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 10.33764/2411-1759-2024-29-2-73-85 Картография и геоинформатика Концепция разработки геоинформационной технологии мониторинга и геомоделирования метеорологических событий А. А. Майоров Майоров А. А. О. Г. Гвоздев Гвоздев О. Г. Ю. В. Белышева Белышева Ю. В. Московский государственный университет геодезии и картографии (МИИГАиК), г. Москва, Росийская Федерация 2024 29 2 73 85 © А. А. Майоров, О. Г. Гвоздев, Ю. В. Белышева, 2024 2024 А. А. Майоров, О. Г. Гвоздев, Ю. В. Белышева Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. Геоинформатика неразрывно связана с технологиями, обеспечивающими получение первичных пространственно-временных данных. Одним из факторов качества таких данных являются результаты метеонаблюдений, оценка которых неоднозначна в силу слабого междисциплинарного взаимодействия метеорологии с геоинформатикой и искусственным интеллектом. В результате ограничиваются возможности сбора пространственно-временных данных для их использования в мониторинге и прогнозировании. В этой связи предлагается концепция разработки геоинформационной технологии мониторинга и геомоделирования метеорологических событий на основе данных, поступающих от различных источников. Обработку таких данных предполагается осуществлять с использованием известных и вновь созданных моделей на основе искусственных нейронных сетей. Подобный подход позволяет устранить ряд проблем сетевого мониторинга и сформировать более целостную научную базу для дальнейших исследований в данной области, обеспечить получение новых информационных продуктов. геоинформационные технологии мониторинг прогнозирование метеорологических явлений геоинформатика искусственный интеллект geoinformation technologies monitoring forecasting of meteorological phenomena geoinformatics artificial intelligence Rehman A. U., Shafiq A., Ullah Z., et al. Implications of smart grid and customer involvement in energy management and economics // Energy. – 2023. – Vol. 276. – P. 127626. – DOI 10.1016/j.energy.2023.127626. Krennert T., Pistotnik G., Kaltenberger R. et al. Crowdsourcing of weather observations at national meteorological and hydrological services in Europe // Advances in Science and Research. – 2018. – Vol. 15. – P. 71–76. – DOI 10.5194/asr-15-71-2018. Kotawadekar R. Satellite data: big data extraction and analysis // Artificial Intelligence in Data Mining. – 2021. – P. 177–197. – DOI 10.1016/B978-0-12-820601-0.00008-2. Myers D. R. Solar Radiation Resource Assessment for Renewable Energy Conversion. – 2012. Скороходов А. В., Аксёнов С. В., Аксёнов А. В. и др. Использование различных вычислительных систем для решения задачи автоматической классификации облачности по спутниковым данным MODIS на основе вероятностной нейронной сети // Изв. Томского политехнического ун-та. Инжиниринг георесурсов. – 2016. – № 327 (1). – С. 30–38. Jin W., Gong F., Zeng X. et al. Classification of Clouds in Satellite Imagery Using Adaptive Fuzzy Sparse Representation // Sensors. – 2016. – Vol. 16, No. 12. – P. 2153. – DOI 10.3390/s16122153. Бочарников Н. В. Диагноз шквалов по данным МРЛ // Радиолокационная метеорология. – СПб. : ГидрометеоиздаТ, 2002. – С. 64–67. Alberoni P. P., Ferraris L., Marzano F. S. et al. The Italian radar network: current status and future developments // Proceedings of ERAD. – Delft: Copernicus GmbH, 2002. – P. 339–344. Калинин Н. А., Смирнова А. А. Возможности метеорологических радиолокаторов в обнаружении облачности и опасных явлений погоды // Географический вестник. – 2006. – № 2. – С. 76–83. Skamarock W. C., Klemp J. B., Dudhia J. et al. A Description of the Advanced Research WRF Model Version 4. UCAR/NCAR. 2– 019. – DOI 10.5065/1dfh-6p97. Andrychowicz M., Espeholt L., Li D., et al. Deep Learning for Day Forecasts from Sparse Observations // arXiv. – 2023. – DOI 10.48550/arXiv.2306.06079. Shahrivari S. Beyond Batch Processing: Towards Real-Time and Streaming Big Data // Computers. – 2014. – Vol. 3, No. 4. – P. 117–129. – DOI 10.3390/computers3040117. Cao K., Liu Y., Meng G., et al. An Overview on Edge Computing Research // IEEE Access. Institute of Electrical and Electronics Engineers (IEEE). – 2020. – Vol. 8. – P. 85714–85728. – DOI 10.1109/ACCESS.2020.2991734. Chen J., Ran X. Deep Learning With Edge Computing: A Review // Proceedings of the IEEE. Institute of Electrical and Electronics Engineers (IEEE). – 2019. – Vol. 107, No. 8. – P. 1655–1674. – DOI 10.1109/JPROC.2019.2921977. Yi S., Li C., Li Q. A Survey of Fog Computing // Proceedings of the 2015 Workshop on Mobile Big Data. – 2015. – DOI 10.1145/2757384.2757397. Stojmenovic I., Wen S., Huang X. et al. An overview of Fog computing and its security issues // Concurrency and Computation. – 2015. – Vol. 28, No. 10. – P. 2991–3005. –DOI 10.1002/cpe.3485. Pfandzelter T., Bermbach D. IoT Data Processing in the Fog: Functions, Streams, or Batch Processing? // 2019 IEEE International Conference on Fog Computing (ICFC). – 2019. – DOI 10.1109/ICFC.2019.00033. Shaikh S. A., Mariam K., Kitagawa H. et al. GeoFlink: A Distributed and Scalable Framework for the Real-time Processing of Spatial Streams // CIKM '20: Proceedings of the 29th ACM International Conference on Information & Knowledge Management. – New York : Association for Computing Machinery, 2020. – P. 3149–3156. Lee D.-H. Digital Cameras, Personal Photography and the Reconfiguration of Spatial Experiences // UTIS. – 2010. – Vol. 26, No. 4. – P. 266–275. – DOI 10.1080/01972243.2010.489854. Zhang J. L., Liu P., Zhang F. et al. CloudNet: Ground‐Based Cloud Classification With Deep Convolutional Neural Network // Geophysical Research Letters. – 2018. – Vol. 45, No. 16. – P. 8665–8672. – DOI 10.1029/2018GL077787. Li Z., Kong H., Wong C.-S. Neural Network-Based Identification of Cloud Types from Ground-Based Images of Cloud Layers // Applied Sciences. – 2023. – Vol. 13, No. 7. – P. 4470. – DOI 10.3390/app13074470. Chakraborty K., Wells P. M., Sohi G. S. Computation spreading: employing hardware migration to specialize CMP cores on-the-fly // Proceedings of the 12th international conference on Architectural support for programming languages and operating systems (ASPLOS XII). – 2006. – P. 283–292. Krüger J., Westermann R. Linear algebra operators for GPU implementation of numerical algorithms // ACM Transactions on Graphics. – 2003. – Vol. 22, No. 3. – P. 908–916. – DOI 10.1145/882262.882363. Baydin A. G., Pearlmutter B. A., Radul A. A. et al. Automatic differentiation in machine learning: a survey // arXiv. – 2015. – DOI 10.48550/arXiv.1502.05767. McCulloch W. S., Pitts W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics. – 1943. – Vol. 5, No. 4. – P. 115–133. – DOI 10.1007/BF02478259. Fukushima K. Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position // Biological Cybernetics. – 1980. – Vol. 36, No. 4. – P. 193–202. – DOI 10.1007/BF00344251. Amari S.-I. Learning Patterns and Pattern Sequences by Self-Organizing Nets of Threshold Elements // IEEE Transactions on Computers. – 1972. – Vol. C–21, No. 11. – P. 1197–1206. – DOI 10.1109/T-C.1972.223477. Vaswani A., Shazeer N. M., Parmar N. Attention is All you Need // Neural Information Processing Systems. – 2017. Bronstein M. M., Bruna J., Cohen T. et al. Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges // arXiv. – 2021. – DOI 10.48550/arXiv.2104.13478. Rombach R., Blattmann A., Lorenz D., et al. High-Resolution Image Synthesis with Latent Diffusion Models // 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2022. – DOI 10.1109/CVPR52688.2022.01042. Radford A., Narasimhan K. Improving Language Understanding by Generative Pre-Training // Improving Language Understanding by Generative Pre-Training. – 2018. Xu Q., Shi Y., Bamber J. Physics-aware Machine Learning Revolutionizes Scientific Paradigm for Machine Learning and Process-based Hydrology // arXiv. – 2023. – DOI 10.48550/arXiv.2310.05227. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // arXiv. – 2015. – DOI 10.48550/arXiv.1505.04597. Esling P., Agon C. Time-series data mining // ACM Computing Surveys. – 2012. – Vol. 45, No. 1. – P. 1–34. – DOI 10.1145/2379776.2379788. Wlodarczyk T. W. Overview of Time Series Storage and Processing in a Cloud Environment // 4th IEEE International Conference on Cloud Computing Technology and Science Proceedings. – 2012. – DOI 10.1109/CloudCom.2012.6427510. Andersen M. P., Culler D. E. BTrDB: Optimizing Storage System Design for Timeseries Processing // 14th USENIX Conference on File and Storage Technologies (FAST 16). – 2016. – P. 39–52. Bossen F., Bross B., Suhring K., et. al. HEVC Complexity and Implementation Analysis // IEEE Transaction on Circuits and Systems for Video Technology. – 2012. – Vol. 22, No. 12. – P. 1685–1696. – DOI 10.1109/TCSVT.2012.2221255. Sze V., Budagavi M., Sullivan G. J. High Efficiency Video Coding (HEVC) – Basel : Springer International Publishing, 2014. – 375 p. Гвоздев О. Г., Матерухин А. В., Майоров А. А. Восстановление геополей на основе комбинирования методов ядерного сглаживания и нейросетевых моделей // Геодезия и картография. – 2022. – № 12. – C. 57–64. – DOI 10.22389/0016-7126-2022-990-12-57-64.