А. В. Матерухин

Детальная_Инф:  Да
Автор1:  Ю. В. Белышева
Афиилиация1:  Московский государственный университет геодезии и картографии, г. Москва, Российская Федерация
Автор2:  О. Г. Гвоздев
Афиилиация2:  Московский государственный университет геодезии и картографии, г. Москва, Российская Федерация
Автор3:  А. В. Матерухин
Афиилиация3:  Московский государственный университет геодезии и картографии, г. Москва, Российская Федерация
Название статьи:  Принципы автоматизируемой интерпретации и извлечения пространственных данных из наземных изображений с учетом их пространственно-временного контекста
Рубрика:  Картография и геоинформатика
Начало_Страница:  42
Конец_Страница:  51
УДК:  528.236.4
DOI:  10.33764/2411-1759-2025-30-4-42-51
Год:  2025
Номер:  4
Том:  30
Ключевые слова_RU:  пространственные данные, автоматизация, идентификация метеорологических явлений, интерпретация наземных изображений, искусственная нейронная сеть
Ключевые слова_EN:  spatial data, automation, identification of meteorological phenomena, interpretation of ground-based images, artificial neural network
Библиографический список:  1. Achiam O.J., Adler S., Agarwal S., et al. GPT-4 Technical Report. – 2023. – 100 p. – DOI 10.48550/arXiv.2303.08774.
2. Abramson J., Adler J., Dunger J., et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3 // Nature. – 2024. –Vol. 630. – Pp. 493–500. – DOI 10.1038/s41586-024-07487-w. – EDN XBTLYU.
3. Ravi N., Gabeur V., Hu R., et al. SAM 2: Segment Anything in Images and Videos // ArXiv. – 2024. – 42 p. – DOI 10.48550/arXiv.2408.00714.
4. Osco L., Wu Q., Lemos E., et al. The Segment Anything Model (SAM) for remote sensing applications: From zero to one shot // International Journal of Applied Earth Observation and Geoinformation. – 2023. – Vol. 124. – 21 p. – DOI 10.1016/j.jag.2023.103540. – EDN IEGPAF.
5. Andrychowicz M., Espeholt L., Li D., et al. Deep Learning for Day Forecasts from Sparse Observations // ArXiv. – 2023. – 26 p. – DOI 10.48550/arXiv.2306.06079.
6. Price I., Sanchez-Gonzalez A., Alet F., et al. Diffusion-based ensemble forecasting for mediumrange weather // ArXiv. – 2023. – 96 p. – DOI 10.48550/arXiv.2312.15796.
7. Белышева Ю. В., Матерухин А. В. Проблема оценки качества пространственно-временных данных, получаемых от системы метеорологических наблюдений // Приложение к журналу «Известия вузов. Геодезия и аэрофотосъемка». Сборник статей по итогам научно-технической конференции. – 2020. – № 11. – С. 149–151. – EDN NTAPMW.
8. Alerskans E., Lussana C., Nipen T., et al. Optimizing Spatial Quality Control for a Dense Network of Meteorological Stations // Journal of Atmospheric and Oceanic Technology. – 2022. – Vol. 39. – Pp. 973–984. – DOI 10.1175/JTECH-D-21-0184.1. – EDN TGQMQM.
9. Clayden A.W. Photographing meteorological phenomena. A Lecture delivered before the Royal Meteorological Society, March 16, 1898 // Quarterly Journal of the Royal Meteorological Society. – 1898. – Vol. 24. – Pp. 169–180. – DOI 10.1002/qj.49702410701.
10. Pro F., Dionelis N., Maiano L., et al. A Semantic Segmentation-Guided Approach for Groundto-Aerial Image Matching // IGARSS 2024 – 2024 IEEE International Geoscience and Remote Sensing Symposium. – 2024. – Pp. 2630–2635. – DOI 10.48550/arXiv.2404.11302.
11. Ye J., He J., Li W., et. al. SkyDiffusion: Ground-to-Aerial Image Synthesis with Diffusion Models and BEV Paradigm // ArXiv. – 2024. – 10 p. – DOI 10.48550/arXiv.2408.01812.
12. Zhu B., Ye Y., Dai J., et al. VDFT: Robust feature matching of aerial and ground images using viewpoint-invariant deformable feature transformation. – 2024. – Vol. 218. – Pp. 311–325. – DOI 10.1016/j.isprsjprs.2024.09.016. – EDN ZSOGKR.
13. Майоров А. А., Матерухин А. В., Белышева Ю. В. Идентификация метеорологических явлений на основе видовой информации // Известия высших учебных заведений. Геодезия и аэрофотосъемка. – 2023. – Т. 67, № 5. – С. 85–97. – DOI 10.30533/GiA-2023-068. – EDN MQILGR.
14. Сидорова Л. П. Метеорология и климатология. Ч. 1. Метеорология. – Екатеринбург : УрФУ, 2015. – 198 с. – EDN YMYHPN.
15. Наставление гидрометеорологическим станциям и постам. Вып. 3., Ч. 1. – Л. : Гидрометеоиздат, 1985. – 297 с.
16. Архив погоды в Корсакове [Электронный ресурс] // rp5.ru – URL: https://rp5.ru/Архив_погоды_в_Корсакове (дата обращения: 17.11.2024).
Образец цитирования:  Белышева Ю. В., Гвоздев О. Г., Матерухин А. В. Принципы автоматизируемой интерпретации и извлечения пространственных данных из наземных изображений с учетом их пространственно-временного контекста // Вестник СГУГиТ. – 2025. – Т. 30, № 4. – С. 42–51. – DOI 10.33764/2411-1759-2025-30-4-42-51
Ссылка:  /upload/vestnik/sborniki/2025/30_4/42-51.pdf
Читать далее

Детальная_Инф:  Да
Автор1:  О. Г. Гвоздев
Афиилиация1:  Московский университет геодезии и картографии (МИИГАиК), г. Москва, Российская Федерация
Автор2:  А. В. Матерухин
Афиилиация2:  Московский университет геодезии и картографии (МИИГАиК), г. Москва, Российская Федерация
Автор3:  А. А. Майоров
Афиилиация3:  Московский университет геодезии и картографии (МИИГАиК), г. Москва, Российская Федерация
Название статьи:  Сравнительный анализ методов определения сходства геополей
Рубрика:  Картография и геоинформатика
Начало_Страница:  120
Конец_Страница:  130
УДК:  550.8
DOI:  10.33764/2411-1759-2022-27-6-120-130
Год:  2022
Номер:  6
Том:  27
Ключевые слова_RU:  пространственное моделирование, геополе, оценка сходства
Ключевые слова_EN:  spatial modeling, geofield, similarity assessment
Библиографический список:  1. Господинов С. Г. Цифровое пространственное моделирование // Науки о Земле. – 2019. – № 3. – С. 4–15.
2. Андреева О. А. Пространственное моделирование объектов транспортной инфраструктуры // Наука и технологии железных дорог. – 2020. – Т. 4, № 2 (14). – С. 57–69.
3. Аскаров Р. А., Лакман И. А., Садикова Л. Ф., Карелин А. О., Аскарова З. Ф. Пространственное моделирование уровня смертности населения в зависимости от химического загрязнения атмосферного воздуха (на примере Республики Башкортостан) // Экология человека. –2019. – № 4. – С. 4–9.
4. Лакман И. А., Горшечникова А. В., Шамсутдинова Н. К., Прудников В. Б. Пространственное моделирование человеческого потенциала в Республике Башкортостан // Статистика и Экономика. – 2019. – Т. 16, № 4. – С. 35–44.
5. Кислов А. В., Константинов П. И. Детализированное пространственное моделирование температуры московского мегаполиса // Метеорология и гидрология. – 2011. – № 5. – С. 25–32.
6. Гвоздев О. Г., Майоров А. А., Матерухин А. В., Методика восстановления геополя на основе данных сети высокомобильных геосенсоров с использованием автоматического адаптивного метода определения параметров ядра локальной регрессии // Геодезия и картография. – 2021. – № 12. – С. 23–33. – DOI 10.22389/0016-7126-2021-978-12-23-33.
7. Демьянов В. В., Савельева Е. А. Геостатистика: теория и практика / под ред. Р. В. Арутюняна; Ин-т проблем безопасного развития атомной энергетики РАН. – М. : Наука, 2010. – 327 с.
8. Копнов М. В., Марков Н. Г. Восстановление двумерных геополей методами геостатистики // Проблемы информатики. – 2011. – № 2 (10). – С. 36–43.
9. Каневский М. Ф., Демьянов В. В., Савельева Е. А., Чернов С. Ю. Основные понятия и элементы геостатистики // Проблемы окружающей среды и природных ресурсов. – 1999. – № 11. – С. 26–32.
10. Каковкин П. А., Друки А. А. Применение нейросетевых алгоритмов для решения задачи восстановления двумерных геополей // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2016. – Т. 32, № 2. – С. 35–43.
11. Пашаев А. М., Садыхов Р. А., Илдыз Ф. Т., Караборк X. Т. Восстановление параметров геополей // Измерительная техника. – 2005. – № 12. – С. 3–9.
12. Gao Y., Rehman A., Wang Z. CW-SSIM based image classification // 18th IEEE International Conference on Image Processing. – 2011. – P. 1249–1252. – DOI 10.1109/ICIP.2011.6115659.
13. Zhang L., Zhang L., Mou X., Zhang D. FSIM: A Feature Similarity Index for Image Quality Assessment // IEEE Transactions on Image Processing. – 2011. – Vol. 20, no. 8. – P. 2378–2386. – DOI 10.1109/TIP.2011.2109730
14. Xue W., Zhang L., Mou X., Bovik A. C. Gradient Magnitude Similarity Deviation: A Highly Efficient Perceptual Image Quality Index // IEEE Transactions on Image Processing. – 2014. – Vol. 23, no. 2. – P. 684–695. – DOI 10.1109/TIP.2013.2293423.
15. Sara U., Akter M. Uddin M. Image Quality Assessment through FSIM, SSIM, MSE and PSNR. A Comparative Study // Journal of Computer and Communications. – 2019. – No. 7. – P. 8–18. – DOI 10.4236/jcc.2019.73002.
16. Studholme C., Hill D. L. G., Hawkes D. J. An overlap invariant entropy measure of 3D medical image alignment // Pattern Recognition. – 1999. – Vol. 32 (1). – P. 71–86. – DOI 10.1016/S0031-3203(98)00091-0.
17. Chai T., Draxler R. R. Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature [Electronic resource] // Geoscientific Model Development. – 2014. – No. 7. – P. 1247–1250. – Mode of access: https://doi.org/10.5194/gmd-7-1247-2014.
18. Chakravarty S., Paikaray B., Mishra R., Dash S. Hyperspectral Image Classification using Spectral Angle Mapper // IEEE International Women in Engineering (WIE) Conference on Electrical and Computer Engineering (WIECON-ECE). – 2021. – P. 87–90. – DOI 10.1109/WIECON-ECE54711.2021.9829585.
19. Zhou J., Civco D. L., Silander J. A. A wavelet transform method to merge Landsat TM and SPOT panchromatic data // International Journal of Remote Sensing. – 1998. – No. 19 (4). – P. 743–757. – DOI 10.1080/014311698215973.
20. Wang Z., Bovik A. C., Sheikh H. R., Simoncelli E. P. Image quality assessment: from error visibility to structural similarity // IEEE Transactions on Image Processing. – 2004. – Vol. 13, no. 4. – P. 600–612. – DOI 10.1109/TIP.2003.819861.
21. Wang Z., Bovik A. C. A universal image quality index // IEEE Signal Processing Letters. – 2002. – Vol. 9, no. 3. – P. 81–84. – DOI 10.1109/97.995823.
22. Sheikh H. R., Bovik A. C. Image information and visual quality // IEEE Transactions on Image Processing. – 2006. – Vol. 15, no. 2. – P. 430–444. – DOI 10.1109/TIP.2005.859378.
23. Бондарев И. Н., Матерухин А. В., Гвоздев О. Г. Использование клеточных автоматов для имитационного моделирования распространения загрязнения атмосферного воздуха в условиях мегаполиса // Проблемы оптимизации сложных систем : сборник трудов XVI Международной Азиатской школы-семинара. – Новосибирск, 2020. – С. 10–15.
24. Scott D. W. Multivariate Density Estimation: Theory, Practice, and Visualization. – 2nd ed. – New York : Wiley, 2015. – 525 p. – DOI 10.1002/9781118575574.
25. Silverman B.W. Density Estimation for Statistics and Data Analysis. – New York : Springer, 2018. – 175 p. – DOI 10.1201/9781315140919.
Ссылка:  /upload/vestnik/sborniki/2022/27_6/120-130.pdf
Читать далее