Поддержка принятия решений при управлении сложными организационными и техническими системами сохраняет свою актуальность в связи с растущей ролью и возможностями географических информационных систем, которые и являются объектом настоящего исследования. Анализируется уровень их представления в мировой и российской среде, особенности их развития, а также основные научные результаты, полученные в Институте проблем управления им. В. А. Трапезникова РАН. Выделены самые востребованные в сфере хозяйствования технологии и функциональные возможности геоинформационных систем. Геоинформационная система рассмотрена как инструмент обработки и поддержки принятия управленческих решений. Исследованы основные зарубежные и российские геоинформационные системы, основные их характеристики, области применения, тенденции и перспективы развития. Приведены описания геоинформационных технологий и алгоритмов, реализованных в полнофункциональных геоинформационных системах и рассматриваемых как платформы для создания геоинформационных систем различного назначения.
Предпросмотр статьи
Идентификаторы и классификаторы
Современные географические информационные системы (ГИС) содержат информацию об объектах управления в виде пространственных данных, при обработке которых средствами ГИС можно получить необходимые данные для принятия эффективных управленческих решений. Первые научно-исследовательские и экспериментальные работы по преобразованию традиционных бумажных карт в цифровую форму были начаты в Канаде и далее в США, СССР и в других странах. Одновременно получили развитие методы обработки цифровой информации для картографоматематического моделирования процессов и явлений, а также их отображения на тематических картах.
Список литературы
1. Tomlin, C.D., Berry, J.K. Mathematical structure for cartographic modeling in environmental analysis // Bound Papers of the American Congress on Surveying and Mapping 39th Annual Meeting. - 1979. - Vol. 39. - P. 269-283.
2. Dennis, J., Vigier, R., and Tomlin, C.D. Cubic mapping algebra functions for space-time analysis, in Cartography and Geographic Informatics. - 2005. - Vol. 32, no. 1. - P. 17-32.
3. Longley, P.A., Goodchild, M.F., Maguire, D.J., Rind, D.W. Geographic Information Systems and Science (3rd ed.). - New York: John Wiley & Sons, 2011. - 414 p.
4. Nupponen, D., Taibi, D. Serverless: What it is, what to do and what not to do // Proc. Int. Conf. Softw. Archit. (ICSA 2020). - Salvador, 2020. - P. 49-50.
5. Huang, Q., Li, J., Zhang, T. Domain Application of High Performance Computing in Earth Science: An Example of Dust Storm Modeling and Visualization // In: High Performance Computing for Geospatial Applications. Ed. by W. Wu and D. Wang. - 2020. - P. 249-268.
6. Li, Z., Tang, W., Huang, Q., et al. Introduction to Big Data Computing for Geospatial Applications // International Journal of Geo-Information. - 2020. - Vol. 9, no. 8. - Art. no. 487.
7. Iosifescu-Enescu, I., Matthys, Cl., Gkonos, Ch., et al. Cloud-Based Architectures for Auto-Scalable Web Geoportals towards the Cloudification of the GeoVITe Swiss Academic Geoportal // ISPRS International Journ. Of Geo-Information. - 2017. - Vol. 6, no. 7. - Art. no. 192.
8. Yu, M., Bambacus, M., Cervone G., et al. Spatiotemporal event detection: a review // International Journal of Digital Earth. - 2020. - P. 1186-1211. EDN: QPYGWM
9. Umale, P., Patil, A., Sahani, C., et al. Planer Object Detection Using SURF and SIFT Method // International Journal of Engi-neering Applied Sciences and Technology. - 2022. - Vol. 6, iss. 11. - P. 36-39.
10. Karras, T., Laine, S., Aittala, M., et al. Analyzing and improving the image quality of StyleGAN // IEEE/CVF Conference on Computer Vision and Pattern Recognition. - Seattle, 2020. - P. 8107-8116.
11. Frank J., Eisenhofer T., Schonherr L., et al. Leveraging frequency analysis for deep fake image recognition // 37th Conference (International) on Machine Learning Proceedings. - Vienna, 2020. - Vol. 119. - P. 3247-3258.
12. Жебровский С.И., Кузин Д.А., Стрельцова М.М. Обзор проблем и перспектив развития геоинформационных систем в эпоху всеобъемлющего интернета // Современные наукоёмкие технологии. - 2018. - № 12-1. - С. 237-241. EDN: YULBXV
13. Мыльников Д.Ю. Геоинформационные платформы. ПК “ГПИ Челябинскгражданпроект”. - URL: https://textarchive.ru/c-1255531-pall.html (дата обращения 29.11.2023).
14. Фомичев А., Бондарь О. Бессерверная альтернатива традиционным базам данных. Открытые системы. СУБД. - 2021. - № 1. - С. 20-23. EDN: AHKKAV
15. Marinescu, D.C. Cloud Computing. Theory and Practice. Second Edition. - Burlington: Morgan Kaufman, 2018. - 566 p.
16. Алчинов А.И., Гороховский И.Н. Направления расширения функционала прикладной геоинформационной системы моделирования поисковых корреляционно-экстремальных навигационных систем // Проблемы управления. - 2023. - № 5. - С. 78-90. EDN: ATTBHR
17. Журкин И.Г., Шайтура С.В. Геоинформационные системы. - М.: Кудиц-пресс, 2009. - 272 c. EDN: OTRRRL
18. Васильев В.Н. Обзор существующих ГИС / Молодой учёный. - 2016. - № 14 (118). - С. 62-66. EDN: TZSVFE
19. ФКУ “Государственные технологии”. - URL: https://digital.gov.ru/ru/ministry/departments/48/ (дата обращения 19.11.2023 г.).
20. Нестеренко В.Р., Маслова М.А. Современные вызовы и угрозы информационной безопасности публичных облачных решений и способы работы с ними // Научный результат. Информационные технологии. - 2021. - Т. 6, № 1. - С. 48-54. EDN: VQLRWK
21. Лубнин Д.С. Модернизация инфраструктуры пространственных данных с использованием облачных технологий // Изв. вузов “Геодезия и аэрофотосъемка”. - 2018. - Т. 62, № 5. - С. 590-598. EDN: VLCTSX
22. Жукова Н.А., Тристанов А.Б., Тин Т., Аунг М. О проблеме сбора данных в сетях интернета вещей с динамической структурой (Обзор) // Известия КГТУ. - 2021. - № 61. - С. 105-118. EDN: QJSWPV
23. Алчинов А.И., Беклемишев Н.Д., Кекелидзе В.Б. Методы цифровой фотограмметрии. - М.: Московский гос. ун-т печати, 2007. - 259 с. EDN: QKGKCZ
24. Волковицкий А.К., Гладышев А.И., Гольдин Д.А. и др. Применение средств компьютерного моделирования для анализа функционирования магнитоградиентных систем // Проблемы управления. - 2021. - № 3. - С 65-74. EDN: WSNUCQ
25. Барабанова Е.А., Вытовтов К.А., Гладких Т.Я., Мигачев А.Н. Экологический мониторинг загрязнений водной поверхности в видимом диапазоне с использованием БПЛА // Физические основы приборостроения. - 2022. - Т. 11, № 4(46). - С. 60-67. EDN: JEVQFL
26. Трефилов П.М., Кулагин К.А., Мигачев А.Н. Применение виртуальных полигонов для отработки сценариев группового управления БПЛА мультикоптерного типа / Тр. 16-й всероссийской школы-конференции молодых ученых “Управление большими системами” (УБС’2019). - Тамбов, 2019. - С. 156-159. EDN: EJTFQV
27. Патент RU 2760832C1 РФ. Беспилотный летательный аппарат: № RU2021109626A: заявл. 07.04.2021: опубл. 30.11.2021 Бюл. № 34 / Графенков А.В., Кулагин К.А., Мигачев А.Н.
28. Мигачев А.Н., Кулагин К.А. Homo Digitalis: Свидетельство о государственной регистрации программы для ЭВМ № 2020616163 РФ. Зарег. 11.06.2020.
29. Галин Р.Р., Кулагин К.А., Мигачев А.Н. и др. Тренажерный комплекс беспилотной авиационной системы (БАС) полевого назначения // Матер. 14-й всероссийской научно-практической конференции “Перспективные системы и задачи управления” и 10-й молодежной школы-семинара “Управление и обработка информации в технических системах”. - Ростов-на Дону, 2019. - С. 46-55.
30. Yang, X. Parameterizing support vector machines for land cover classification // Photogrammetric Engineering & Remote Sensing. - 2011. - No. 1. - P. 27-37.
31. Алчинов А.И., Гороховский И.Н. Анализ стрессовых воздействий на условия автономной навигации поисковых корреляционно-экстремальных навигационных систем // Проблемы управления. - 2022. - № 6. - С. 42-58. EDN: WZDNGK
32. Кошкарев А.В. Толковый мини-словарь основных терминов по геоинформатике (с английскими эквивалентами) // ГИС-обозрение. - 1994. - № 1. - С. 59-62.
33. Гурвиц Дж., Ньюджент А., Халпер Ф., Кауфман М. Просто о больших данных. - М.: Эксмо, 2015. - 400 c.
34. Майоров А.А., Матерухин А.В., Кондауров И.Н. Структура системы обработки потоковых данных в геосенсорных сетях // Изв. вузов “Геодезия и аэрофотосъемка”. - 2018. - Т. - 62, № 6. - С. 712-719. EDN: YQZAKL
35. Алчинов А.И., Гороховский И.Н. Концепция создания прикладной географической информационной системы моделирования поисковых корреляционно-экстремальных систем автономной навигации // Проблемы управления. - 2022. - № 1. - С. 54-66. EDN: FIOZKO
36. Hassan, Q.F., Khan, A.R., Madani, S.A. Internet of things: challenges, advances, and applications. - New York: Chapman & Hall, 2017. - 436 p.
37. Созыкин А.В., Гольдштейн М.Л., Грибова В.В., Москаленко Ф.М. Облачный сервис “Параллельный Matlab” // Программные продукты и системы. - 2013. - № 4. - С. 130-134.
38. Watts, S. The Internet of Things (IoT): Applications, Technology, and Privacy Issues. - New York: Nova Science Publishers, InC., 2016. - 118 p.
39. Массеров Д.Д. Безопасность “умного города” в процессе цифровизации городской среды // Матер. XXIV Всеросс. студ. науч.-практ. конф. Нижневартовского гос. ун-та / Под общей ред. Д.А. Погонышева. Ч. 3. Информационные технологии. - Нижневартовск: изд-во НВГУ, 2022. - С. 135-141.
40. Плахотников Д.П., Котова Е.Е. Применение искусственного интеллекта в киберфизических системах // XXIII Международная конференция по мягким вычислениям и измерениям. - Санкт-Петербург, 2020. - С. 314-317.
41. Сечин А.Ю., Адров В.Н. Фотограмметрия и облачные технологии // Геопрофи. - 2017. - № 2. - С. 24-27.
42. Ларина Е.С., Овчинский В.С. “Интернет всего”: польза и риски для общества // ОБЖ: Основы безопасности жизни. - 2021. - № 3. - С. 38-42. EDN: PAMWEB
43. Соменков С.А. Искусственный интеллект: от объекта к субъекту? // Вестник университета имени О.Е. Кутафина. - 2019. - № 2. - С. 75-85. EDN: ZBOCAP
44. Ватаманюк И.В., Яковлев Р.Н. Обобщенные теоретические модели киберфизических систем // Известия Юго-Западного государственного университета. - 2019. - Т. 23, № 6. - С. 161-175. EDN: OBMYWW
45. Bilgin, G., Erturk, S., and Yildirim, T. Segmentation of Hyperspectral Images via Subtractive Clustering and Cluster Validation Using One-class Support Vector Machines // IEEE Transactions on Geoscience and Remote Sensing. - 2011. - Vol. 49, no. 8. - P. 2936-2944.
46. Laliberte, A.D., Browning, D.M., and Rango, A. A comparison of three feature selection methods for object-based classification of sub-decimeter resolution UltraCam-L imagery // International Journal of Applied Earth Observation and Geoinformation. - 2011. - Vol. 15. - P. 70-78.
47. Катанцев Д. Современное состояние геоинформационных систем // Армейский сборник. - 2023. - № 9. - С. 102-112.
Выпуск
Другие статьи выпуска
Рассматривается вариант Attacker-Defender-Target задачи с одним или двумя защитниками в плоской постановке. Предполагается, что цель и защитники двигаются прямолинейно с постоянной скоростью, атакующий двигается по догонной траектории без ограничения на радиус кривизны. Скорость защитников меньше скорости цели, скорость атакующего - больше. Смысл использования защитников заключается в том, чтобы атакующий вначале занимался их перехватом, и только после этого переключался на преследование основной цели. Тем самым время перехвата основной цели увеличивается, и она может стать недостижима для имеющего ограниченный запас топлива атакующего. Оптимизируются углы и времена выпуска защитников, в том числе рассматривается вариант выпуска защитников с одной стороны от цели. Исследование осуществляется для различных моделей работы системы самонаведения автономного атакующего аппарата: движения к центру масс всех преследуемых объектов, к ближайшей цели по расстоянию или по угловой дальности. Проведено численное моделирование, показывающее важность выбора угла выпуска защитников, целесообразность использования второго защитника, получены сценарии, в которых использование защитников делает основную цель недостижимой для атакующего.
Предложен подход к оценке эффективности интеллектуальных технологий выявления опасных сочетаний обстоятельств в авиатранспортных системах. Формализовано влияние таких технологий на безопасность полетов и общую стоимость владения авиационной техникой. Разработана простая модель оценки эффективности внедрения интеллектуальных технологий (для выявления единичной скрытой проблемы). Качественный анализ этой модели позволил выявить роль различных ее параметров - таких как численность и налет парка авиационной техники, длительность и стоимость устранения системной проблемы, ущерб от событий различной степени серьезности. Также предложен подход к моделированию процессов выявления и устранения опасных сочетаний обстоятельств на протяжении жизненного цикла авиатранспортных систем с учетом эффекта обучения. Этот эффект состоит в том, что при накоплении опыта функционирования авиатранспортной системы и постепенном устранении скрытых системных проблем интенсивность их проявления со временем сокращается. Основным параметром, характеризующим интеллектуальные технологии выявления скрытых закономерностей в обстоятельствах инцидентов, является показатель относительного ускорения их выявления. Оба вида моделей позволяют в конечном счете оценить зависимость ожидаемых потерь от данного обобщающего параметра. Также важны зависимости результатов модельных расчетов от прочих параметров предложенных моделей, в том числе от длительности и стоимости устранения выявленных проблем, ущерба от различных событий, численности и налета парка авиационной техники. Показано, что технологии интеллектуального анализа данных максимально эффективны в авиатранспортной системе при малой численности парка воздушных судов и при низких интенсивностях их эксплуатации.
Предложен подход к учёту управляющих воздействий на динамику отраслевой структуры рынка труда при прогнозировании показателей отраслевой занятости. Применяемая схема прогнозирования основана на балансовой математической модели межотраслевых перемещений трудовых ресурсов. В рассмотренном ранее одним из авторов варианте схемы прогнозирования тренды показателей, характеризующих межотраслевую мобильность рабочей силы, определялись независимо друг от друга. В настоящей работе осуществлена модификация данной схемы: предложен способ группировки показателей межотраслевых перемещений и критерий определения общего тренда показателей внутри каждой группы. С помощью модифицированной схемы прогнозирования вычислены прогнозы отраслевой занятости на рынке труда РФ в 2011-2016 гг., произведено сравнение с ранее полученными результатами. По данным отраслевой занятости и безработицы за 2017-2021 гг., предоставляемым согласно классификатору ОКВЭД-2, осуществлён прогноз ожидаемого уровня занятости в конце 2022 г. На примере рынка труда РФ в 2017-2022 гг. рассмотрен способ определения результатов управления: продемонстрированы изменения прогнозов отраслевой занятости в случае учёта управляющих воздействий на аграрный и промышленный сектора исследуемого рынка.
Рассмотрены некоторые аспекты планирования и управления адаптационными мероприятиями, направленными на снижение последствий негативных изменений климата на инфраструктурные объекты экономики. Проведен анализ проблем оценки риска неблагоприятного воздействия изменения климата на объекты в условиях значительной неопределенности. Рассмотрена структура комплексного оценивания объектов с использованием карт прогнозов климата и оценок уязвимости объектов. Предложен подход к формированию портфеля инфраструктурных объектов. Отбор объектов предложено проводить в два этапа. На первом этапе для формирования предварительного портфеля объектов применяется метод комплексного оценивания. На втором этапе предложено применять метод, основанный на последовательном выделении инвестиционного ресурса в порядке убывания оценки удельного риска. При реализации второго этапа ограниченность инвестиционного фонда определяет окончательный портфель объектов для проведения адаптационных мероприятий. Представлена модель организационного механизма финансирования и стимулирования проведения адаптационных мероприятий на объекте при неполной информированности управляющего органа. Предложен механизм стимулирования адаптационных работ, обеспечивающий сообщение управляющему органу достоверной информации от объектов. Показано, что предложенный механизм является оптимальным в условиях неполной информированности управляющего органа.
Россия значительной частью своей экономики участвует в международном разделении труда, мировой торговле, трансграничных производственных цепочках. В последние годы усиливается управление государством этими процессами путем прямых инвестиций в производство и инфраструктуру, а также применения мер налоговой, кредитной, бюджетной и иной политики. В результате возрастает потребность в проведении экономических исследований с применением математических моделей управления отраслями и комплексами, построенных на межстрановых таблицах «затраты - выпуск» (межотраслевые балансы мировой экономики) с выделенными в них блоками внешней торговли. В статье введены в научный оборот межотраслевые балансы мировой экономики, созданные в последние годы, дан их обзор. Предложена модель экономики России, основанная на традиционных таблицах «затраты - выпуск» с расширением их с помощью матриц потоков импорта промежуточной и конечной продукции. Проведена верификация модели на примере отраслей добывающего, обрабатывающего и транспортного комплексов России. Получены оценки динамики их развития и структурных сдвигов за период 2000-2018 гг. с учетом внешнеторговой составляющей. В модель введены формулы для вычисления коэффициентов участия отраслей в глобальных производственных цепочках. Исследование показало, что по степени включения в трансграничные добывающие, обрабатывающие, транспортно-логистические цепочки Россия сопоставима с другими странами, обладающими крупными территориями, запасами полезных ископаемых и транспортными коммуникациями, такими как США и Австралия. Определены перспективные направления совершенствования модели.
Рассматривается задача распределения реентерабельных ресурсов при выполнении комплекса взаимозависимых работ, представленного в виде сетевого графика. Предполагается линейная зависимость времени выполнения работ от используемых ресурсов. Обосновывается алгоритм построения решения для работ с предопределенной последовательностью наступления событий в сетевом графике комплекса работ. Предлагается алгоритм сведения задачи общего вида к вспомогательной задаче с упорядоченными временами наступления событий, а также алгоритм построения оптимального решения исходной задачи. Сходимость данного алгоритма обусловлена конечностью итераций на каждом из этапов. Общая вычислительная сложность алгоритма может быть оценена как O(n2), где n - количество вершин в исходном сетевом графике. Представляется перспективным применение предложенного алгоритма для планирования комплексов взаимосвязанных работ с использованием реентерабельных ресурсов.
Издательство
- Издательство
- ИПУ РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 117997, ГСП-7, г. Москва, Профсоюзная, 65
- Юр. адрес
- 117997, г. Москва, Профсоюзная, 65
- ФИО
- Новиков Дмитрий Александрович (дирек)
- E-mail адрес
- dan@ipu.ru
- Контактный телефон
- +7 (495) 3348910
- Сайт
- https://www.ipu.ru/