vestnik Журнал "Вестник Сибирского государственного университета геосистем и технологий (СГУГиТ)" 2411-1759 ФГБОУ ВО "Сибирский государственный университет геосистем и технологий (СГУГиТ)" RU https://vestnik.sgugit.ru 10.33764/2411-1759-2025-30-4-42-51 Картография и геоинформатика Принципы автоматизируемой интерпретации и извлечения пространственных данных из наземных изображений с учетом их пространственно-временного контекста Ю. В. Белышева Белышева Ю. В. О. Г. Гвоздев Гвоздев О. Г. А. В. Матерухин Матерухин А. В. Московский государственный университет геодезии и картографии, г. Москва, Российская Федерация 2025 30 4 42 51 © Ю. В. Белышева, О. Г. Гвоздев, А. В. Матерухин, 2025 2025 Ю. В. Белышева, О. Г. Гвоздев, А. В. Матерухин Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. В работе поднят вопрос дефицита первичных высокодетализированных пространственно-временных данных, свойственный как геоинформатике в целом (полагающейся во многом на данные, собранные и агрегированные методами статистики, полевых измерений и наблюдений, а также методами ДЗЗ), так и другим областям, оперирующим пространственно-временными данными, такими как метеорология. В качестве способа преодоления этого дефицита предложено получение пространственных данных из наземных изображений. Приведена принципиальная схема метода автоматизируемого извлечения пространственных данных из наземных изображений с учетом их пространственно-временного контекста. Рассмотрено проведенное на о. Сахалин экспериментальное исследование, показавшее принципиальную применимость метода для идентификации и локализации туманов различных типов на территории аэродрома «Пушистый» (F1 = 0,85; IoU = 0,74) по наземным изображениям с привлечением минимума внешней метеорологической информации (направление ветра, влажность воздуха). Проведен анализ ограничений метода, определены дальнейшие направления исследований и разработок. пространственные данные автоматизация идентификация метеорологических явлений интерпретация наземных изображений искусственная нейронная сеть spatial data automation identification of meteorological phenomena interpretation of ground-based images artificial neural network 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).