Технологии машинного обучения и обработки таксационных данных для визуализации геоинформационного моделирования лесных экосистем (Часть 2)
Читать статью полностью
Технологии машинного обучения и обработки таксационных данных для визуализации геоинформационного моделирования лесных экосистем (Часть 2)(2,84 MB)Аннотация
Методы геоинформационного моделирования лесных экосистем подразумевают не только визуализацию пространственных данных, но и данных, входящих в состав моделируемых объектов, к таким данным относятся таксационные данные, характеризующие качественный состав насаждений. В продолжение первой части статьи авторов, опубликованной в журнале "Информация и Космос" в 2022 г. № 3, приводятся результаты статистической обработки данных таксации на основе машинного обучения и оценки достоверности смоделированных, прогнозируемых показателей: высоты, диаметров, запаса древостоя.
Ключевые слова:
машинное обучение – machine learning; данные дистанционного зондирования – remote sensing data; анализ данных – data analysis; геоинформационное моделирование – geoinformation modeling; лесное хозяйство – forestry.
Список литературы
1. Братских, И. А. Искусственный интеллект, машинное обучение, глубокое обучение и нейронные сети / И.А. Братских // Правопорядок в России: проблемы совершенствования: сборник материалов XIV Всероссийской конференции (Москва, 11–14 февраля 2020 г.). – Москва: Московский университет МВД России имени В. Я. Кикотя, 2020. – С. 285–286.
2. Бутенко, А. И. Машинное обучение в инженерных исследованиях / А.И. Бутенко // Наука и Образование. – 2020. – Т. 3, № 4. – С. 28.
3. Потапов, А. П. Технологии машинного обучения и обработки таксационных данных для визуализации геоинформационного моделирования лесных экосистем (Часть 1) / А.П. Потапов, М.Р. Вагизов // Информация и Космос. –2022. – № 3. – С. 125–129.
4. Разработка интеллектуальной геоинформационной системы для отрасли лесного хозяйства / М.Р. Вагизов, Е.П. Истомин, О.Н. Колбина [и др.] // Геоинформатика. – 2021. – № 3. – С. 4–13.
5. Ногоева, Г. Д. Создание веб приложений посредством библиотеки языка программирования Python / Г.Д. Ногоева, К.Д. Абыкеев // Вестник Кыргызстана. – 2021. – № 1-2. – С. 179–182.
6. Воробьева, Ю. А. Визуальное программирование на примере Blueprint / Ю.А. Воробьева // Лучшая студенческая статья 2018: сборник статей XVIII Международного научно-исследовательского конкурса. В 2 частях (Пенза, 20 декабря 2018 г.) / Ответственный редактор Г.Ю. Гуляев. Том Часть 1. – Пенза: МЦНС «Наука и Просвещение», 2018. – С. 64–67.
7. Неизвестный, М. А. Преимущества визуальных языков програмирования на примере Blueprint в среде игрового движка Unreal Engine 4 / М.А. Неизвестный // Экономика и социум. – 2016. – № 8 (27). – С. 504–508.
8. Заяц, А. М. Графовые модели в анализе и синтезе беспроводных сенсорных сетей / А.М. Заяц // Информационные системы и технологии: теория и практика : научно-техническая конференция Института леса и природопользования СПбГЛТУ (Санкт-Петербург, 25 февраля 2022 г.). – Выпуск 14. – Санкт-Петербург: Санкт-Петербургский государственный лесотехнический университет имени С.М. Кирова, 2022. – С. 118–127.
9. Пилецкий, И. И. Графовые технологии в интеллектуальной системе комплексного анализа данных интернет-источников / И.И. Пилецкий, М.П. Батура, Л.Ю. Шилин // Доклады Белорусского государственного университета информатики и радиоэлектроники. – 2020. – Т. 18, № 5. – С. 89–97.
10. Булгаков, С. В. Геоинформационное моделирование и информационное взаимодействие / С. В. Булгаков // Конструкторское бюро. – 2018. – № 2. – С. 47–53.
11. Андреева, О. А. Геоинформационное массовое моделирование / О.А. Андреева, В.Я. Цветков, В.В. Ознамец // Информация и Космос. – 2020. – № 2. – С. 106–112.