Многомерный куб данных на основе дискретных глобальных систем сеток как подход к моделированию пространственных данных

Геоинформатика
УДК: 
528.91
DOI: 
10.22389/0016-7126-2023-996-6-19-29
1 Титов Г.С.
2 Каргашин П.Е.
Год: 
2023
№: 
6
996
Страницы: 
19-29

Московский государственный университет имени М.В. Ломоносова (МГУ)

1, 
2, 
Аннотация:
Описан подход к моделированию больших объемов разнородных пространственных данных в форме гиперкуба на основе дискретных глобальных систем сеток. Выполнены библиометрический анализ и литературный обзор академических публикаций, построение и интерпретация карт научного ландшафта по тематике больших данных и кубов данных в науках о Земле. Феномен больших данных в науках о Земле интерпретируется с позиций жизненного цикла пространственных данных. Результаты свидетельствуют о взаимном трансформирующем влиянии больших данных на картографию и геоинформатику, а методологическая проблема больших пространственных данных – их разнородность, а не объем. В качестве модели для работы с большими пространственными данными предложено использовать куб данных, в котором пространственное измерение представлено с помощью дискретных глобальных систем сеток, имеющих преимущества перед растровой и векторной моделями данных в приложении к большим данным. Содержанием такого куба являются готовые к анализу данные.

Список литературы: 
1.   Бождай А. С. Концепция комплексной инфраструктуры территории для решения проблемы интеграции межотраслевой статистики // Вестник Воронежского гос. техн. ун-та. – 2011. – № 1. – С. 214–220.
2.   Косиков А.Г., Голубева Е.И., Селиверстов Ю.Г., Семин В.Н., Ушакова Л.А., Харьковец Е.Г. Цифровая модель Арктики // Геодезия и картография. – 2019. – № 1. – С. 34-42 . DOI: 10.22389/0016-7126-2019-943-1-34-42.
3.   Кудрявцев Ю. OLAP-технологии: обзор решаемых задач и исследований // Бизнес-информатика. – 2008. – № 1. – С. 66–70.
4.   Лурье И.К., Самсонов Т.Е. Структура и содержание базы пространственных данных для мультимасштабного картографирования * // Геодезия и картография. – 2010. – № 11. – С. 17-23.
5.   Майоров А.А. Проблемы сверхскоростной обработки больших пространственно-временных данных // Геодезия и картография. – 2020. – № 12. – С. 50-56. DOI: 10.22389/0016-7126-2020-966-12-50-56.
6.   Майоров А.А., Матерухин А.В., Кондауров И.Н. Использование вычислительных кластеров для обработки потоков пространственно-временных данных в информационно-измерительных системах // Геодезия и картография. – 2018. – № 5. – С. 54-63. DOI: 10.22389/0016-7126-2018-935-5-54-63.
7.   Нырцов М. В., Нырцова Т. П. Большие данные в картографии. Умное картографирование: будущее или технологическое изменение // Изв. вузов. Геодезия и аэрофотосъемка. – 2016. – № 5. – С. 42–45.
8.   Титов Г. С., Прасолова А. И., Каргашин П. Е. Веб-картографирование ресурсов солнечной энергии Якутии // ИнтерКарто. ИнтерГИС. – 2021. – Т. 27. – № 3. – С. 210–220. DOI: 10.35595/2414-9179-2021-3-27-210-220.
9.   Цветков В.Я., Ознамец В.В. Большие данные в геодезическом обеспечении // Геодезия и картография. – 2022. – № 10. – С. 9-19. DOI: 10.22389/0016-7126-2022-988-10-9-19.
10.   Шурыгина А. А., Самсонов Т. Е. Перспективы использования дискретных глобальных сеточных (гридовых) систем в геоинформатике // Геоинформационное картографирование в регионах России: Материалы ХI Всеросс. науч.-практ. конф. – Воронеж: Цифровая полиграфия, – 2020. – С. 350–358.
11.   Agapito G., Zucco C., Cannataro M. (2020) COVID-warehouse: A data warehouse of Italian COVID-19, pollution, and climate data // International Journal of Environmental Research and Public Health. 17 (15), DOI: 10.3390/ijerph17155596.
12.   Baumann P. (2017) Standardizing big earth datacubes // 2017 IEEE International Conference on Big Data (Big Data). IEEE, Boston, MA, pp. 67–73. DOI: 10.1109/BigData.2017.8257912.
13.   Baumann P., Misev D., Merticariu V., Huu B. P. (2019) Datacubes: Towards Space/Time Analysis-Ready Data. Service-Oriented Mapping, ed. J. Döllner, M. Jobst, P. Schmitz Springer International Publishing, pp. 269–299. DOI: 10.1007/978-3-319-72434-8_14.
14.   Bimonte S., Tchounikine A., Miquel M., Pinet F. (2010) When spatial analysis meets OLAP: Multidimensional model and operators // International Journal of Data Warehousing and Mining. 6 (4), pp. 33–60. DOI: 10.4018/jdwm.2010100103.
15.   Chatenoux B., Richard J.-P., Small D., Roeoesli C., Wingate V., Poussin C., Rodila D., Peduzzi P., Steinmeier C., Ginzler C., Psomas A., Schaepman M. E., Giuliani G. (2021) The Swiss data cube, analysis ready data archive using earth observations of Switzerland // Scientific Data. 8 (1), DOI: 10.1038/s41597-021-01076-6.
16.   Dutton G. (1989) Modeling locational uncertainty via hierarchical tesselation. The Accuracy of spatial databases, ed. M. F. Goodchild, S. Gopal Taylor and Francis, London; New York, pp. 81–91.
17.   Van Eck N. J., Waltman L. (2010) Software survey: VOSviewer, a computer program for bibliometric mapping // Scientometrics. 84 (2), pp. 523–538. DOI: 10.1007/s11192-009-0146-3.
18.   Gandomi A., Haider M. (2015) Beyond the hype: Big data concepts, methods, and analytics // International Journal of Information Management. 35 (2), pp. 137–144. DOI: 10.1016/j.ijinfomgt.2014.10.007.
19.   Giuliani G., Camara G., Killough B., Minchin S. (2019) Earth observation open science: enhancing reproducible science using data cubes // Data. 4 (4), DOI: 10.3390/data4040147.
20.   Giuliani G., Masó J., Mazzetti P., Nativi S., Zabala A. (2019) Paving the way to increased interoperability of Earth observations data cubes // Data. 4 (3), DOI: 10.3390/data4030113.
21.   Goodchild M. F. (2018) Reimagining the history of GIS // Annals of GIS. 24 (1), pp. 1–8. DOI: 10.1080/19475683.2018.1424737.
22.   Gorgoglione A., Castro A., Chreties C., Etcheverry L. (2020) Overcoming data scarcity in Earth science // Data. 5 (1), DOI: 10.3390/data5010005.
23.   Guo H., Liu Z., Jiang H., Wang C., Liu J., Liang D. (2017) Big Earth data: a new challenge and opportunity for Digital EarthТs development // International Journal of Digital Earth. 10 (1), pp. 1–12. DOI: 10.1080/17538947.2016.1264490.
24.   Hahmann S., Burghardt D. (2013) How much information is geospatially referenced? Networks and cognition // International Journal of Geographical Information Science. 27 (6), pp. 1171–1189. DOI: 10.1080/13658816.2012.743664.
25.   Han J. (2017) OLAP, Spatial. Encyclopedia of GIS, ed. S. Shekhar, H. Xiong, X. Zhou Springer International Publishing, Cham, pp. 1479–1482. DOI: 10.1007/978-3-319-17885-1_910.
26.   Jagadish H. V. (2015) Big data and science: myths and reality // Big Data Research. 2 (2), pp. 49–52. DOI: 10.1016/j.bdr.2015.01.005.
27.   Jamison A. (2011) Knowledge making in transition: On the changing contexts of science and technology. Science transformed?: Debating Claims of an Epochal Break, ed. A. Nordmann, H. Radder, G. Schielmann University of Pittsburgh Press, Pittsburgh, pp. 93–105. DOI: 10.2307/j.ctt5hjssc.11.
28.   Kasprzyk J.-P., Devillet G. (2021) A data cube metamodel for geographic analysis involving heterogeneous dimensions // ISPRS International Journal of Geo-Information. 10 (2), DOI: 10.3390/ijgi10020087.
29.   Kasprzyk J.-P., Donnay J.-P. (2016) A Raster SOLAP for the visualization of crime data fields // GEOProcessing 2016. pp. 109–117.
30.   Kim A. M. (2015) Critical cartography 2.0: From Уparticipatory mappingФ to authored visualizations of power and people // Landscape and Urban Planning. 142, pp. 215–225. DOI: 10.1016/j.landurbplan.2015.07.012.
31.   Kitchin R. (2014) Big data, new epistemologies and paradigm shifts // Big Data and Society. 1 (1), pp. 1–12. DOI: 10.1177/2053951714528481.
32.   Kmoch A., Vasilyev I., Virro H., Uuemaa E. (2022) Area and shape distortions in open-source discrete global grid systems // Big Earth Data. 6 (3), pp. 256–275. DOI: 10.1080/20964471.2022.2094926.
33.   Kuznetsov S. D., Kudryavtsev Yu. A. (2009) A mathematical model of the OLAP cubes // Programming and Computer Software. 35 (5), pp. 257–265. DOI: 10.1134/S0361768809050028.
34.   Laney D. (2001) 3D data management: Controlling data volume, velocity and variety // META group research note, Stanford. 6 (70), pp. 1–4.
35.   Lee J.-G., Kang M. (2015) Geospatial big data: Challenges and Opportunities // Big Data Research. 2 (2), pp. 74–81. DOI: 10.1016/j.bdr.2015.01.003.
36.   Li M., McGrath H., Stefanakis E. (2022) Multi-resolution topographic analysis in hexagonal Discrete Global Grid Systems // International Journal of Applied Earth Observation and Geoinformation. 113, 102985, DOI: 10.1016/j.jag.2022.102985.
37.   Li M., Stefanakis E. (2020) Geospatial operations of discrete global grid systems – a comparison with traditional GIS // Journal of Geovisualization and Spatial Analysis. 4 (2), DOI: 10.1007/s41651-020-00066-3.
38.   Li S., Dragicevic S., Castro F. A., Sester M., Winter S., Coltekin A., Pettit C., Jiang B., Haworth J., Stein A., Cheng T. (2016) Geospatial big data handling theory and methods: A review and research challenges // ISPRS Journal of Photogrammetry and Remote Sensing. 115, pp. 119–133. DOI: 10.1016/j.isprsjprs.2015.10.012.
39.   Li Z., Tang W., Huang Q., Shook E., Guan Q. (2020) Introduction to big data computing for geospatial applications // ISPRS International Journal of Geo-Information. 9 (8), DOI: 10.3390/ijgi9080487.
40.   Lukin V., Vasilyeva I., Krivenko S., Li F., Abramov S., Rubel O., Vozel B., Chehdi K., Egiazarian K. (2020) Lossy compression of multichannel remote sensing images with quality control // Remote Sensing. 12 (22), DOI: 10.3390/rs12223840.
41.   Lynch C. (2009) Jim Gray's Fourth Paradigm and the Construction of the Scientific Record. The fourth paradigm: data-intensive scientific discovery, ed. T. Hey, S. Tansley, K. Tolle Microsoft Research, Redmond, Washington, pp. 177–184.
42.   Miller H. J. (2010) The data avalanche is here. ShouldnТt we be digging? // Journal of Regional Science. 50 (1), pp. 181–201. DOI: 10.1111/j.1467-9787.2009.00641.x.
43.   Miller H. J., Goodchild M. F. (2015) Data-driven geography // GeoJournal. 80 (4), pp. 449–461. DOI: 10.1007/s10708-014-9602-6.
44.   Purss M. B. J., Peterson P. R., Strobl P., Dow C., Sabeur Z. A., Gibb R. G., Ben J. (2019) Datacubes: A discrete global grid systems perspective // Cartographica: The International Journal for Geographic Information and Geovisualization. 54 (1), pp. 63–71. DOI: 10.3138/cart.54.1.2018-0017.
45.   Robinson A. C., Demšar U., Moore A. B., Buckley A., Jiang B., Field K., Kraak M.-J., Camboim S. P., Sluter C. R. (2017) Geospatial big data and cartography: research challenges and opportunities for making maps that matter // International Journal of Cartography. 3 (sup1), pp. 32–60. DOI: 10.1080/23729333.2016.1278151.
46.   Shurygina A., Titov G. (2022) Building Datacube for Maritime Applications on Discrete Global Grid System // IGARSS 2022 – 2022 IEEE International Geoscience and Remote Sensing Symposium Proceedings, Kuala Lumpur, Malaysia: IEEE. pp. 2446–2449. DOI: 10.1109/IGARSS46834.2022.9884498.
47.   Sudmanns M., Tiede D., Lang S., Bergstedt H., Trost G., Augustin H., Baraldi A., Blaschke T. (2020) Big Earth data: disruptive changes in Earth observation data management and analysis? // International Journal of Digital Earth. 13 (7), pp. 832–850. DOI: 10.1080/17538947.2019.1585976.
48.   Sui D., Goodchild M., Elwood S. (2013) Volunteered Geographic Information, the Exaflood, and the Growing Digital Divide. Crowdsourcing geographic knowledge: volunteered geographic information (VGI) in theory and practice, ed. D. Sui, M. Goodchild, S. Elwood Springer, Dordrecht; New York, pp. 1–14. DOI: 10.1007/978-94-007-4587-2_1.
49.   Vatsavai R. R., Ganguly A., Chandola V., Stefanidis A., Klasky S., Shekhar S. (2012) Spatiotemporal data mining in the era of big spatial data: algorithms and applications. Proceedings of the 1st ACM SIGSPATIAL International Workshop on Analytics for Big Geospatial Data – BigSpatialТ12 ACM Press, Redondo Beach, California, pp. 1–10. DOI: 10.1145/2447481.2447482.
50.   Waltman L., van Eck N. J., Noyons E. C. M. (2010) A unified approach to mapping and clustering of bibliometric networks // Journal of Informetrics. 4 (4), pp. 629–635. DOI: 10.1016/j.joi.2010.07.002.
51.   Wong D. W. S. (2004) The Modifiable Areal Unit Problem (MAUP). WorldMinds: Geographical Perspectives on 100 Problems, ed. D. G. Janelle, B. Warf, K. Hansen Springer Netherlands, Dordrecht, pp. 571–575. DOI: 10.1007/978-1-4020-2352-1_93.
52.   Yao X., Li G., Xia J., Ben J., Cao Q., Zhao L., Ma Y., Zhang L., Zhu D. (2019) Enabling the Big Earth Observation Data via Cloud Computing and DGGS: Opportunities and Challenges // Remote Sensing. 12 (1), DOI: 10.3390/rs12010062.
Образец цитирования:
Титов Г.С., 
Каргашин П.Е., 
Многомерный куб данных на основе дискретных глобальных систем сеток как подход к моделированию пространственных данных // Геодезия и картография. – 2023. – № 6. – С. 19-29. DOI: 10.22389/0016-7126-2023-996-6-19-29
СТАТЬЯ
Поступила в редакцию: 20.12.2022
Принята к публикации: 15.06.2023
Опубликована: 20.07.2023

Содержание номера

2023 июнь DOI:
10.22389/0016-7126-2023-996-6