DOI: 
10.22389/0016-7126-2021-978-12-23-33
1 Гвоздев О.Г.
2 Майоров А.А.
3 Матерухин А.В.
Год: 
№: 
978
Страницы: 
23-33

Московский государственный университет геодезии и картографии (МИИГАиК)

1, 
2, 
3, 
Аннотация:
Рассматривается задача восстановления геополей на основе потоков пространственно-временных данных большой интенсивности, получаемых от сети высокомобильных геосенсоров, в состав которой входят десятки тысяч активных измерительных устройств, выполняющих измерения с частотой до 5 Гц, установленных на подвижных платформах, перемещающихся со скоростью до 100 км/ч. Для решения этой задачи предполагается применить метод локального ядерного сглаживания. Чтобы его адаптировать к условиям конкретной задачи, таким как особенности местности или моделируемого геополя, а также к характеристикам геосенсорной сети, предложено использовать ядерную функцию, получаемую с помощью методов стохастической оптимизации. Рассмотрено применение для этой цели генетических алгоритмов и метода имитации отжига. В статье приведены: структура обобщенной методики, построенной на базе этой идеи; результаты модельных экспериментов по подтверждению работоспособности методики; результаты оценки производительности в однопоточном режиме; анализ свойств, недостатков и перспектив развития обобщенной методики.
Результаты получены в рамках государственного задания № 0708-2020-0001 Минобрнауки России.
Список литературы: 
1.   Бондарев И.Н., Матерухин А.В., Гвоздев О.Г. Использование клеточных автоматов для имитационного моделирования распространения загрязнения атмосферного воздуха в условиях мегаполиса URL: https://clck.ru/ahW3D (дата обращения: 15.11.2021).
2.   Васильев К. К., Дементьев В. Е. Представление и обработка спутниковых многозональных изображений – Ульяновск: УлГТУ, – 2017. – 251 c.
3.   Савельева Е.А., Демьянов В.В. Геостатистика: теория и практика / Под ред. Р.В. Арутюняна. – М.: Наука, – 2010. – 327 c.
4.   Друки А. А., Спицын В. Г., Болотова Ю. А., Башлыков А. А. Семантическая сегментация данных дистанционного зондирования Земли при помощи нейросетевых алгоритмов // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2018. – Т. 329. – № 1. – С. 59–68.
5.   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. 15–21.
6.   Копнов М. В., Марков Н. Г. Восстановление двумерных геополей методами геостатистики // Проблемы информатики. – 2011. – № 2. – С. 36–43.
7.   Altman N. S. (1992) An Introduction to Kernel and Nearest-Neighbor Nonparametric Regression // The American Statistician. 46:3, pp. 175–185. DOI: 10.1080/00031305.1992.10475879.
8.   Banzhaf W., Francone F.D., Keller R.E., Nordin P. (1998) Genetic programming: an introduction: on the automatic evolution of computer programs and its applications Morgan Kaufmann Publishers Inc., San Francisco,
9.   Cleveland W. S., Devlin S. J. (1988) Locally Weighted Regression: An Approach to Regression Analysis by Local Fitting // Journal of the American Statistical Association. 83 (403), pp. 596–610.
10.   Fox J., Weisberg S. (2018) Nonparametric Regression in R URL: clck.ru/ahW4b (дата обращения: 15.11.2021).
11.   Harris C. R., Millman K. J., van der Walt S. J., et al (2020) Array programming with NumPy // Nature. 585, pp. 357–362. DOI: 10.1038/s41586-020-2649-2.
12.   Laarhoven P. J. M. van, Aarts E. H. L. (1987) Simulated Annealing: Theory and Applications. Dordrecht: Reidel
13.   Lam S. K., Pitrou A., Seibert S. (2015) Numba: a LLVM-based Python JIT compiler // In Proceedings of the Second Workshop on the LLVM Compiler Infrastructure in HPC (LLVM С15). 7, pp. 1–6. DOI: 10.1145/2833157.2833162.
14.   Lu X., Rudi A., Borgonovo E., Rosasco L. (2019) Faster Kriging: Facing High-Dimensional Simulators // Operations Research. 68, 1, DOI: 10.1287/opre.2019.1860.
15.   Materukhin A. V., Gvozdev O. G., Maiorov A. A., Sokolova O. D. (2019) Simulation of spatiotemporal data streams from geosensors located on mobile objects. Conference: 2019 15th International Asian School-Seminar УOptimization Problems of Complex SystemsФ (OPCS) pp. 179–182. DOI: 10.1109/OPCS.2019.8880188.
16.   Robbins H., Monro S. (1951) A Stochastic Approximation Method // Ann. Math. Stat. 22 (3), pp. 400–407.
17.   Srinivasan B. V., Duraiswami R., Murtugudde R. (2010) Efficient kriging for real-time spatiotemporal interpolation. Proceedings of the 20th Conference on Probability and Statistics in the Atmospheric Sciences pp. 228–235.
18.   Tan H. Kernel Smoothing Methods URL: people.cs.georgetown.edu/~huiyang/cosc-878/slides/kernels.pdf (дата обращения: 15.11.2021).
19.   Vigsnes M., Kolbjørnsen O., Hauge V. L. (2017) Fast and Accurate Approximation to Kriging Using Common Data Neighborhoods // Mathematical Geosciences. 49, pp. 619–634.
20.   Wang Z., Bovik A.C., Sheikh H. R., Simoncelli E. P. (2004) Image quality assessment: from error visibility to structural similarity // IEEE Transactions on Image Processing. 13, 4, pp. 600-612.
21.   Wang Z., Simoncelli E. P., Bovik A. C. (2003) Multiscale structural similarity for image quality assessment // Conference: Signals, Systems and Computers. 2, pp. 1398–1402. DOI: 10.1109/ACSSC.2003.1292216.
22.   Work with MODIS Remote Sensing Data using Open Source Python URL: clck.ru/ahW5w (дата обращения: 15.11.2021).
Образец цитирования:
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