Extraction from Digital Images: A Review // Proceedings of the 20th International Conference on Advanced Computer Science and Information Systems. IEEE. – 2020. –  P. 245–250.
6. Kulkarni D. N., Patil K. S. A Comprehensive Survey on Metadata Extraction Techniques from Digital Images // Proceedings of the International Conference on Inventive Communication and Computational Technologies. IEEE. – 2018. – P. 561–566.
7. Chatterjee S., Bhattacharya R. Metadata Extraction from Digital Images: Techniques and Challenges // Proceedings of the International Conference on Advanced Computational and Communication Paradigms. – Springer, 2018. – P. 157–162.
8. Rege N., Waghmare A. K. Image Metadata Extraction: A Review // Proceedings of the 2nd International Conference on Inventive Systems and Control. IEEE. – 2018. – P. 800–805.
9. Vyas N., Rana V. Metadata Extraction from Digital Images: A Review // Proceedings of the International Conference on Smart Systems and Inventive Technology. IEEE. – 2019. – P. 873–877.
10. Singh S., Rani A. A Comparative Study of Techniques for Extracting Metadata from Digital Images // Proceedings of the 7th International Conference on Data Science, Engineering and Information Technology. – Springer, 2020. – P. 230–235.
11. Gohil P. N., Rane R. P. Review on Extraction Techniques of Metadata from Digital Images // International Journal of Computer Sciences and Engineering. – 2019. – Vol. 7 (7). – P. 286–291.
12. Gupta A., Gupta R. B. A Survey on Image Metadata Extraction Techniques // International Journal of Computer Applications. – 2018. – Vol. 179 (30). – P. 34–40.
13. Kumar S., Kumar R. Survey on Image Metadata Extraction Techniques // International Journal of Computer Science and Information Technologies. – 2017. – Vol. 8 (5). – P. 2216–2221.
14. Ghosh P. S., Das S. K. Extraction of Metadata from Digital Images: A Survey // International Journal of Advanced Research in Computer Science. – 2017. – Vol. 8 (4). – P. 484–488.
15. Manoj G., Subashini P. Image Metadata Extraction Techniques: A Review // International Journal of Innovative Technology and Exploring Engineering. – 2019. – Vol. 8 (7S2). – P. 464–466.
16. Rajesh S., Deepa R. A Survey on Metadata Extraction Techniques from Digital Images // International Journal of Computer Science and Mobile Computing. – 2018. – Vol. 7 (4). – P. 58–63.
17. Singh R., Kumar M. Image Metadata Extraction Techniques: A Comprehensive Review // Proceedings of the 6th International Conference on Computing for Sustainable Global Development. IEEE. – 2019. – P. 609–613.
18. Rai S., Sharma V. Metadata Extraction from Digital Images: A Review // International Journal of Research in Science and Engineering. – 2017. – Vol. 3 (4). – P. 1–4.
19. Verma H., Goyal S. A Survey on Metadata Extraction Techniques from Digital Images // International Journal of Scientific Research in Computer Science, Engineering and Information Technology. – 2019. – Vol. 5 (1). – P. 449–453.
20. Chatterjee N., Sinha S. A Comparative Study of Metadata Extraction Techniques from Digital Images // International Journal of Computer Applications. – 2018. – Vol. 179 (16). – P. 14–18.
21. Sharma P., Goel K. Metadata Extraction Techniques from Digital Images: A Review // International Journal of Computer Science and Mobile. –2017. – Vol. 6 (8). – P. 1–6.
22. Saini S., Gupta V. Image Metadata Extraction Techniques: A Comprehensive Review // International Journal of Advanced Research in Computer Science. – 2019. – Vol. 10 (1). – P. 262–265.
23. Jadhav R., Patil P. A Survey on Metadata Extraction Techniques from Digital Images // Proceedings of the 4th International Conference on Communication, Computing and Networking. – Springer, 2020. – P. 94–98.
24. Ivanov V., Petrov I. Analysis of Image Metadata Extraction Methods // Proceedings of the International Conference on Data Science, E-learning and Information Systems. – 2021. – P. 303–312.
25. Vysotskaya E., Barannikov A. Image Metadata Extraction in Cultural Heritage Collections // Proceedings of the International Conference on Digital Presentation and Preservation of Cultural and Scientific Heritage. – 2018. – P. 375–384.
26. Mirsky M., Kostikov A. Image Metadata Extraction for Geospatial Analysis // Proceedings of the International Conference on Geoinformatics. – 2021. – P. 27–36.
27. Volkovich Z., Podladchikova L. Image Metadata Extraction for Content-Based Image Retrieval // Proceedings of the International Conference on Pattern Recognition. – 2018. – P. 2850–2855.
28. Zhao X., Liu Y. A Survey of Image Metadata Extraction in the Wild // Proceedings of the International Conference on Multimedia Retrieval. – 2018. – P. 1–8.
Ссылка:  /upload/vestnik/sborniki/2023/28_6/57-66.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  А. А. Колесников
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Институт горного дела имени Н. А. Чинакала СО РАН, г. Новосибирск, Российская Федерация
Автор2:  Н. С. Косарев
Афиилиация2:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Институт горного дела имени Н. А. Чинакала СО РАН, г. Новосибирск, Российская Федерация
Автор3:  Н. А. Немова
Афиилиация3:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Институт горного дела имени Н. А. Чинакала СО РАН, г. Новосибирск, Российская Федерация
Автор4:  А. В. Резник
Афиилиация4:  Институт горного дела имени Н. А. Чинакала СО РАН, г. Новосибирск, Российская Федерация
Автор5:  Т. А. Платонов
Афиилиация5:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Название статьи:  Создание базы данных техногенно-нарушенных территорий Новосибирской области
Рубрика:  Картография и геоинформатика
Начало_Страница:  80
Конец_Страница:  92
УДК:  004.6:502.17 (571.14)
DOI:  10.33764/2411-1759-2023-28-5-80-92
Год:  2023
Номер:  5
Том:  28
Ключевые слова_RU:  база данных, техногенно-нарушенные территории, пространственные данные, автоматизация
Ключевые слова_EN:  database, technologically disturbed territories, spatial data, automation
Библиографический список:  1. Шевчук С. О., Косарев Н. С., Черемисина Е. С., Мелеск А. Х. Современное состояние и перспективы развития координатно-временного и навигационного обеспечения геолого-геофизических работ // Интерэкспо ГЕО-Сибирь. XVI Междунар. науч. конгр. : Национальная науч. конф. с международным участием «Геодезия, геоинформатика, картография, маркшейдерия : сб. материалов в 8 т. (Новосибирск, 18 июня – 8 июля 2020 г.). – Новосибирск : СГУГиТ, 2020. Т. 1, № 2. – С. 110–118. – DOI 10.33764/2618-981X-2020-1-2-110-118.
2. Карачевцева И. П., Дубов С. С., Андреев М. В. и др. Открытые пространственные данные для исследования территорий и цифровые сервисы доступа к ним // Космические аппараты и технологии. – 2023. – Т. 7, № 2 (44). – С. 142–152. – DOI 10.26732/j.st.2023.2.07.
3. Кожиев Х. Х., Босиков И. И., Дряев А. М. Комплексная оценка и учет требований для проведения рекультивации земель, нарушенных открытыми горными работами на Михайловском месторождении (КМА) // Грозненский естественнонаучный бюллетень. – 2022. – Т. 7, № 1 (27). – С. 26–32. – DOI 10.25744/genb.2022.34.76.003.
4. Гаврилов В. Л., Немова Н. А., Резник А. В., Косарев Н. С., Смык М. И., Медведева К. Е. О нарушении земель при освоении МСБ восточной части Новосибирской области // Фундаментальные и прикладные вопросы горных наук. – 2022. – Т. 9, № 2. – С. 69–77.
5. Mabele B. C. P. Fundamentals of the geographic information database of the specially protected natural areas of the Republic of Congo // Изв. вузов. Геодезия и аэрофотосъемка. – 2020. – Vol. 64 (5). – С. 596–607.
6. Idrizi B., Maliqi E., Pashova L. Spatial database designing for environmental monitoring and decision making in Mitrovica Region, The Republic of Kosovo // Geosfera Indonesia. – 2021. – Vol. 6, No. 2. – P. 189–204.
7. Бардина Т. В., Чугунова М. В., Кулибаба В. В., Бардина В. И. Использование методов биотестирования для оценки экологического состояния почвогрунтов рекультивированного карьера // Биосфера. – 2020. – Т. 12, № 1-2. – С. 1–11. – DOI 10.24855/BIOSFERA.V12I1.539.
8. Ивлиева М. С. Оценка техногенного воздействия при разработке карьера с помощью безмерных экологических индексов // Известия Тульского государственного университета. Технические науки. – 2023. – № 3. – С. 547–550. – DOI 10.24412/2071-6168-2023-3-547-551.
9. Colonese G. et al. PostGeoOlap: an open-source tool for decision support //Anais do II Simpósio Brasileiro de Sistemas de Informação. – SBC, 2005. – С. 127–134.
10. Блискавицкий А. А. Концептуальное моделирование и проектирование ГИС // Информатизация и связь. – 2013. – № 2. – С. 43–45.
11. Каргашин П. Е., Новаковский Б. А., Киселева С. В. и др. База пространственных данных для решения задач проектирования объектов возобновляемой энергетики // Геоинформатика. – 2015. – № 4. – С. 2–9.
12. Алексеенко Н. А., Курамагомедов Б. М. Проектирование базы пространственных данных для особо охраняемых природных территорий // Актуальные проблемы экологии и природопользования : сборник научных трудов XX Международной научно-практической конференции: в 2 т. (Москва, 25–27 апреля 2019 года) / Российский университет дружбы народов. – М. : Российский университет дружбы народов (РУДН), 2019. Т. 2. – С. 20–23.
13. Пыко Н. С., Тишин Д. В., Искандиров П. Ю. и др. Непараметрические байесовские сети как инструмент комплексирования данных мультимасштабного анализа временных рядов и дистанционного зондирования // Известия высших учебных заведений России. Радиоэлектроника. – 2023. – Т. 26, № 3. – С. 32–47. – DOI 10.32603/1993-8985-2023-26-3-32-37.
14. Златопольский А. А. Мультимасштабный анализ цифровой модели рельефа. Экспериментальные закономерности // Современные проблемы дистанционного зондирования Земли из космоса. – 2015. – Т. 12, № 3. – С. 27–35.
15. Гриняев С. Н., Шевченко А., Арзуманян Р. В. Применение мультимасштабного анализа сложных систем при сетевых взаимодействиях // Государственная служба. – 2012. – № 5 (79). – С. 62–66.
16. Мартыненко А. И., Карачевцева И. П. Методика обновления системы электронных автодорожных карт на основе многоуровневой модели базы пространственных данных // Известия вузов. Геодезия и аэрофотосъемка. – 2006. – № 1. – С. 161–165.
17. Еремеев С. В. Многоуровневое представление пространственных данных в геоинформационных системах // Геоинформатика. – 2006. – № 1. – С. 26–29.
18. Казаненков В. А., Филимонова И. В., Немов В. Ю. Главные направления и задачи поисков нефти и газа в Западной Сибири на ближайшие десятилетия // Бурение и нефть. – 2019. – № 10. – С. 10–18.
19. Санеев Б. Г., Майсюк Е. П., Иванова И. Ю. Оценка экологических последствий от объектов энергетики при реализации перспективных проектов освоения месторождений арктических территорий восточных регионов России // Арктика: экология и экономика. – 2021. – Т. 11, № 4. – С. 466–480. – DOI 10.25283/2223-4594-2021-4-466-480.
20. Курбатова И. Е. Изучение антропогенной нарушенности природной среды северо-восточного побережья Каспия с помощью космической информации // Водные ресурсы. – 1994. – Т. 21, № 4-5. – С. 487–491.
21. Овсейчук В. А., Морозов А. А. Исследование характеристик горнорудной массы, слагающей отвалы забалансовых урановых руд, образованных при разработке месторождений стрельцовской группы // Физико-химическая геотехнология: инновации и тенденции развития : Международная научно-практическая конференция: сборник материалов (Чита, 11–22 февраля 2020 г.) / Отв. редактор Л. В. Шумилова. – Чита : Забайкальский государственный университет, 2021. – С. 20–25.
22. Мусохранов А. П., Протасова Н. Н. Обоснование и характеристики Параметры отсыпки отвалов в условиях Караканского каменноугольного месторождения, участок «Черемшанский» // Рекультивация выработанного пространства: проблемы и перспективы : Сборник статей IV международной научно-практической Интернет-конференции (Белово, 14–18 декабря 2018 г.). – Белово : Кузбасский государственный технический университет имени Т. Ф. Горбачева, 2019. – С. 1.1.1–1.1.4.
23. Герасимова Е. М., Воробьева О. Н. Открытая разработка железорудного карьера и его влияние на окружающую среду // Горинские чтения. Инновационные решения для АПК : Материалы Международной научной конференции (Майский, 14–15 марта 2023 г.). – Майский : Белгородский государственный аграрный университет имени В. Я. Горина, 2023. Т. 1. – С. 257–258.
24. Иванов А. В., Смирнов Ю. Д. Оценка влияния работы карьера на окружающую среду и способы предупреждения распространения основных загрязнений // Антропогенная трансформация природной среды. – 2012. – № 1. – С. 207–211.
25. Худойбердиев Ф. Ш. Изучение полигонов бытовых отходов и влияния их на окружающую среду, методика зарубежного опыта // Землеустройство, кадастр и мониторинг земель. – 2022. – № 8. – С. 547–551. – DOI 10.33920/sel-04-2208-07.
26. Гусев А. П., Калейчик П. А., Шаврин И. А. Геоэкологическая диагностика загрязнения окружающей среды в зоне влияния полигона химических отходов // Российский журнал прикладной экологии. – 2019. – № 3(19). – С. 51–55.
Ссылка:  /upload/vestnik/sborniki/2023/28_5/80-92.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  А. А. Колесников
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор2:  Я. Г. Пошивайло
Афиилиация2:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор3:  Е. С. Утробина
Афиилиация3:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Автор4:  С. А. Миронова
Афиилиация4:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Название статьи:  Применение виртуальных панорам в цифровом тематическом картографировании
Рубрика:  Картография и геоинформатика
Начало_Страница:  74
Конец_Страница:  87
УДК:  528.94:004.946
DOI:  10.33764/2411-1759-2022-27-4-74-87
Год:  2022
Номер:  4
Том:  27
Ключевые слова_RU:  виртуальная панорама, цифровое тематическое картографирование, виртуальный тур, панорамная съемка, сферическая панорама, монтаж 3D-тура
Ключевые слова_EN:  virtual panorama, digital thematic mapping, virtual tour, panoramic shooting, spherical panorama, 3D tour design
Библиографический список:  1. Берлянт A. M. Виртуальные геоизображения. – М. : Научный мир, 2001. – 56 с.
2. Стратегия цифровой трансформации Сибирского государственного университета геосистем и технологий на 2022–2030 гг. [Электронный ресурс]. – Режим доступа: https://sgugit.ru/upload/science-andinnovations/С%20защитой_Стратегия%20ЦТ-22-30-СГУГиТ-ИТОГ.pdf?ysclid=l6bwk8g9p6628078322.
3. Как сделать виртуальный 3D тур из сферических 3D панорам 360. Вокруг 3D [Электронный ресурс]. – Режим доступа: https://vokrug3d.ru/virtualnye-tury/kak-sdelat-virtualnuyu-ekskursiyu-3d-tur-panorama.html.
4. Артамонова А. А., Пелина А. Н., Кузякина М. В. Виртуальные панорамные туры как средство популяризации туристских объектов // Курортно-рекреационный комплекс в системе регионального развития: инновационные подходы. – 2017. – № 1. – С. 357–360.
5. Коптенок Е. В., Савенко А. В., Трунников М. В. и др. Разработка сервиса для автоматизированного создания виртуальных панорамных туров по локациям средствами Yandex Maps API [Электронный ресурс] // Техника. Технологии. Инженерия. – 2020. – № 1 (15). – С. 9–13. – Режим доступа: https://moluch.ru/th/8/archive/152/4853/.
6. Gusti N., Mega N., Anthony S., Yudiastra P. P. Knowledge Discovery And Virtual Tour To Support Tourism Promotion // IAIC Transactions on Sustainable Digital Innovation (ITSDI). – 2020. – No 2 (2). – Р. 94–106. – DOI 10.34306/itsdi.v2i2.387.
7. Дмитриев В. С. Современные средства для разработки панорамных туров в сфере образования // Фундаментальные основы инновационного развития науки и образования : сб. ст. II Междунар. науч.- практ. конф. в 3 ч. – Пенза : Наука и Просвещение, 2018. Ч. 1. – С. 103–105.
8. Aznoora O., Nur I., Wahab A. N., Norfiza I. Interactive Virtual Campus Tour using Panoramic Video: A Heuristic Evaluation // Journal of Computing Research and Innovation. – 2020. – No. 5. – Р. 1–7. – DOI 10.24191/jcrinn.v5i4.160.
9. Коптенок Е. В., Лагерев Н. В., Савенко А. В., Фомин И. И. Методы построения виртуальных панорамных туров // Физико-техническая информатика (CPT 2020) : материалы 8-й Междунар. конф. – Н. Новгород, 2020. – С. 85–88.
10. Дмитриев Д. А., Филинских А. Д. Создание виртуальных экскурсий // КОГРАФ-2018 : сб. материалов 28-й Всероссийской науч.-практ. конф. по графическим информационным технологиям и системам. – Н. Новгород : Нижегородский государственный технический ун-т им. Р. Е. Алексеева, 2018. – С. 32–38.
11. Алсадаева Л. П., Шулунова И. Р. Виртуальные туры: структура и создание // Образование и наука : сб. ст. национальной науч.-практ. конф. – Улан-Удэ : Бурятский государственный ун-т им. Доржи Банзарова, 2020. – С. 213–218.
12. Булаев А. А., Жидков А. В. Разработка виртуального 3D-тура УЛГУ // Ученые записки УлГУ. Сер. Математика и информационные технологии. – 2020. – № 2. – С. 1–6.
13. Boukerch I., Takarli B., Saidi K., Karich M., Meguenni M. Development of panoramic virtual tours system based on low cost devices // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 2021. – XLIII-B2-2021. – Р. 869–874. – DOI 10.5194/isprs-archivesXLIII-B2-2021-869-2021.
14. Chi X., Qiao C., Jiangchuan L., Zhi W., Yueming H. Smartphone-Based Crowdsourcing for Panoramic Virtual Tour Construction // IEEE International Conference on Multimedia & Expo Workshops (ICMEW). – 2018. – Р. 1–4. – DOI 10.1109/ICMEW.2018.8551525.
15. Филинских А. Д., Бабинова М. В., Шутов А. А. Виртуальный тур по СОК «Ждановец»: от идеи до прогулки // КОГРАФ-2021 : сб. материалов 31-й Всероссийской науч.-практ. конф. по графическим информационным технологиям и системам. – Н. Новгород : Нижегородский государственный технический ун-т им. Р. Е. Алексеева, 2021. – С. 136–143.
16. Зорин В. Пошаговый план создания сферической 3D панорамы : метод. пособие. Школа панорамной фотографии. – 2018. – 15 с.
17. Lai J.-S., Peng Y.-C., Chang M.-J., Huang J.-Y. Panoramic Mapping with Information Technologies for Supporting Engineering Education: A Preliminary Exploration // ISPRS International Journal of Geo-Information. – 2020. – No. 9 (11). – P. 689. – DOI 10.3390/ijgi9110689.
18. Жаксыбава Ж., Сейдалиева Г. О. Технологии создания виртуальных туров // Colloquiumjournal. – 2018. – № 4–1 (15). – С. 30–34.
19. Koptenok E., Lagereva N., Savenko A., Fomin I. Methods for constructing virtual panoramic tours // International Conference «Computing for Physics and Technology – CPT 2020». – 2020. – С. 85–88. – DOI 10.30987/conferencearticle_5fd755bfc5fd33.19622200.
20. Ткаченко И. С., Зори С. А. Исследование методов создания сферических панорам для систем виртуальной реальности // Программная инженерия: методы и технологии разработки информационно-вычислительных систем (ПИИВС-2020) : сб. науч. тр. III Междунар. науч.-практ. конф. (студ. секция). – Донецк, 2020. – С. 138–143.
21. Шардаков В. М., Тлегенова Т. Е., Пирязев М. М., Кобылкин Д. С. Проектирование модели виртуального тура в Оренбургском государственном университете // Современные наукоемкие технологии. – 2021. – № 3. – С. 101–105.
22. Maícas J. M., Viñals M. J. Design of a Virtual Tour for the Enhancement of Llíria’S Architectural and Urban Heritage and Its Surroundings // Virtual Archaeology Review. – 2017. – Vol. 8 (17). – Р. 42–48. – DOI 10.4995/var.2017.5845.
23. Neovesky A., Peinelt J. A Virtual Tour to the Inscriptions of the UNESCO World Heritage Site St. Michael in Hildesheim // Electronic Visualisation and the Arts (EVA 2015). – London, UK, 2015. – P. 285–290. – DOI 10.14236/ewic/eva2015.31.
24. Калинин А. А., Карпова А. А., Кулишова А. Д. Концепция создания виртуального панорамного тура по гостиничному комплексу «Царская деревня» // Вестник Ассоциации вузов туризма и сервиса. – 2019. – Т. 13, № 2. – С. 52–57.
25. Виртуальные туры и панорамы [Электронный ресурс]. – Режим доступа: http://3dtur360.ru (дата обращения 11.02.2022).
26. Орлова Н. В. Методы и технологии обучения IT-специалистов синтезу 3D-изображений и разработке 3D-туров // Современные информационные технологии и ИТ-образование. – 2014. – № 10. – С. 140–144.
27. Баландина И. В., Баландин А. А. Обзор программных продуктов для создания веб-ориентированной системы «Виртуальный тур по ШГПУ» // Молодой ученый. – 2016. – № 10 (114). – С. 33–35. – Режим доступа: https://moluch.ru/archive/114/29920/ (дата обращения: 11.02.2022).
28. Frank E. A. Framework for Interactive Virtual Tours // European Journal of Electrical Engineering and Computer Science. – 2019. – No. 3 (6). – Р. 1–7. – DOI 10.24018/ejece.2019.3.6.153.
Ссылка:  /upload/vestnik/sborniki/2022/27_4/74-87.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  А. А. Колесников
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Название статьи:  Возможности NOSQL СУБД для обработки пространственных данных
Рубрика:  Картография и геоинформатика
Начало_Страница:  95
Конец_Страница:  106
УДК:  004.6:528.9
DOI:  10.33764/2411-1759-2022-27-3-95-106
Год:  2022
Номер:  3
Том:  27
Ключевые слова_RU:  СУБД, пространственные данные, методы обработки, пространственный анализ, искусственный интеллект, машинное обучение
Ключевые слова_EN:  DBMS, spatial data, processing methods, spatial analysis, artificial intelligence, machine learning
Библиографический список:  1. Тимофеева Н. Е., Дмитриева К. А. Сравнительный анализ реляционной и нереляционной модели хранения служебной информации централизованной распределенной базы данных // Вестник Российского нового университета. Серия: сложные системы, модели, анализ и управление. – 2019. – Т. 1. – C. 66–74.
2. Ali W., Shafique M. U., Majeed M. A., Raza A. Comparison between SQL and NoSQL Databases and Their Relationship with Big Data Analytics // Asian Journal of Research in Computer Science. –2019. – Vol. 4(2). – P. 1–10. doi: 10.9734/ajrcos/2019/v4i230108.
3. Reniers V., Rafique A., Van Landuyt D. Object-NoSQL Database Mappers: a benchmark study on the performance overhead // Journal of Internet Services and Applications – 2017. – Vol. 8. – 1. doi: 10.1186/s13174-016-0052-x.
4. Győrödi C. A., Dumşe-Burescu D. V., Zmaranda D. R., Győrödi R. Ş., Gabor G. A., Pecherle G. D. Performance Analysis of NoSQL and Relational Databases with CouchDB and MySQL for Application’s Data Storage // Applied Sciences. – 2020. – Vol. 10 (23). – P. 8524. doi: 10.3390/app10238524.
5. Shmueli G. Research Dilemmas with Behavioral Big Data // Big Data. –2017. – Vol. 5(2). – P. 98–119. doi: 10.1089/big.2016.0043.
6. Королева Ю. А., Маслова В. О., Козлова В. К. Разработка концепции миграции данных между реляционными и нереляционными системами БД // Программные продукты и системы. – 2019. – Т. 1. – C. 63–67.
7. Hasan M. Performances analysis of NoSQL and relational databases for analyzing GeoJSON spatial data // Перспективы науки. –2019. – Т. 7. – C. 40–42.
8. Mabele B. C. P. Fundamentals of the geographic information database of the specially protected natural areas of the Republic of Congo // Изв. вузов. Геодезия и аэрофотосъемка. – 2020. – Т. 64 (5). – С. 596–607.
9. Preuveneers D., Joosen W. Automated Configuration of NoSQL Performance and Scalability Tactics for Data-Intensive Applications // Informatics. – 2020. – Vol. 7(3). – P. 29. doi: 10.3390/informatics7030029.
10. Kabakus A. T., Kara R. A performance evaluation of in-memory databases // Journal of King Saud University – Computer and Information Sciences. – 2017. – Vol. 29 (4). – P. 520–525. doi: 10.1016/j.jksuci.2016.06.007.
11. Laksmita N., Apriliyanto E., Pandu I., Rini K. Comparison of NoSQL Database Performance with SQL Server Database on Online Airplane Ticket Booking // Indonesian Journal of Applied Informatics. – 2020. – Vol. 4(2). – P. 64–75. doi: 10.20961/ijai.v4i2.38956.
12. Wisal K., Ejaz A., Waseem S. Predictive Performance Comparison Analysis of Relational & NoSQL Graph Databases // International Journal of Advanced Computer Science and Applications(IJACSA). – 2017. – Vol. 8(5). doi: 10.14569/IJACSA.2017.080564.
13. Guo D., Onstein E. State-of-the-Art Geospatial Information Processing in NoSQL Databases // ISPRS International Journal of Geo-Information. – 2020. – Vol. 9(5). – P. 331. doi: 10.3390/ijgi9050331.
14. Бёрнс Б. Designing Distributed Systems: Patterns and Paradigms for Scalable, Reliable services / Б. Бёрнс. – O’Reilly Media, 2018. – 166 с.
15. Holubová I., Scherzinger S. Unlocking the potential of NextGen multi-model databases for semantic big data projects // In Proceedings of the International Workshop on Semantic Big Data (SBD '19). – 2019. – Vol. 6. – P. 1–6. doi: 10.1145/3323878.3325807.
16. Divya C., Bansal K. L. Using the Advantages of NOSQL: A Case Study on MongoDB // International Journal on Recent and Innovation Trends in Computing and Communication. – 2017. – 5.2. – P. 90–93.
17. Webber J. A programmatic introduction to neo4j // Proceedings of the 3rd annual conference on Systems, programming, and applications: software for humanity. – 2012. – С. 217–218.
18. Dominguez-Sal D., Urbon-Bayes P., Gimenez-Vano A., Gomez-Villamor S., Martınez-Bazan N., Larriba-Pey J.L. Survey of graph database performance on the HPC scalable graph analysis benchmark // Proceedings of the 2010 International Conference on Web-age Information Management (WAIM'10). Berlin, Heidelberg, Springer-Verlag, 2010. – P. 37–48.
19. Yamaguchi S., Morimitsu Y. Improving Dynamic Scaling Performance of Cassandra // IEICE Transactions on Information and Systems. – 2017. – Vol.E100.D(4). – P. 682–692. doi: 10.1587/transinf.2016DAP0009.
20. Беладинович С. Новый подход к проектированию гибридных баз данных SQL. NoSQL на основе данных. Структурированность // Информационные системы предприятия. – 2018. – С. 1–19.
21. Demidova L., Nikulchev E., Sokolova Yu. Big data classification using the SVM classifiers with the modified particle swarm optimization and the SVM ensembles // International journal of advanced computer science and applications. – 2016. – Vol. 7(5). – P. 294–312.
Ссылка:  /upload/vestnik/sborniki/2022/27_3/95-106.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  А. А. Колесников
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Российская Федерация
Название статьи:  Анализ методов и средств искусственного интеллекта для анализа и интерпретации данных активного дистанционного зондирования
Рубрика:  Картография и геоинформатика
Начало_Страница:  74
Конец_Страница:  94
УДК:  004.8:528.8
DOI:  10.33764/2411-1759-2022-27-3-74-94
Год:  2022
Номер:  3
Том:  27
Ключевые слова_RU:  искусственный интеллект, активное дистанционное зондирование, обработка данных, машинное обучение, облака точек
Ключевые слова_EN:  artificial intelligence, active remote sensing, data processing, machine learning, point clouds
Библиографический список:  1. Zhu X. X., Tuia D., Mou L., Xia G. S., Zhang L., Xu F., Fraundorfer F. Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources // IEEE Geoscience and Remote Sensing Magazine. – 2017. – P. 8–36.
2. Engelmann F., Kontogianni T., Schult J., Leibe B. Know what your neighbors do: 3D semantic segmentation of point clouds // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). – 2019. – Vol. 11131 LNCS. – P. 395–409.
3. Yu L., Li X., Fu C. W., Cohen-Or D., Heng P. A. PU-Net: Point Cloud Upsampling Network // IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2018. – P. 2790–2799.
4. Dudgeon D. E., Lacoss R. T., Moreira A. An overview of automatic target recognition // The Lincoln Laboratory Journal. – 1993. – Vol. 6. – P. 3–10.
5. Chen S., Wang H. SAR target recognition based on deep learning // International Conference on Data Science and Advanced Analytics. – 2014. – P. 541–547
6. Keydel E. R., Lee S. W., Moore J. T. MSTAR extended operating conditions: a tutorial // SPIE 2757, Algorithms for Synthetic Aperture Radar Imagery III. – 1996.
7. Chen S., Wang H., Xu F., Jin Y. Q. Target classification using the deep convolutionalnetworks for SAR images // IEEE Transactions on Geoscience and Remote Sensing. – Vol. 54, No. 8. – 2016. – P. 4806–4817.
8. Morgan D. Deep convolutional neural networks for ATR from SAR imagery // SPIE 9475, Algorithms for Synthetic Aperture Radar Imagery XXII. – 2015.
9. Ding J., Chen B., Liu H., Huang M. Convolutional neural network with dataaugmentation for SAR target recognition // IEEE Geoscience and Remote Sensing Letters. – Vol. 13, No. 3. – 2016. – P. 364–368.
10. Du K., Deng Y., Wang R., Zhao T., Li N. SAR ATR based on displacement- and rotation-insensitive CNN // Remote Sensing Letters. – 2016. – Vol. 7, No. 9. – P. 895–904.
11. Wilmanski M., Kreucher C., Lauer J. Modern approaches in deep learning for SAR ATR // SPIE 9843, Algorithms for Synthetic Aperture Radar Imagery XXIII. – 2016.
12. Cui Z., Cao Z., Yang J., Ren H. Hierarchical recognition system for target recognitionfrom sparse representations // Mathematical Problems in Engineering. – 2016. – Vol. 2015, No. 527095.
13. Wagner S. A. SAR ATR by a combination of convolutional neural network and supportvector machines // IEEE Transactions on Geoscience and Remote Sensing. – Vol. 52, No. 6. – 2016. – P. 2861–2872.
14. Bentes C., Frost A., Velotto D., Tings B. Ship-iceberg discrimination with con-volutional neural networks in high resolution SAR images // European Conference onSynthetic Aperture Radar (EUSAR). – 2016.
15. Schwegmann C., Kleynhans W., Salmon B., Mdakane L., Meyer R. Very deep learn-ing for ship discrimination in Synthetic Aperture Radar imagery // IEEE InternationalGeoscience and Remote Sensing Symposium (IGARSS). – 2016.
16. Ødegaard N., Knapskog A.O., Cochin C., Louvigne J.C. Classification of ships using real and simulated data in a convolutional neural network // IEEE RadarConference (RadarConf). – 2016.
17. Song Q., Xu F., Jin Y.Q. Deep SAR image generative neural network and auto-construction of target feature space // IEEE International Geoscience and RemoteSensing Symposium (IGARSS). – 2017.
18. Jin Y. Q., Xu F. Polarimetric scattering and SAR information retrieval // Wiley-IEEE. –2013.
19. Xu F., Jin Y.Q., Moreira A. A preliminary study on SAR advanced information retrieval and scene reconstruction // IEEE Geoscience and Remote Sensing Letters. – 2016. – Vol. 13, No. 10. – P. 1443–1447.
20. Hie H., Wang S., Lie K., Lin S., Hou B. Multilayer feature learning for polarimetricsynthetic radar data classification // IEEE International Geoscience and Remote SensingSymposium (IGARSS). – 2014.
21. Geng J., Fan J., Wang H., Ma X., Li B., Chen F. High-resolution SAR image classification via deep convolutional autoencoders // IEEE Geoscience and Remote Sensing Letters. – 2015. – Vol. 12, No. 11. – P. 2351–2355.
22. Geng J., Wang H., Fan J., Ma X. Deep supervised and contractive neural networkfor SAR image classification // IEEE Transactions on Geoscience and Remote Sensing. – 2017. – Vol. 55, No. 4. – P. 2442–2459.
23. Lv Q., Dou Y., Niu X., Xu J., Xu J., Xia F. Urban land use and land cover classification using remotely sensed SAR data through deep belief networks // Journal of Sensors. – 2015. – Vol. 2015, No. 538063.
24. Hou B., Kou H., Jiao L. Classification of polarimetric SAR images using multi-layer autoencoders and superpixels // IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing. – 2016. – Vol. 9, No. 7. – P. 3072–3081.
25. Zhang L., Ma W., Zhang D. Stacked sparse autoencoder in PolSAR data classification using local spatial information // IEEE Geoscience and Remote Sensing Letters. – 2016. – Vol. 13, No. 9. – P. 1359–1363.
26. Qin F., Guo J., Sun W. Object-oriented ensemble classification for polarimetric SARimagery using restricted Boltzmann machines // Remote Sensing Letters. – 2017. – Vol. 8, No. 3. – P. 204–213.
27. Zhao Z., Jiao L., Zhao J., Gu J., Zhao J. Discriminant deep belief network for high-resolution SAR image classification // Pattern Recognition. – Vol. 61. – 2017. – P. 686–701.
28. Zhang L., Lu D., Moon W. M. PolSAR Image Classification based on QCEA-optimized BP Neural Network // CGU - CSSS. – 2014.
29. Adam A., Grammatikopoulos L., Karras E., Protopapadakis E., Karantzalos K. A semantic 3D point cloud segmentation approach based on optimal view selection for // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 6th International Workshop LowCost 3D – Sensors, Algorithms, Applications. Strasbourg. – 2019. – Vol. XLII-2/W17.
30. Riemenschneider H., Bdis-Szomor A., Weissenberg J., Gool L. Learning where to classify in multi-view semantic segmentation // In Proceedings European Conference on Computer Vision. – 2014.
31. Shao Z., Zhang L., Wang L. Stacked Sparse Autoencoder Modeling Using the Synergy of Airborne LiDAR and Satellite Optical and SAR Data to Map Forest Above-Ground Biomass // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. – 2017. – Vol. 10, No. 12. – P. 5569–5582.
32. Qi C. R., Su H., Mo K., Guibas L. J. PointNet: Deep learning on point sets for 3D classification and segmentation // Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017. – 2017. – P. 77–85.
33. Li J., Chen B. M., Lee G. SO-Net: Self-Organizing Network for Point Cloud Analysis // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2018. – P. 9397–9406.
34. Weiss U., Biber P., Laible S., Bohlmann K., Zell A. Plant species classification using a 3D LIDAR sensor and machine learning // 9th International Conference on Machine Learning and Applications, ICMLA 2010. – 2010. – P. 339–345.
35. Yao X., Guo J., Hu J., Cao Q. Using deep learning in semantic classification for point cloud data // IEEE Access. – 2019.
36. Briechle S., Krzystek P., Vosselman G. Semantic labeling of als point clouds for tree species mapping using the deep neural network pointnet++ // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – ISPRS Archives 42(2/W13). – 2019. – Vol. 42(2/W13). – P. 951–955.
37. Qi C. R., Yi L., Su H., Guibas L. J. PointNet++: Deep hierarchical feature learning onpoint sets in a metric space // Proceedings Advances in Neural Information Processing Systems. – 2017.
38. Landrieu L., Simonovsky M. Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. – Salt Lake City. – 2018.
39. Yang M., Förstner W. Plane Detection in Point Cloud Data // Proceedings of the 2nd International Conference on Machine Control Guidance. Bonn. – 2010. – Vol. 1. – P. 95–104.
40. Li C., Zaheer M., Zhang Y., Poczos B., Salakhutdinov R. R. Point cloud GAN // Deep Generative Models for Highly Structured Data, DGS@ICLR 2019 Workshop. – 2019.
41. Marulanda F. G., Libin P., Verstraeten T., Nowé A. IPC-Net: 3D point-cloud segmentation using deep inter-point convolutional layers // International Conference on Tools with Artificial Intelligence, ICTAI. – 2018. – P. 293–301.
42. Uy M. A., Lee G. PointNetVLAD: Deep Point Cloud Based Retrieval for Large-Scale Place Recognition // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2018. – P. 4470-4479.
43. Zhou Y., Tuzel O. VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2018. – P. 4490-4499.
44. Yi L., Zhao W., Wang H., Sung M., Guibas L. J. GSPN: Generative shape proposal network for 3D instance segmentation in point cloud // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2019. – P. 3942–3951.
45. Yang Y., Feng C., Shen Y., Tian D. FoldingNet: Point Cloud Auto-Encoder via Deep Grid Deformation // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2018. – P. 206215.
46. Yotsumata T., Sakamoto M., Satoh T. Quality improvement for airborne lidar data filtering based on deep learning method // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 2020. – Vol. XLIII-B2-2020. – P. 355–360.
47. Gülch E., Obrock L. S. Automated semantic modelling of building interiors from images and derived point clouds based on deep learning methods // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 2020. – Vol. XLIII-B2-2020. – P. 421–426.
48. Tchapmi L. P., Choy C. B., Armeni I., Gwak J. Y., Savarese S. Segcloud: Semantic segmentationof 3d point clouds // International Conference on 3D Vision(3DV). – 2017.
49. Dai A., Chang A. X., Savva M., Halber M., Funkhouser T., Niener M. Scannet: Richly annotated 3D reconstructions of indoor scenes // Proceedings Computer Vision and Pattern Recognition (CVPR). – 2017.
50. Riegler G., Ulusoy A.O., Geiger A. Oct-net: Learning deep 3d representations at high resolutions // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2017.
51. Su H., Jampani V., Sun D., Maji S., Kalogerakis E., Yang M., Kautz J. SPLATNet: Sparse Lattice Networks for Point Cloud Processing // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2018. – P. 2530–2539.
52. Graham B. Sparse 3d convolutional neural networks // British Machine Vision Conference. – 2015.
53. Adams A., Baek J., Davis M.A. Fast high-dimensional filtering using the permutohedral lattice // Proceedings Computer Graphics Forum. – 2010. – Vol. 28. – P. 753–762.
54. Hermosilla P., Ritschel T., Vazquez P.P., Vinacua A., Ropinski T. Monte-Carlo convolution for learning on non-uniformly sampled point clouds // ACM Transactions on Graphics (Proceedings of SIGGRAPH Asia 2018). – 2018.
55. Li Y., Rui B., Mungchao S., Wei W., Xinhan D., Baoquan C. PointCNN: Convolution On X-Transformed Points // NeurIPS 2018. – 2018.
56. Pan H., Liu S., Liu Y., Tong X. Convolutional neural networks on 3D surfaces using parallel frames. – 2018. – arxiv preprint arXiv: 1808.04952.
57. Tatarchenko M., Park J., Koltun V., Zhou Q. Tangent convolutions for dense predictionin 3D // CVPR. – 2018.
58. Gall Y. L., Thomas H., Goulette F., Deschaud J., Marcotegui B. Semantic Classification of 3D Point Clouds with Multiscale Spherical Neighborhoods // 2018 International Conference on 3D Vision (3DV). Verone. – 2018.
59. Choy C. B., Xu D., Gwak J., Chen K., Savarese S. 3D-r2n2: A unified approach for single and multiview 3D object reconstruction // Proceedings of the European Conference on Computer Vision (ECCV). – 2016.
60. Zeng A., Song S., Niener M., Fisher M., Xiao J., Funkhouser T. 3Dmatch: Learning the matching of local 3D geometry in range scans // CVPR. – 2017.
61. Zhao Y., Li X., Huang H., Zhang W., Zhao S., Makkie M., Zhang M., Li Q., Liu T. 4D Modeling of fMRI Data via Spatio-Temporal Convolutional Neural Networks (ST-CNN) // IEEE Transactions on Cognitive and Developmental Systems. – 2019.
62. Choy C., Gwak J., Savarese S. 4D Spatio-Temporal ConvNet: Minkowski Convolutional Neural Network // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2019.
63. Абросимов М. А., Бровко А. В. Метод нормализации облака точек, подлежащего обработке с помощью искусственной нейронной сети // Информационно-коммуникационные технологии в науке, производстве и образовании ICIT-2017. – Воронеж, 2017. – С. 262–268.
64. Бабаев А. М. Нейросетевые технологии распознавания трехмерных объектов // Международный журнал гуманитарных и естественных наук. – 2019. – Т. 39, No. 12-2. – C. 74–76.
65. Каздорф С. Я., Першина Ж. С. Алгоритм семантической сегментации трехмерных сцен // Cloud of Science. – 2019. – Vol. 6, No. 3. – P. 451–461.
66. Aoki Y., Goforth H., Srivatsan R. A., Lucey S. Pointnetlk: Robust & efficient point cloud registration using pointnet // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2019. – P. 7156–7165.
67. Zaganidis A., Sun L., Duckett T., Cielniak G. Integrating Deep Semantic Segmentation into 3-D Point Cloud Registration // IEEE Robotics and Automation Letters. – 2018. – Vol. 3, No. 4. – P. 2942–2949.
68. Neidhart H., Sester M. Identifying building types and building clusters using 3D-laser scanning and GIS-data // Machine Learning. – 2003.
69. Zhang B., Huang S., Shen W., Wei Z. Explaining the PointNet: What Has Been Learned Inside the PointNet? // IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). – 2019. – P. 71–74.
Ссылка:  /upload/vestnik/sborniki/2022/27_3/74-94.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  Т. С. Молокина
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Россия
Автор2:  А. А. Колесников
Афиилиация2:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Россия
Название статьи:  Анализ состояния и перспективы развития визуализации пространственных данных
Рубрика:  Картография и геоинформатика
Начало_Страница:  73
Конец_Страница:  82
УДК:  528.9
DOI:  10.33764/2411-1759-2021-26-4-73-82
Год:  2021
Номер:  4
Том:  26
Ключевые слова_RU:  геовизуализация, геоаналитика, восприятие, большие данные, искусственный интеллект, определение геовизуализации, схема этапов геовизуализации, связи научных направлений
Ключевые слова_EN:  geovisualization, geoanalytics, perception, big data, artificial intelligence, geovisualization definition, geovisualization stages diagram, scientific directions
Библиографический список:  1. Gunnink J. L., Burrough P. A. Interactive spatial analysis of soil attribute patterns using exploratory data analysis (EDA) and GIS // Spatial Analytical Perspectives on GIS. – 2019. doi:10.1201/9780203739051-6.
2. Robinson A. C., Demšar U., Moore A. B., Buckley A., Jiang B., Field K., Kraak M.-J., Camboim S. P., Sluter C. R. Geospatial big data and cartography: research challenges and opportunities for making maps that matter // International Journal of Cartography. – 2017. – Vol. 3 (1). – P. 32–60. doi: 10.1080/23729333.2016.1278151.
3. Янкелевич С. С., Радченко Л. К., Антонов Е. С. От многоцелевого картографического ресурса к «Умной карте» // Вестник СГУГиТ. – 2018. – Т. 23, № 1. – С. 142–155.
4. Карпик А. П., Лисицкий Д. В. Перспективы развития геодезического и перспективы развития геодезического и картографического производства и новая парадигма геопространственной деятельности // Вестник СГУГиТ. – 2020. – Т. 25, № 2. – С. 19–29.
5. Лисицкий Д. В. Перспективы развития картографии: от системы «Цифровая Земля» к системе виртуальной реальности // Вестник СГГА. – 2013. – Вып. 2 (22). – С. 8–16.
6. Ghosh S., Neha K. Sales Analysis and Performance of Super Store Using Qlik GeoAnalytics // Advances in Computational Intelligence and Informatics. – Singapore : Springer, 2020. – P. 151–157. doi: 10.1007/978-981-15-3338-9_19.
7. Jern M., Franzen J. GeoAnalytics - Exploring spatio-temporal and multivariate data // Tenth International Conference on Information Visualisation (IV'06). – London, England, 2006. – P. 25–31. doi: 10.1109/IV.2006.1.
8. Andrienko G., Andrienko N., Jankowski P., Keim D., Kraak M. J., MacEachren A. M., Wrobel S. Geovisual analytics for spatial decision support: Setting the research agenda // International Journal of Geographic Information Science. – 2007. – Vol. 21(8). – P. 839–857. doi: 10.1080/13658810701349011.
9. Rhyne T. M., MacEachren A. M., Gahegan M., Pike W., Brewer I., Cai G., Lengerich E., Hardisty F. Geovisualization for Knowledge Construction and Decision Support // IEEE Computer Graphics and Applications. – 2004. – Vol. 24(1). – P. 13–17. doi: 10.1109/MCG.2004.1255801.
10. Coltekin A., Janetzko H., Fabrikant S. I. Geovisualization. Geographic Information Science & Technology Body of Knowledge (2nd Quarter 2018 Edition). – University of Zurich, 2018. doi: 10.22224/gistbok/2018.2.6.
11. Mohan M. Geospatial information from satellite imagery for geovisualisation of smart cities in India // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 2016. – Vol. XLI-B8. – P. 979–985. doi: 10.5194/isprs-archives-XLI-B8-979-2016.
12. Balla D., Zichar M., Tóth R., Kiss E., Karancsi G., Mester T. Geovisualization Techniques of Spatial Environmental Data Using Different Visualization Tools // Applied Sciences. – MDPI, 2020. – Vol. 10 (19). doi: 10.3390/app10196701.
13. Jiang B., Huang B., Vasek V. Geovisualisation for Planning Support Systems // Planning Support Systems in Practice. Advances in Spatial Science. – Springer, Berlin, Heidelberg, 2003. – P. 177–191. doi: 10.1007/978-3-540-24795-1_10.
14. Valêncio C., Kawabata T., Medeiros C., Souza R., Machado J. 3D Geovisualisation Techniques Applied in Spatial Data Mining // 9th international conference on Machine Learning and Data Mining in Pattern Recognition. – 2013. – P. 57–68. doi: 10.1007/978-3-642-39712-7_5.
15. Hepburn J., Fairbairn D. Testing geovisualisations for effective environmental engineering decisionmaking // Abstracts of the ICA. – 2019. – Vol. 1. – P. 111–112. doi: 10.5194/ica-abs-1-111-2019.
16. Çay D., Nagel T., Yantac E. What is happening in the city? A case study for user-centred geovisualisation design // Journal of Location Based Services. – 2019. – Vol. 13. – P. 1–23. doi: 10.1080/17489725.2019.1630680.
17. Rhyne T. M., MacEachren A. M., Gahegan M., Pike W., Brewer I., Cai G., Lengerich E., Hardisty F. Geovisualization for Knowledge Construction and Decision Support // IEEE Computer Graphics and Applications. – 2004. – Vol. 24 (1). –– P. 13–17. doi: 10.1109/MCG.2004.1255801.
18. Çöltekin A., Bleisch S., Andrienko G., Dykes J. Persistent challenges in geovisualization – a community perspective // International Journal of Cartography. – 2017. Vol. 3 (1). – P. 115–139. doi: 10.1080/23729333.2017.1302910.
19. Вицентий А. В., Шишаев М. Г., Порядин Т. А. К вопросу о когнитивном картографировании // Теоретические и прикладные вопросы науки и образования: сб. науч. тр. Международной научнопракт. конф. (г. Тамбов, 31 января 2015 г.) – Тамбов : ООО «Консалтинговая компания Юком», 2015. Ч. 12. – С. 45–46.
20. Вицентий А. В. Разработка технологии динамической когнитивной геовизуализации // Труды Кольского научного центра РАН. – 2015. – Вып. 3 (29). – С. 87–93.
21. Шишаев М. Г., Порядин Т. А. Проблема формирования эффективных картографических интерфейсов информационных систем для задач управления территориями // Труды Кольского научного центра РАН. – 2013. – Вып. 5 (18). – С. 69–76.
22. Бешенцев А. Н. Научные основы информационной концепции картографического метода исследования // Вестник СГУГиТ. – 2018. – Т. 23, № 1. – С. 85–110.
23. Brewer C. A., Hermann D., Maceachren A. M., Pickle L. W. Mapping Mortality: Evaluating Color Schemes for Choropleth Maps // Annals of the Association of American Geographers. – 1997. – Vol. 87 (3). – P. 411–438.
24. Верещака Т. В., Ковалева О. В. Изображение рельефа на картах: теория и методы (оформительский аспект). – М. : Науч. мир, 2016. – 178 с.
25. Востокова А. В., Кошель С.М., Ушакова Л. А. Оформление карт. Компьютерный дизайн : учеб. / Под ред. А. В. Востоковой. – М. : Аспект Пресс, 2002. – 288 с.
26. Гармиз И. В. Качество карт: Современные проблемы и методы. – Л. : Изд-во ЛГУ, 1989. – 209 с.
27. Устинов А. Г. К вопросу о семантике цвета в эргономике и дизайне. Дизайн знаковых систем: психолого-семиотические проблемы // Труды ВНИИТЭ. – 1984. – № 27. – С. 32–46.
28. Гаврилов Ю. В. Картографический дизайн. – Новосибирск : СГГА, 2013. – 145 с.
Ссылка:  /upload/vestnik/sborniki/2021/26_4/73-82.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  А. А. Колесников
Афиилиация1:  Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск
Автор2:  Д. В. Грищенко
Афиилиация2:  Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск
Название статьи:  Возможности использования web-технологий для визуализации данных, получаемых с помощью активных методов дистанционного зондирования
Рубрика:  Картография и геоинформатика
Начало_Страница:  130
Конец_Страница:  137
УДК:  528.94:004.4
DOI:  10.33764/2411-1759-2020-25-4-130-137
Год:  2020
Номер:  4
Том:  25
Ключевые слова_RU:  визуализация, пространственные данные, облака точек, web-сервис, октодерево, gLTF, JavaScript
Ключевые слова_EN:  visualization, spatial data, point clouds, web service, octree, gLTF, JavaScript
Библиографический список:  1. Behr J., Eschler P., Jung Y., Zöllner M. X3DOM: a DOM-based HTML5/X3D integration model // Web3D '09: Proceedings of the 14th International Conference on 3D Web Technology. – 2009. – P. 127–135. doi: 10.1145/1559764.1559784.
2. Evans A., Romeo M., Bahrehmand A., Agenjo J., Blat J. 3D Graphics on the Web: A Survey // Computers & Graphics. – 2014. – No. 41. – P. 43–61. doi: 10.1016/j.cag.2014.02.002.
3. Li L., Qiao X., Lu Q., Ren P., Lin R. Rendering optimization for mobile web 3D based on animation data separation and on-demand loading // IEEE Access. – 2020. – Vol. 8. – P. 88474–88486. doi: 10.1109/ACCESS.2020.2993613.
4. Potenziani M., Callieri M., Dellepiane M., Corsini M., Scopigno R. 3DHOP: 3D heritage online presenter // Computers & Graphics. – 2015. – No. 52. – P. 1–15. doi: 10.1016/j.cag.2015.07.001.
5. Елшина Т. Е., Утробина Е. С., Сысоев А. В. Визуализация модели горного рельефа для web-карт // Вестник СГУГиТ. – 2020. – Т. 25, №. 1. – С. 145–155.
6. Каленов Н. Е., Кириллов С. А., Соболевская И. Н., Сотников А. Н. Визуализация цифровых 3d-объектов при формировании виртуальных выставок // Russian Digital Libraries Journal. – 2020. – № 23 (3). – С. 418–432.
7. Бугаков П. Ю., Кацко С. Ю., Басаргин А. А., Воронкин Е. Ю. Анализ функциональных возможностей веб приложения Kepler.gl для визуализации и анализа больших наборов пространственных данных // Вестник СГУГиТ. – 2018. – Вып. 4 (23). – С. 155–164.
8. Сотников А. Н., Соболевская И. Н., Кириллов С. А., Чередниченко И. Н. Технологии визуализации 3d web-коллекций // Научный сервис в сети Интернет : труды XX Всероссийской научной конференции (17–22 сентября 2018 г., г. Новороссийск). – М. : ИПМ им. М. В. Келдыша, 2018. – С. 438–447.
9. Galeazzi F., Callieri M., Dellepiane M., Charno M., Richards J., Scopigno R. Web-based visualization for 3D data in archaeology: The ADS 3D viewer // Journal of Archaeological Science: Reports. – 2016. – No. 9. – P. 1–11. doi: 10.1016/j.jasrep.2016.06.045.
10. Gonizzi Barsanti S., Guidi G. 3D digitization of museum content within the 3D icons project // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS Annals). – 2013. – No. II-5/W1. – P. 151–156. doi: 10.5194/isprsannals-II-5-W1-151-2013.
11. Алтынцев М. А. Карпик П. А. Методика создания цифровых трехмерных моделей объектов инфраструктуры нефтегазодобывающих комплексов с применением наземного лазерного сканирования // Вестник СГУГиТ. – 2020. – Т. 25, № 2. – С. 121–139.
12. Анализ больших объемов данных [Электронный ресурс] // Технологии анализа данных BASEGROUP LABS. – Режим доступа: https://basegroup.ru/community/articles/very-large-data (дата обращения: 01.10.2020).
13. Hebel M., Arens M., Stilla U. Change detection in urban areas by object-based analysis and on-thefly comparison of multi-view ALS data // ISPRS Journal of Photogrammetry and Remote Sensing. – 2013. – No. 86. – P. 52–64. doi: 10.1016/j.isprsjprs.2013.09.005.
14. Armeni I., Sax A., Zamir A., Savarese S. Joint 2D-3D-Semantic Data for Indoor Scene Understanding // arXiv preprint. – 2017. – arXiv:1702.01105.
15. Williams J. Learning HTML5 game programming: a hands-on guide to building online games using Canvas, SVG, and WebGL. – Upper Saddle River, NJ: Addison-Wesley, 2012. – 142 p.
16. Rusu R. B., Cousins S. 3D is here: Point Cloud Library (PCL) // 2011 IEEE International Conference on Robotics and Automation. – Shanghai. – 2011. – P. 1–4. doi: 10.1109/ICRA.2011.5980567.
17. Bostock M., Ogievetsky V., Heer J. D-3: Data-Driven Documents // IEEE transactions on visualization and computer graphics. – 2011. – No. 17. – P. 2301–2309. doi:10.1109/TVCG.2011.185.
18. Point cloud compression framework for the Web / S. Renault, T. Ebner, I. Feldmann, O. Schreer // 2016 International Conference on 3D Imaging (IC3D), Liege. – 2016. – P. 1–8. doi: 10.1109/IC3D.2016.7823455.
19. Schütz M., Mandlburger G., Otepka J., Wimmer M. Progressive real time rendering of one billion points without hierarchical acceleration structures // Computer Graphics Forum. – 2020. – No. 39. – P. 51–64.
20. Sánchez-Aparicio L., Masciotta M., Alvarez J., Ramos L., Oliveira D., Jimenez J. A., Aguilera D., Monteiro P. Web-GIS approach to preventive conservation of heritage buildings // Automation in Construction. – 2020. – No. 118. doi: 10.1016/j.autcon.2020.103304.
21. Scianna A., La Guardia M., Scaduto M. Sharing on web 3D models of ancient theatres. A methodological workflow // ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. – 2016. – No. XLI-B2. – P. 483–490. doi: 10.5194/isprs-archives-XLI-B2-483-2016.
22. Zhang C., Florencio D., Loop C. Point cloud attribute compression with graph transform // 2014 IEEE International Conference on Image Processing, ICIP. – 2014. – P. 2066–2070. doi: 10.1109/ICIP.2014.7025414.
23. Alvarez M., Raposo J., Miranda M., Bello A., Barbero M. Web 3D: a CityGML viewer for crossdomain problem resolution // Applied Geomatics. – 2020. – No. 6. doi: 10.1007/s12518-020-00325-4.
24. De Paor D., Whitmeyer S., Bentley C. Сesium – a virtual globe with strong potential applications in geoscience education // GSA Abstracts with Programs. – 2020. – Vol. 48. – No. 2. doi: 10.1130/abs/2016NE-272098.
25. Chen Y., Shooraj E., Sabri S. From IFC to 3D tiles: An integrated open-source solution for visualising BIMs on Cesium // ISPRS International Journal of Geo-Information. – 2018. – No. 7(10). – P. 393–404. doi: 10.3390/ijgi7100393.
26. Gao Y., Cheung G., Maugey T., Frossard P., Liang Jie. 3D geometry representation using multiview coding of image tiles // IEEE International Conference on Acoustics, Speech and Signal Processing. – 2014. – P. 6157–6161. doi: 10.1109/ICASSP.2014.6854787.
Ссылка:  /upload/vestnik/sborniki/2020/25_4/130-137.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  П. Ю. Бугаков
Афиилиация1:  Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск
Автор2:  А. А. Колесников
Афиилиация2:  Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск
Название статьи:  Анализ функциональных возможностей офисных приложений для визуализации и оценки геоданных
Рубрика:  Картография и геоинформатика
Начало_Страница:  104
Конец_Страница:  119
УДК:  528.9:004
DOI:  10.33764/2411-1759-2019-24-4-104-119
Год:  2019
Номер:  4
Том:  24
Ключевые слова_RU:  визуализация, пространственные данные, геоинформация, тематическая карта, агрегирование данных, офисные приложения
Ключевые слова_EN:  visualization, spatial data, geoinformation, thematic map, data aggregation, office applications
Библиографический список:  1. Анализ больших объемов данных [Электронный ресурс] // Технологии анализа данных BASEGROUP LABS. – Режим доступа: https://basegroup.ru/community/articles/very-largedata (дата обращения: 01.02.2019).
2. Анализ функциональных возможностей вебприложения Kepler.gl для визуализации и анализа больших наборов пространственных данных / П. Ю. Бугаков, С. Ю. Кацко, А. А. Басаргин, Е. Ю. Воронкин // Вестник СГУГиТ. – 2018. – Т. 23, № 4. – С. 155–164.
3. Бугаков П. Ю. Принципы картографического отображения трехмерных моделей местности // Интерэкспо ГЕО-Сибирь-2012 : VIII Междунар. науч. конгр. : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия» : сб. материалов в 3 т. (Новосибирск, 10–20 апреля 2012 г.). – Новосибирск : СГГА, 2012. Т. 3. – С. 156–161.
4. Визуализация данных [Электронный ресурс] // Tadviser. – Режим доступа: https://www.tadviser.ru/index.php/Статья:Визуализация_данных (дата обращения: 01.05.2019).
5. Карпик А. П., Лисицкий Д. В. Электронное геопространство – сущность и концептуальные основы // Геодезия и картография. – 2009. – № 5. – С. 41–44.
6. Кацко С. Ю. Возможности информационно-аналитических ГИС в работе непрофессиональных пользователей с пространственной информацией // Вестник СГГА. – 2011. – Вып. 1 (14). – С. 76–80.
7. Использование машинного обучения для построения картографических изображений / А. А. Колесников, П. М. Кикин, Е. В. Комиссарова, Д. В. Грищенко // Междунар. науч.- практ. конф. «От карты прошлого – к карте будущего» : сб. науч. тр. в 3-х т. (28–30 ноября 2017 г.) / Отв. ред. С. В. Пьянков. – Пермь, Кудымкар, 2017. Т. 3. – С. 110–120.
8. Использование технологий машинного обучения при решении геоинформационных задач / А. А. Колесников, П. М. Кикин, Е. В. Комиссарова, Е. Л. Касьянова // ИнтерКарто/ИнтерГИС. – 2018. – Т. 24, № 2. – С. 371–384.
9. Лисицкий Д. В., Бугаков П. Ю., Нгуен Ань Тай. Трехмерная компьютерная картография: монография. – Новосибирск : СГУГиТ, 2016. – 179 с.
10. Лисицкий Д. В., Комиссарова Е. В., Колесников А. А. Теоретические основы и особенности мультимедийной картографии // Вестник СГУГиТ. – 2017. – Т. 22, № 3. – С. 72–87.
11. Лисицкий Д. В., Хорошилов В. С., Бугаков П. Ю. Картографическое отображение трехмерных моделей местности // Изв. вузов. Геодезия и аэрофотосъемка. – 2012. – № 2/1. – С. 98–102.
12. Мультимедийное направление в картографии / Д. В. Лисицкий, А. А. Колесников, Е. В. Комиссарова, П. Ю. Бугаков, В. С. Писарев // Изв. вузов. Геодезия и аэрофотосъемка. – 2014. – № 3. – С. 40–44.
13. Ромичева Е. В. Методы обработки и визуализации больших данных // Аллея науки. – 2017. – Т. 3, № 16. – С. 976–982.
14. Supporting novice to expert transitions in user interfaces / A. Cockburn, C. Gutwin, J. Scarr, S. Malacria // ACM Computing Surveys (CSUR). – 2015. – Vol. 47(2). – Article 31. – 36 p.
15. SketchInsight: Natural data exploration on interactive whiteboards leveraging pen and touch interaction / B. Lee, G. Smith, H. N. Riche, A. Karlson, S. Carpendale // 2015 IEEE Pacific Visualization Symposium (PacificVis). – 2015. – Vol. 1. – P. 199–206. doi: 10.1109/PACIFICVIS.2015.7156378.
16. Franks B. Taming the big data tidal wave: finding opportunities in huge data streams with advanced analytics. – John Wiley & Sons, Inc., 2012. – 336 p.
17. Nolan D., Perrett J. Teaching and Learning Data Visualization: Ideas and Assignments. – 2015 [Electronic resource]. – Mode of access : https://arxiv.org/abs/1503.00781v1.
18. Dr. Arvind Sathi. Big Data Analytics: Disruptive Technologies for Changing the Game. First Edition. – MC Press Online, LLC, 2012. – 98 p.
19. Visualizing geo-spatial data in science, technology and innovation / J. H. Kwakkel, S. Carley, J. Chase, S.W. Cunningham // Technological Forecasting and Social Change. – 2014. – Vol. 81. – P. 67–81.
20. Rzeszotarski J. M., Kittur A. Kinetica: Naturalistic Multi-touch Data Visualization // Proceedings of the 32nd Annual ACM Conference on Human Factors in Computing Systems, CHI ’14. – P. 897–906.
21. Data Visualization on Interactive Surfaces: A Research Agenda / P. Isenberg, T. Isenberg, T. Hesselmann, B. Lee, U. von Zadow, A. Tang // IEEE Computer Graphics and Applications. – 2013. – Vol. 33(2). – P. 16–24. doi: 10. 1109/MCG.2013.24.
22. Sadana R., Agnihotri M., Stasko J. Touching Data: A Discoverability-based Evaluation of a Visualization Interface for Tablet Computers. – 2018 [Electronic resource]. – Mode of access : https://arxiv.org/abs/1806.06084.
Ссылка:  /upload/vestnik/sborniki/2019/24_4/104-119.pdf
Читать далее