Модель и алгоритмы для решения задач управления и принятия решений в муниципальных геоинформационных системах тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат наук Купцов Кирилл Васильевич

• Купцов Кирилл Васильевич
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Купцов Кирилл Васильевич

Введение

ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ И АЛГОРИТМОВ ПОЛУЧЕНИЯ И ОБРАБОТКИ ИНФОРМАЦИИ ДЛЯ ЗАДАЧ УПРАВЛЕНИЯ И ПРИНЯТИЯ РЕШЕНИЙ

1.1 Описание проблемных ситуаций при получении и обработке информации для задач управления на основе идентификации пространственных объектов

1.2 Обзор моделей и алгоритмов получения и обработки пространственной и организационно-экономической информации для задач управления и принятия решений

1.3 Методы и алгоритмы получения и обработки информации для задач управления и принятия решений на основе идентификации объектов

1.4 Обзор методов получения и обработки информации для задач управления на основе топологического анализа данных

1.5 Обзор программных систем обеспечения принятия решений на основе моделей, методов и алгоритмов получения и обработки информации о

пространственных объектах

Выводы по главе

Постановка задачи исследования

ГЛАВА 2. МОДЕЛЬ УПРАВЛЕНИЯ МУНИЦИПАЛЬНЫМИ ОБРАЗОВАНИЯМИ, МАРШРУТ ПРОЦЕССА ПРИНЯТИЯ РЕШЕНИЙ И МАТЕМАТИЧЕСКОЕ ОПИСАНИЕ ТОПОЛОГИЧЕСКИХ ПРИЗНАКОВ ПРОСТРАНСТВЕННЫХ ДАННЫХ

2.1 Модель управления муниципальными образованиями и маршрут процесса принятия решений

2.2 Понятие симплициального комплекса

2.3 Представление пространственных данных на основе симплициального комплекса

2.4 Математическое описание топологических свойств пространственных объектов

2.5 Математическое описание топологических особенностей

пространственных сцен

Выводы по главе

ГЛАВА 3. МЕТОД И АЛГОРИТМЫ ОБЕСПЕЧЕНИЯ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ НА ОСНОВЕ ИДЕНТИФИКАЦИИ ПРОСТРАНСТВЕННЫХ ОБЪЕКТОВ

3.1 Метод обеспечения принятия решений на основе выявления топологических характеристик пространственных объектов

3.2 Метод сравнения пространственных объектов по баркоду

3.3 Алгоритм классификации объектов с применением методов персистентной гомологии для повышения оперативности управления

3.4 Алгоритм обеспечения принятия решений при выполнении задачи поиска незаконно расположенных объектов на основе идентификации объектов

3.5 Алгоритм проверки корректности перехода на другой масштаб

3.6 Алгоритм получения и обработки информации на основе идентификации

пространственных структур

Выводы по главе

ГЛАВА 4. ИССЛЕДОВАНИЕ АЛГОРИТМОВ ОБЕСПЕЧЕНИЯ ПРИНЯТИЯ РЕШЕНИЙ НА ТЕСТОВЫХ ДАННЫХ И НА РЕАЛЬНЫХ ДАННЫХ МУНИЦИПАЛЬНОЙ ГЕОИНФОРМАЦИОННОЙ СИСТЕМЫ

4.1 Задачи программного комплекса

4.2 Исследование алгоритмов обработки и получения информации для принятия решений на тестовых данных

4.3 Исследование работы алгоритмов на графических данных системы обеспечения принятия решений на основе муниципальной ГИС

4.4 Исследование работы программного модуля системы обеспечения принятия решений на базе муниципальной геоинформационной системы при идентификации отсутствующего объекта

4.5 Экономический эффект от применения системы обеспечения принятия

решений на основе муниципальной геоинформационной системы

Выводы по главе

Заключение

Литература

Приложение

Приложение

Приложение

Приложение

Введение диссертации (часть автореферата) на тему «Модель и алгоритмы для решения задач управления и принятия решений в муниципальных геоинформационных системах»

ВВЕДЕНИЕ

Актуальность работы. Современные административно-управленческие территориальные структуры представляют собой сложные социально-экономические системы, в контур управления которыми входит человек в силу наличия объективных и субъективных геопространственных и организационно-экономических данных о муниципальных образованиях (МО). Одним из направлений управления этими системами является обеспечение принятия решений (ОПР), где исходными данными для выработки рекомендаций и управленческих решений являются актуализированные электронные карты городских территорий (строительство, транспортные системы, экология [21, 22, 108, 112] и др.) В настоящее время подобные задачи управления решаются с помощью геоинформационных систем (ГИС) различного назначения (ArcGIS, Панорама и т.д.) Тем не менее, проблема разработки и совершенствования методов и алгоритмов получения и обработки информации для задач управления МО рассмотрены локально в части совместной обработки геопространственных и организационно-экономических данных.

Огромные объемы картографических данных, достаточно сложные структурно-геометрические форма и расположение зданий на карте, обязательность учета в вычислениях количественных атрибутов (тип здания, назначение, остаточная стоимость и др.), трудность координатной привязки и последующего анализа определяют значительные затраты времени на выработку управленческих решений.

Процесс управления принятием решений включает в себя стадии: предварительной обработки данных, классификации и идентификации объектов карты, формирования рекомендаций для лица, принимающего решения. Задачи классификации и идентификации пространственных объектов являются одними из ключевых задач обеспечения принятия решений [147]. Существующие методы и алгоритмы не позволяют с высокой

эффективностью и необходимой достоверностью решать задачи управления процессом обеспечения принятия решений в МО, так как они ограничены в части подготовки и актуализации геопространственных и организационно-экономических данных муниципалитетов на разномасштабных картах. Успешное решение указанных задач позволит ускорить процесс и повысить качество принятия управленческих решений.

Степень разработанности темы исследования. Наибольший вклад в решение задач управления территориями, классификации и идентификации пространственных объектов и др. внесли В.В. Сергеев, Ю.Г. Васин, В.С. Титов, В.В. Еремеев, А.В. Кошкарев, А.А. Варламов, С.А. Гальченко, Д.А. Шаповалов, А.П. Сизов, В.С. Тикунов.

Одним из наиболее актуальных подходов для решения этих задач является применение методов обеспечения принятия решений и оптимизации, основные принципы которых базируются на работах таких авторов как Д.А. Новиков, В.Н. Бурков, С.А. Баркалов, И.В. Буркова, А.В. Щепкин.

Использование методов, разработанных указанными авторами, позволяет осуществлять обеспечение принятия решений в муниципальных ИС, решать проблемы идентификации и классификации объектов для частных задач, однако, не позволяют анализировать картографические объекты при сопоставлении карт разного вида и разных масштабов. Особенно остро выделяют вопрос учета инвариантности к аффинным преобразованиям, деформации, сжатия и растяжения пространственных объектов [154, 155] в составе МО, что влечет появление ошибок классификации и идентификации объектов на растровых и векторных картах и последующую некорректную их экономическую оценку (исчисление имущественного налога и др.)

Таким образом, в настоящее время имеет место противоречие, состоящее в том, что существует объективная необходимость повышения оперативности принятия решений при управлении муниципальными

образованиями, и, при этом, отсутствуют адекватные модели и автоматизированные средства обеспечения принятия решений в управлении муниципальными объектами.

В этой связи актуальной научно-технической задачей является разработка модели и алгоритмов обеспечения принятия решений в задачах управления муниципальными образованиями на основе геоинформационных технологий, позволяющих повысить оперативность принятия управленческих решений.

Объектом исследования является система управления муниципальными образованиями.

Предмет исследования. Модели, методы и алгоритмы обеспечения принятия решений в задачах управления муниципальными образованиями и городской инфраструктурой.

Цель диссертационной работы. Повышение оперативности обеспечения принятия управленческих решений для муниципальных образований за счет применения геоинформационных технологий.

Основные задачи работы.

1. Выполнить анализ состояния вопроса управления муниципальными образованиями. Определить направления исследования.

2. Сформировать модель управления муниципальными образованиями для совершенствования процессов получения и обработки информации для задач управления муниципалитетами.

3. Разработать метод обеспечения принятия решений, позволяющий анализировать информацию в муниципалитетах, имеющую картографическую привязку и изменяемую в пространстве и времени.

4. Разработать алгоритмы обеспечения принятия решений для управления муниципальными образованиями. Провести их апробацию и исследование работоспособности на базе муниципальных геоинформационных систем.

Соответствие паспорту специальности. Содержание диссертационной работы соответствует п.6 «Разработка и совершенствование методов получения и обработки информации для задач управления социальными и экономическими системами» паспорта научной специальности 05.13.10 - «Управление в социальных и экономических системах».

Научная новизна работы и положения, выносимые на защиту.

1. Модель управления муниципальными образованиями, отличающаяся возможностью интеграции данных мониторинга местности и позволяющая ускорить процесс принятия решений, учитывая топологические и организационно-экономические признаки пространственно-распределенных объектов.

2. Метод обеспечения принятия решений, основанный на представлении метаданных об объектах управления в виде симплициальных комплексов и баркодов, отличающийся тем, что позволяет производить выборку данных инвариантно к аффинным преобразованиям, изменениям масштаба и в процессе принятия решений учитывать топологические характеристики.

3. Алгоритмы обеспечения принятия решений в задачах управления муниципальными образованиями, основанные на принципах персистентной гомологии, и позволяющие формализовать пространственные и организационно-экономические характеристики муниципальных объектов.

Теоретическая значимость исследования. Теоретическая значимость работы состоит в развитии моделей, методов и алгоритмов обеспечения принятия решений при управлении муниципальными образованиями на основе данных о пространственно-распределенных объектах в геоинформационных системах, а также теории персистентной гомологии.

Практическая значимость исследования. Практическая значимость диссертационной работы определяется разработанными моделью, методом и алгоритмами, применяемыми в программном комплексе комитета

управления муниципальным имуществом округа Муром на базе ГИС ИнГео, что позволяет решать задачи обеспечения принятия управленческих решений на городском уровне. Разработанные модель, метод и алгоритмы позволяют повысить оперативность принятия решений по управлению муниципальными объектами в 19,6 раза за счет высокой точности идентификации и классификации объектов (свыше 95%). Среднее время прохождения одной заявки снижено на 35% (при сравнении с ближайшим аналогом). За счет высокой точности найдены возможно незаконно расположенные объекты для участка местности в г. Муроме, потенциальный размер неуплаченных налогов за которые составляет 38 425 рублей в год.

Методы исследования. Теоретические положения, выводы и экспериментальные результаты диссертационной работы получены с использованием методов теории автоматического управления, теории принятия решений, теории проектирования информационных систем, персистентной гомологии, обработки изображений, аналитической геометрии, линейной алгебры и теории множеств.

Достоверность теоретических выводов и практических результатов диссертационной работы определяется:

1. Корректностью использования полученных выводов и подходов теорий персистентной гомологии и симплексов при анализе данных о пространственно-распределенных объектах с учетом их внутренней и внешней топологии в системах обеспечения принятия управленческих решений (СОПР).

2. Использованием разработанных методов, алгоритмов и моделей в муниципальных ГИС для решения реальных прикладных задач управления.

3. Использованием полученных результатов диссертационной работы в муниципальной геоинформационной системе, подтвержденных актами внедрения.

Результаты работы получены автором в результате выполнения гранта РФФИ № 17-47-330387, гранта администрации Владимирской области.

Работа также поддержана экспертами всероссийского конкурса «Моя страна - моя Россия». Проект признан победителем в номинации «Передовые производственные технологии НТИ».

Диссертационная работа и отдельные ее части обсуждались на международной конференции «ICIE-2015» (ЮУрГУ, г. Челябинск, 2015), международной конференции «MEACS-2015» (г. Томск, 2015), международном симпозиуме «Надежность и качество» (ПГУ, г. Пенза, 2016), международной конференции «AIST-2016» (УрФУ, г. Екатеринбург, 2016), международной конференции «ГрафиКон-2016» (ННГАСУ, г. Нижний Новгород, 2016), международной конференции «RPC-2017» (ДВФУ, г. Владивосток, 2017), международной конференции «AIST-2017» (МПУ, г. Москва, 2017), международной конференции «SCM-2017» (г. Санкт-Петербург, 2017), международной конференции «Распознавание» (ЮЗГУ, г. Курск, 2017, 2018, 2019), международной конференции «ITNT-2018» (Самарский университет, г. Самара, 2018), на Всероссийской конференции «Зворыкинские чтения» (МИ ВлГУ, г. Муром, 2016, 2017, 2018, 2019).

Публикации. По теме диссертации опубликовано 28 научных работ: в числе которых 5 статей в научных изданиях из Перечня центральных рецензируемых журналов и изданий, рекомендуемых ВАК; 9 публикаций, индексируемых в базе Scopus; 2 публикации, индексируемых в базе Web of Science; 7 тезисов докладов. Получено 2 свидетельства о государственной регистрации программы для ЭВМ.

Личный вклад. Все выносимые на защиту положения разработаны соискателем лично. В основных научных работах по теме диссертации, опубликованных в соавторстве, лично соискателем разработаны: в [5, 9, 73, 145, 146] - проведен анализ и обзор моделей, методов и алгоритмов идентификации пространственных объектов, в [2, 6, 75, 87, 143, 162, 165] -метод и алгоритмы идентификации объектов и выделения схожих областей, в [7, 10, 74, 86, 164] - алгоритмы классификации объектов, в [3, 8, 88, 142, 144,

163] - экспериментальные исследования разработанных метода и алгоритмов.

Объем и структура работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 188 наименований и 4 приложений. Общий объем диссертации 137 страниц, в том числе 117 страниц основного текста, 16 страниц списка литературы, 4 страницы приложений. Таблиц 16, рисунков 70.

ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ И АЛГОРИТМОВ ПОЛУЧЕНИЯ И ОБРАБОТКИ ИНФОРМАЦИИ ДЛЯ ЗАДАЧ УПРАВЛЕНИЯ И ПРИНЯТИЯ РЕШЕНИЙ

В первой главе рассмотрены вопросы обеспечения принятия решений в процессе управления муниципальными образованиями. Процессы обработки, анализа и управления данными о муниципальных объектах являются трудоемкими и требуют длительного времени из-за большого объема данных. Так как данные поступают из нескольких источников, возникает сложность при их сопоставлении, поиске информации об одном и том же объекте и его идентификации в различных источниках. Отсутствие единого формата исходных данных приводит к возникновению большего числа ошибок, которые появляются в течение процессов обработки, анализа и управления в силу значительного влияния человеческого фактора, и затрудняет процесс идентификации муниципального объекта, особенно, для карт разного вида и разных масштабов. Это приводит к принятию неверных управленческих решений и, как следствие, к экономическим потерям. Описаны проблемные ситуации, возникающие при получении и обработке данных, рассмотрены алгоритмы представления данных в системах обеспечения принятия решений (СОПР).

Наличие на данном этапе системы обеспечения принятия решений позволит снизить неопределенность, а также ускорит время принятия решения за счет возможности обработки больших данных, сохранения ключевой пространственной и организационно-экономической информации и корректной идентификации муниципальных объектов.

Представлена схема процесса принятия решений для управления муниципальными образованиями на основе ГИС-технологий (рис. 1.1), в которой определено место и связи блока получения и обработки информации для задач управления МО.

Рисунок 1.1 - Схема процесса принятия решений для управления муниципальными образованиями на основе ГИС-технологий.

Подробно рассматриваются методы и алгоритмы, применяемые в блоке получения и обработки информации. Их совершенствование позволит ускорить процесс принятия управленческих решений.

1.1 Описание проблемных ситуаций при получении и обработке информации для задач управления на основе идентификации пространственных объектов

Существуют различные классы пространственных данных, для которых решаются задачи получения и обработки информации для задач управления на основе процессов идентификации и классификации пространственных объектов. Это могут быть топографические планы городов, планшеты, снимки с летательных аппаратов (дронов и т.д.), векторизованные данные. Полученные результаты можно использовать для автоматического разбиения пространственных объектов по классам, в сельском хозяйстве (для оценки роста культур), в экологии (для оценки заболоченности местности, вырубки лесов), мониторинга застройки зданий, обрушения ветхого жилья, мониторинга ремонта дорожного покрытия и т.д. Эти проблемы являются

актуальными и сложными в силу наличия различных особенностей, характерных для каждого рода проблем. Достижение результата в одной сфере не означает решение проблемы из другой области. Это происходит в силу глобальных различий между классами пространственных объектов.

Также затрудняет решение этих проблем отсутствие полноты исходных данных, их искаженность. Для снимков с летательных аппаратов это могут быть загрязнение камеры, солнечные блики (или наоборот затемненность территории), наложение теней от других пространственных объектов, наложение объектов друг на друга и т.д. Для топографических планов это могут быть отметки о свойствах этих объектов или других объектов, расположенных рядом. Далеко не все существующие методы способны показать приемлемый результат в условиях неодназначности данных. В то же время методы обязаны быть не только универсальными к типу пространственного объекта, но и уметь корректно обрабатывать неоднозначные (искаженные) данные.

1.2 Обзор моделей и алгоритмов получения и обработки пространственной и организационно-экономической информации для задач управления и принятия решений

Информационную основу блока получения и обработки информации в системах обеспечения принятия решений на основе геоинформационных технологий составляют цифровые модели представления реальности. С развитием информационных технологий данные можно классифицировать по двум видам: аналоговые и цифровые. Если рассматривать данные в отношении описываемых ими пространственных объектов, то рассуждают о цифровых моделях пространственных объектов. Данные с летательных аппаратов, топографических планов и планшетов представляются в ГИС как цифровые модели. Цифровые модели пространственных данных - это вид информационной модели, отличной от реальной, математической,

мысленной или моделей особого типа (картографической [80] и др.) Объектом информационного моделирования в геоинформационных системах считается пространственный объект.

Пространственный объект - это одно из важнейших понятий в области обработки информации на основе ГИС. Его можно представить как модель объекта местности, которая содержит его координаты и набор признаков или сам этот объект. Модель формируется из источника пространственных данных. Пространственные объекты разнообразны и их принято классифицировать согласно характеру пространственной локализации отображаемых ими объектов местности, мерности пространства, модели данных, которая используется для их описания.

Выделяют такие элементарные (базовые) виды пространственных объектов в геоинформационных системах: точечный (точка), линейный (линия), полигональный (полигон, контур). В зависимости от масштаба карты один и тот же объект может видоизменить форму представления, что усложняет его идентификацию на картах разных масштабов и затрудняет процесс принятия управленческих решений. Например, при переходе от крупного масштаба к мелкому полигональный объект может отображаться как линейный или точечный объекты. Обычное жилое задание имеет прямоугольную форму, но чем дальше отдаляться от объекта, тем больше вероятность, что на одном из этапов изменения масштаба, здание примет форму представления точечного типа. Объекты базовых типов в ГИС представляют собой пространственные элементы, которые обычно называют примитивами.

Точечным объектом называют малоразмерный (0-мерный) объект, который располагается только в одной точке пространства и характеризуется плановыми координатами [72]. Кроме того, может представлять некий условный объект, не имеющий размеров, например, отметку высот. Такими объектами могут быть деревья, дома, перекрестки дорог и др. О таких объектах говорят, что они дискретные, в том смысле, что каждый из них

может занимать в любой момент времени только определенную точку пространства. При вводе пространственных данных в СОПР на основе геоинформационных систем принимают, что точечный объект может быть обозначен координатами х, у и не имеет пространственной протяженности. На самом деле, каждый точечный объект обладает пространственной протяженностью, в противном случае их нельзя было бы рассмотреть на карте и, соответственно, идентифицировать.

Под линейным объектом понимается 1-мерный объект, образованный последовательностью не менее двух точек с известными плановыми координатами. Линейный объект также можно понимать как объект, который характеризуется некоторой протяженностью (линией) на карте и местности. Или как объект, локализованный в виде линии, чья ширина не выражается в масштабе карты (река, дорога и т.д.) Может также представлять некий условный объект, не имеющий размеров, например, границу [111].

Полигональный объект - объект, имеющий площадь, выражающуюся в масштабе карты. Определяется замкнутой границей и определяемой ей внутренней областью, например, лес, озеро [36].

Способы организации цифровых описаний пространственных данных точечных, линейных и полигональных объектов, как правило, называют моделями данных. Существует множество различных классификаций моделей пространственных данных. При этом построить исчерпывающую вряд ли возможно. Однако, в области геоинформатики утвердился некоторый набор базовых моделей пространственных данных (мерность объектов не более двух): растровая модель, регулярно-ячеистая, квадротомическая, векторная, топологическая и т.д.

Растровая модель данных в ГИС предполагает разбиение пространства с пространственными объектами на дискретные элементы, упорядоченные в виде прямоугольной матрицы. Положение точечного объекта при этом будет однозначно определено номерами столбца и строки матрицы. Элементу матрицы (пикселю - 2-мерному объекту, получаемому в результате

дискретизации изображения) присваивается цифровое значение, которое определяет имя или семантику (атрибут) объекта. Аналогичным образом описываются линейные и полигональные объекты. Представление данных в виде растра может оказаться грубым приближением их истинной формы. Подбор необходимого размера пикселя позволит улучшить визуальное восприятие, но может существенно увеличить объем информации об объекте. Также из-за этого данная модель непригодна для использования на картах разного масштаба. Достоинством растровой модели является скорость и простота выполнения операций над объектами, но это накладывает дополнительную нагрузку на машинную память, что требует выполнения операций по сжатию информации для получения приемлемых результатов в задачах идентификации и классификации пространственных объектов. Выполнение задач генерализации или сравнения карт увеличивает и без того немалое количество требуемых ресурсов и нуждается в большем объеме времени. Эти факторы затрудняют использование данной модели при решении задач получения и обработки информации на основе процессов идентификации и классификации пространственных объектов.

Регулярно-ячеистая модель представления данных похожа на растровую, но в ее описании элементом «разбиения» является не пиксель, а регулярная пространственная ячейка правильной геометрической формы (ячейка - это 2-мерный объект, элемент разбиения земной поверхности линиями регулярной сети). По ряду технических причин эта модель применялась в геоинформационных системах первых поколений. Она имеет ту же специфику при решении задач получения и обработки информации и те же недостатки.

В основе квадротомической модели лежит подход на базе квадротомического дерева (квадродерева). В его основе лежит разбиение территории на вложенные друг в друга пиксели или регулярные ячейки с образованием иерархической древовидной структуры. Преимущество этой модели по сравнению с растровой и регулярно-ячеистой - это компактность.

Векторные модели представления данных используются для описания точечных, линейных и полигональных объектов и исторически связаны с технологиями оцифровки карт, планов и другой графической информации с помощью устройств ввода векторного типа - дигитайзеров. Данная модель не является эффективной с точки зрения неизбытычности хранимых данных и возможности анализа. Также ее называют векторной нетопологической моделью.

В топологической (или векторной топологической, линейно-узловой) модели применяются множества на основе трех элементов: узлов, дуг и полигонов. Между этими объектами устанавливаются некоторые топологические отношения, необходимым элементом которых должна быть связь дуг и узлов, полигонов и дуг. В модели этого типа установлены взаимоотношения между позиционной частью и атрибутикой. Пространственные отношения - это значимый фактор, создающий условия для решения новых задач и позволяющий получить новое решение известных задач. Анализ взаимоотношений пространственных объектов - это трудоемкая задача в сфере обработки данных в системах обеспечения принятия решений. Наличие установленных взаимосвязей позволяет ускорить процесс обработки пространственных запросов, решать задачи получения и обработки информации за счет процессов идентификации объектов на карте, классификации пространственных данных, сопоставления разномасштабных карт.

Для этих и других моделей применяются методы идентификации пространственных объектов, которые применимы как к нескольким моделям представления данных, так и направлены под какую-то определенную модель.

1.3 Методы и алгоритмы получения и обработки информации для задач управления и принятия решений на основе идентификации объектов

Методы, позволяющие произвести идентификацию или классификацию, можно разбить на несколько основных классов: на основе спектрального анализа, цифровой обработки изображений, аналитической и вычислительной геометрии, искусственного интеллекта, на базе нейросетей, теории графов (рисунок 1.2).

Рисунок 1.2 - Методы и алгоритмы идентификации объектов

При анализе карт обрабатывается большой объем разнотипной информации (аналитические данные, моноэлементные карты, комплексные карты и т.д.). Применение традиционных методов для хранения, обработки и преобразований такого количества данных почти невозможно без ущерба для ее актуальности и востребованности. Перед технологиями получения и обработки пространственной информации ставится задача обеспечить возможность одновременной работы с картографической и с аналитической базами данных (БД); выполнять роль системы обеспечения принятия решений, которая позволит упростить поиск необходимых данных; обеспечить возможность фильтрации картографической информации по предлагаемым запросам; предоставит инструменты для принятия адекватного управленческого решения и т. д. [81]

Широкое применение получили методы цифровой обработки изображений для обработки данных дистанционного зондирования. В [57, 58, 114-116, 170] приведены подходы для автоматической классификации объектов по многоспектральным изображениям. Основу исследований составляет спектрально-энергетический метод идентификации импульсной характеристики по изображениям. Разработанные методы [117, 146-148, 158] применяются для идентификации объектов агропромышленной сферы, движущихся объектов, зданий. Результаты идентификации имеют высокие показатели в узкоспециализированных областях, например, для оценки ареалов растений [60], для получения карт типов растительности [197], а также для идентификации ранних культур по спутниковым снимкам [201]. Стоит обратить внимание, что используемый метод имеет характерные особенности в математическом описании. Это дает возможность решить частную задачу, но затрудняет использовать данный подход для идентификации пространственных объектов любой природы.

Список литературы диссертационного исследования кандидат наук Купцов Кирилл Васильевич, 2020 год

ЛИТЕРАТУРА

1. Алсынбаев К.С., Забелин В.А., Черемисина Е.Н. Ввод и векторизация растровых изображений для решения геологических и экологических задач // Разведка И Охрана Недр. 1993. № 11. C. 12-16.

2. Андрианов Д.Е. [и др.]. Алгоритм идентификации пространственных объектов растровой карты на основе топологического анализа данных // Телекоммуникации. 2017. № 7. C. 39-44.

3. Андрианов Д.Е. [и др.]. Алгоритм кодирования nD пространственных объектов в ГИС 2018. C. 800-805.

4. Андрианов Д.Е., Выскуб В.Г., Титов В.С. Разработка систем ввода и обработки информации о пространственно-распределенных объектах в муниципальных ГИС.

5. Андрианов Д.Е., Еремеев С.В., Купцов К.В. Повышение Надежности Алгоритмов Обработки Данных Пространственно-Распределенных Объектов На Основе Топологических Признаков // Труды Международного Симпозиума Надежность И Качество. 2016. (1). C. 74-76.

6. Андрианов Д.Е., Еремеев С.В., Купцов К.В. Алгоритм выделения картографических объектов растровой карты на основе топологического анализа данных Автономная некоммерческая организация «Институт физико-технической информатики», 2016. 395-399 с.

7. Андрианов Д.Е., Еремеев С.В., Купцов К.В. Алгоритм семантической классификации пространственных объектов и сцен с использованием топологических признаков и классификатора random forest на многомасштабных картах // Прикаспийский Журнал: Управление И Высокие Технологии. 2018. № 4 (44). C. 8-18.

8. Андрианов Д.Е., Еремеев С.В., Купцов К.В. Алгоритмы обработки заказов в ГИС промышленного предприятия // Телекоммуникации. 2019. № 2. C. 2934.

9. Андрианов Д.Е., Купцов К.В. Идентификация пространственно-распределенных объектов на основе топологического анализа данных Муром:, 2017. 137 с.

10. Андрианов Д.Е., Купцов К.В. Поиск И Классификация Пространственных Объектов На Основе Методов Алгебраической Топологии Юго-Западный государственный университет, 2018. 47-49 с.

11. Архипов А.Е. [и др.]. Методы цифровой обработки изображений / А.Е. Архипов, С.В. Дегтярев, С.С. Садыков, С.Н. Середа, В.С. Титов, Юго-Западный государственный университет,.

12. Архипов А.Е. [и др.]. Устройство Для Ввода Изображения В Эвм.

13. Архипов А.Е. [и др.]. Устройство Для Ввода Изображения В Эвм.

14. Архипов А.Е. [и др.]. Устройство Для Обработки Изображений.

15. Атакищев А.О., Белов А.В., Николаев А.В. Использование Квадродеревьев В Динамических Электронных Фотокартах // Известия Юго-Западного Государственного Университета. 2011. № 6-2 (39). С. 36-40.

16. Атакищев О.И. [и др.]. Формальные грамматики в распознавании образов 1999. 260-263 с.

17. Атакищев О.И., Белов А.В. Особенности выполнения пространственных запросов в ГИС с использованием квадродеревьев пространственных данных Юго-Западный государственный университет, 2010. 232-234 с.

18. Атакищев О.И., Титов В.С. Модель данных многофункционального цифрового оконечного терминала ГИС 2003. С. 191-192.

19. Ахметов Р.Н. [и др.]. Модели Формирования И Некоторые Алгоритмы Обработки Гиперспектральных Изображений // Исследование Земли Из Космоса. 2014. № 1. С. 17.

20. Ахметов Р.Н. [и др.]. ВЫСОКОТОЧНАЯ Геодезическая привязка изображений земной поверхности от КА "Ресурс-П" 2017. № 1. С. 44-53.

21. Баринов А.Ю. Космический мониторинг природной катастрофы в провинции Сычуань (Китай) // Геориск. 2008. № 2. С. 24-26.

22. Баринов А.Ю., Гершензон В.Е. Космические снимки в инфраструктуре пространственных данных РФ 2009. № 1. С. 94-112.

23. Белов А.В. Внешняя и внутренняя структуры, предназначенные для представления пространственных данных в виде деревьев Юго-Западный государственный университет, 2010. 228-229 с.

24. Белов А.В. Преобразование квадродерева простанственных данных гис в бинарное дерево // Современные Информационные Технологии. 2010. № 11. С. 154-156.

25. Белов А.В. Представление квадродерева пространственных данных ГИС в виде цифровой последовательности // Современные Информационные Технологии. 2011. № 13. С. 164-165.

26. Белов А.В. Отображение графической и атрибутной информации фрагментов изображения, представленных линейными квадродеревьями, на основе операций реляционной алгебры 2012. № 9 (13). C. 52-55.

27. Белов А.В. Передача и хранение фрагментов изображения дистанционного зондирования при помощи различных схем кодирования квадродеревьев. Часть 1. Схемы кодирования квадродеревьев // Телекоммуникации. 2013. № 2. C. 37-41.

28. Белов А.В. Передача и хранение фрагментов изображения дистанционного зондирования при помощи различных схем кодирования квадродеревьев. Часть 2. Сравнительный аналитический и экспериментальный анализ схем кодирования квадродеревьев // Телекоммуникации. 2013. № 3. C. 36-40.

29. Белов А.В., Белова Т.М. Способы Хранения Растровых Данных На Основе Квадродеревьев В Системах Поддержки Принятия Решений // Известия Юго-Западного Государственного Университета. 2012. № 4-2 (43). C.84a-887.

30. Белов В.Г., Белов А.В. Особенности Обработки Растровых Данных В Распределенных Геоинформационных Системах // Ученые Записки. Электронный Научный Журнал Курского Государственного Университета. 2006. № 1. C. 137-141.

31. Белов В.Г., Белова Т.М. Определение Пересечения Пространственных Объектов, Представленных В Растровой Форме, С Помощью Модифицированных B Plus Деревьев Закрытое акционерное общество «Университетская книга», 2017. 56-59 с.

32. Белов В.Г., Белова Т.М. Способ Кодирования Для Растровой Формы Представления Пространственных Объектов Юго-Западный государственный университет, 2017. 63-64 с.

33. Бойцов А.В., Мирошниченко С.Ю. Метод векторного кодирования объектов на бинарных контурных аэрокосмических изображениях 2009. 117— 120 с.

34. Бурцев М.А. [и др.]. Комплекс Оперативной Обработки Гидрометеорологической Спутниковой Информации // Исследование Земли Из Космоса. 2009. № 1. C. 16-23.

35. Варламов А.Д., Шарапов Р.В. Использование нейронных сетей для оценки уровня заболоченности территории на основе данных дистанционного зондирования 2015. № 3. C. 29-33.

36. Васин Д.Ю. Исследование моделей описания, разработка алгоритмического, программного и технологического обеспечения обработки растровых изображений графических документов 2006.

37. Васин Ю.Г. [и др.]. Программный комплекс обработки пространственно-распределенных данных и большеформатных изображений на малых платформах // Хроники Объединенного Фонда Электронных Ресурсов Наука И Образование. 2013. № 6 (49). С. 29.

38. Васин Ю.Г. [и др.]. Программный комплекс «Сжатие графических изображений на базе распознавания и статистического кодирования» // Хроники Объединенного Фонда Электронных Ресурсов Наука И Образование. 2013. № 7 (50). С. 85.

39. Васин Ю.Г. Модели, методы и инструментальные средства создания, хранения, обработки и анализа пространственно распределенных данных в ГИС Автономная некоммерческая организация «Институт физико-технической информатики», 2016. 14-21 с.

40. Васин Ю.Г., Лебедев Л.И. Распознавание трехмерных разномасштабных объектов на базе вычисления оценок сходства 2000. № 1. С. 43-49.

41. Васин Ю.Г., Лебедев Л.И. Распознавание составных объектов изображения на базе структурного и корреляционно-экстремальных методов // Математические Методы Распознавания Образов. 2007. № 1 (13). С. 285288.

42. Васин Ю.Г., Утешева Т.Ш. Методы Вычислительной Геометрии В Решении Задачи Повышения Эффективности Обработки Данных В Гис // Вестник Нижегородского Университета Им. Н.и. Лобачевского. 2014. № 4-1. С. 502-507.

43. Васин Ю.Г., Утешева Т.Ш. Повышение эффективности технологических процессов обработки и анализа графических данных в ГИС Автономная некоммерческая организация «Институт физико-технической информатики», 2015. 68-71 с.

44. Васин Ю.Г., Ясаков Ю.В. Объектно-ориентированная топологическая СУБД для организации хранения и обработки геоинформационных данных на платформе ОС Андроид Автономная некоммерческая организация «Институт физико-технической информатики», 2016. 535-537 с.

45. Воронин А.А. [и др.]. Программный комплекс тематической обработки информации от гидрометеорологических геостационарных КА // Современные Проблемы Дистанционного Зондирования Земли Из Космоса. 2007. № 1 (4). С. 216-221.

46. Воронин А.А. [и др.]. Геометрическая Обработка Данных От Космических Систем Глобального Наблюдения Земли // Вестник Рязанского Государственного Радиотехнического Университета. 2009. № 27. С. 12-17.

47. Воронин А.А. [и др.]. КОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ ФОРМИРОВАНИЯ ГИДРОМЕТЕОРОЛОГИЧЕСКИХ КАРТ ПО СПУТНИКОВЫМ ИЗОБРАЖЕНИЯМ 2009. № 4. С. 24-35.

48. Горбачев С.В. [и др.]. Цифровая Обработка Аэрокосмических Изображений / С.В. Горбачев, С.Г. Емельянов, Д.С. Жданов, С.Ю. Мирошниченко, В.И. Сырямкин, [и др.]., Национальный исследовательский Томский государственный университет,.

49. Дегтярев С.В. [и др.]. Основы теории распознавания образов 1999.

50. Дегтярев С.В. [и др.]. Методы цифровой обработки изображений / С.В. Дегтярев, А.А. Орлов, С.С. Садыков, И.И. Сальников, В.С. Титов, [и др.]., Курский государственный технический университет,.

51. Дегтярев С.В. [и др.]. Способ Компенсации Размытости Изображения Движущихся Объектов И Устройство Для Его Реализации.

52. Дегтярев С.В., Мирошниченко С.Ю. Алгоритм скелетизации бинарных контурных изображений на основе анализа восьмисвязной окрестности точки Тульский государственный университет, 2004. 61-62 с.

53. Дегтярев С.В., Мирошниченко С.Ю., Титов В.С. Телевизионное устройство выделения контуров 2005. № 11 (48).

54. Дегтярев С.В., Рубанов А.Ф., Титов В.С. Оптико-электронная система автоматической регистрации и отслеживания относительных перемещений движущегося объекта на фоне помех // Датчики И Системы. 2000. № 3. С. 3536.

55. Дегтярев С.В., Спеваков А.Г., Титов В.С. Устройство Выделения Контуров Изображений Объектов.

56. Демидова Л.А. [и др.]. Сегментация Объектов По Данным Гиперспектральной Съемки Земли С Использованием Методов Искусственного Интеллекта // Цифровая Обработка Сигналов. 2013. № 4. С. 32-36.

57. Добросердов О.Г. [и др.]. Особенности организации данных в системах обработки информации на основе ГИС 2000. С. 22-31.

58. Егошкин Н.А. [и др.]. Формирование цифровых моделей рельефа на основе высокоточного развертывания фазы интерферограмм от систем радиолокационной съемки Земли 2016. № 11. С. 120-127.

59. Егошкин Н.А., Еремеев В.В. Современные подходы к повышению качества изображений от многоэлементных систем наблюдения Земли // Радиотехника. 2016. № 8. С. 98-103.

60. Егошкин Н.А., Еремеев В.В., Макаренков А.А. Компенсация функции передачи модуляции гиперспектральных и многозональных снимков Земли 2016. С. 21.

61. Емельянов С.Г. [и др.]. Обработка цифровых аэрокосмических изображений для геоинформационных систем / С.Г. Емельянов, С.Ю. Мирошниченко, В.С. Панищев, В.С. Титов, М.И. Труфанов, ТНТ,.

62. Емельянов С.Г. [и др.]. Обработка цифровых аэрокосмических изображений для геоинформационных систем / С.Г. Емельянов, С.Ю. Мирошниченко, В.С. Панищев, В.С. Титов, М.И. Труфанов, ООО «Тонкие наукоемкие технологии»,.

63. Емельянов С.Г. [и др.]. Методы и системы цифровой обработки аэрокосмических изображений / С.Г. Емельянов, Е.А. Кудряшов, С.Ю. Мирошниченко, В.С. Титов, Федеральное государственное унитарное предприятие "Академический научно-издательский, производственно-полиграфический и книгораспространительский центр «Наука»,.

64. Еремеев В.В. Современные Направления Работ По Анализу И Повышению Качества Космических Изображений Поверхности Земли // Цифровая Обработка Сигналов. 2012. № 1. С. 38-44.

65. Еремеев В.В. [и др.]. ПРОБЛЕМНЫЕ ВОПРОСЫ ОБРАБОТКИ ДАННЫХ ОТ КОСМИЧЕСКИХ СИСТЕМ ГИПЕРСПЕКТРАЛЬНОЙ И РАДИОЛОКАЦИОННОЙ СЪЕМКИ ЗЕМЛИ 2017. № 60. С. 54-64.

66. Еремеев В.В. [и др.]. Анализ способов построения распределенных систем для обработки данных ДЗЗ Рязань: Рязанский государственный радиотехнический университет, 2017. 426 с.

67. Еремеев В.В., Зенин В.А. Методика оценки интенсивности структурных искажений в оптико-электронных системах формирования аэрокосмических изображений Юго-Западный государственный университет, 2010. 38-39 с.

68. Еремеев В.В., Князьков П.А. Оценка частотно-контрастной характеристики систем формирования изображений на основе анализа яркостных перепадов Юго-Западный государственный университет, 2008. 150-152 с.

69. Еремеев В.В., Козлов Е.П. Автоматическая координатная привязка изображений от геостационарных космических систем наблюдений Земли по электронным картам 2008. № 23. С. 18-24.

70. Еремеев В.В., Кузнецов А.Е. Технологии наземной обработки данных дистанционного зондирования Земли, создаваемые Рязанским радиотехническим университетом Рязань: Рязанский государственный радиотехнический университет (Рязань), 2017. 92-96 с.

71. Еремеев В.В., Макаренков А.А., Юдаков А.А. ВЫДЕЛЕНИЕ ГРАНИЦ ОБЪЕКТОВ НА ДАННЫХ ДИСТАНЦИОННОЙ ГИПЕРСПЕКТРАЛЬНОЙ СЪЕМКИ ЗЕМЛИ С ПРИМЕНЕНИЕМ ПРОСТРАНСТВЕННЫХ И ЧАСТОТНО-ПРОСТРАНСТВЕННЫХ МЕР СХОДСТВА 2011. № 17. C. 4851.

72. Еремеев С.В. Математические методы и алгоритмы описания и обработки информации о пространственно-распределенных объектах в природопользовании 2006.

73. Еремеев С.В., Андрианов Д.Е., Купцов К.В. Метод идентификации непересекающихся пространственных объектов на основе структурных элементов // Телекоммуникации. 2016. № 11. C. 39-43.

74. Еремеев С.В., Купцов К.В., Ковалев Ю.А. Исследование алгоритма классификации пространственной информации на основе методов персистентной гомологии и random forest 2018. C. 2384-2390.

75. Еремеев С.В., Купцов К.В., Сельцова Е.А. Алгоритм выделения гомогенных областей из множества пространственных объектов // Международная Конференция По Мягким Вычислениям И Измерениям. 2017. (1). C. 428-431.

76. Забияка Ю.И., Типикин А.П., Титов В.С. Теоретические основы быстродействующего устройства инвариантного распознавания контурных изображений // Известия Высших Учебных Заведений. Приборостроение. 2005. № 2 (48). C. 14-17.

77. Захаров А.А. [и др.]. Поиск Объектов На Изображениях С Использованием Структурного Дескриптора На Основе Графов // Компьютерная Оптика. 2018. № 2 (42). C. 283-290.

78. Ильин А.А., Титов В.С., Евсюков В.В. Быстрые алгоритмы цифровой обработки сигналов / А.А. Ильин, В.С. Титов, В.В. Евсюков, Тульский государственный университет,.

79. Калугин А.С., Обади М.Ф., Титов В.С. Устройство Ввода И Обработки Изображений На Базе Микроконтроллера Юго-Западный государственный университет, 2015. 174-175 с.

80. Капралов Е.Г., Кошкарев А.В., Тикунов В.С. Основы геоинформатики: В 2 кн. Кн. 1: Учеб. пособие для О-75 студ. вузов / Е.Г. Капралов, А.В.

Кошкарев, В.С. Тикунов, Москва: Издательский центр «Академия», 2004. 352 с.

81. Килипко В.А. Геоинформационная система многоцелевого геохимического картирования (Структура, создание, функционирование) 1999. С. 152.

82. Килипко В.А., Межеловский Н.В., Карпузов А.Ф. Цифровая геологическая картография и информационные системы 2007. № 2-3. С. 3440.

83. Коростелев С.И., Панищев В.С., Титов В.С. Программа Для Распознавания Образов, Использующая Векторные Эталонные Изображения Юго-Западный государственный университет, 2005. 83-84 с.

84. Коростелев С.И., Панищев В.С., Титов В.С. Устройство Для Распознавания Образов, Использующее Векторные Эталонные Изображения Юго-Западный государственный университет, 2005. 84-86 с.

85. Коростелев С.И., Титов В.С., Панищев В.С. Способ И Устройство Для Распознавания Изображений Объектов.

86. Купцов К.В., Андрианов Д.Е. Представление пространственной информации с использованием топологии и топологических отношений Муром:, 2018. 194 с.

87. Купцов К.В., Еремеев С.В. Поиск пространственных данных на разнородных картах на основе топологических характеристик и методов алгебраической топологии Муром:, 2019. 277-278 с.

88. Купцов К.В., Еремеев С.В. Технология Обнаружения Изменений Групп Пространственных Объектов На Основе Персистентной Гомологии И Баркодов Юго-Западный государственный университет, 2019. 96-98 с.

89. Мирошниченко С.Ю. Объектно-ориентированная модель универсальной программной системы обработки изображений 2004. № 2 (13). С. 106-108.

90. Мирошниченко С.Ю. Методы и средства обработки цифровых аэрокосмических изображений объектов промышленности для создания тематических слоев геопространственной информации 2009. С. 186.

91. Мирошниченко С.Ю. Восстановление разрывов изолиний при построении моделей рельефа по растровым топокартам Юго-Западный государственный университет, 2012. 260-262 с.

92. Мирошниченко С.Ю. Метод Поиска Объектов Заданной Формы На Растровых Аэрокосмических Изображениях Юго-Западный государственный университет, 2017. 255-257 с.

93. Мирошниченко С.Ю., Гончаров А.В. Текстурное выделение облачного покрова на авиационных и космических снимках земной поверхности Юго-Западный государственный университет, 2013. 406-408 с.

94. Мирошниченко С.Ю., Дегтярев С.В., Титов В.С. Универсальная программная система обработки изображений 2004. С. 101-102.

95. Мирошниченко С.Ю., Дремов Е.Н. Метод распознавания самолетов на спутниковых снимках 2017. С. 368-371.

96. Мирошниченко С.Ю., Дремов Е.Н. Метод выделения подмножества векторных представлений утолщенных горизонталей на растровых топографических картах // Телекоммуникации. 2017. № 6. С. 37-42.

97. Мирошниченко С.Ю., Титов В.С. Параллельно-Конвейерное Устройстводля Векторизации Аэрокосмических Изображений Земной Поверхности // Известия Высших Учебных Заведений. Приборостроение.

2009. № 2 (52). С. 45-51.

98. Мирошниченко С.Ю., Титов В.С. Метод Локализации Теней Геопространственных Объектов На Цифровых Аэрокосмических Изображениях // Известия Высших Учебных Заведений. Приборостроение.

2010. № 9 (53). С. 7-13.

99. Мирошниченко С.Ю., Титов В.С., Труфанов М.И. Параллельно-Конвейерное Устройство Для Векторизации Аэрокосмических Изображений Земной Поверхности.

100. Мирошниченко С.Ю., Титов В.С., Ященко А.А. Метод автоматической локализации протяженных геопространственных объектов на космических снимках 2013. № 6 (56). С. 17-22.

101. Мосин С.А., Мирошниченко С.Ю. Выбор Признаков Для Сопоставления Космических Снимков Различных Спектральных Диапазонов Тульский государственный университет, 2015. 67-69 с.

102. Мосин С.А., Мирошниченко С.Ю. Метод построения трехмерных моделей объектов местности Тульский государственный университет, 2016. 153-154 с.

103. Мосин С.А., Мирошниченко С.Ю. Применение искусственных нейронных сетей для дешифрирования аэрокосмических изображений Красноярск:, 2017. 342345 с.

104. Мошкин В.И., Титов В.С. Системы технического зрения ПР (обзор) // Приборы И Системы Управления. 1984. № 1. С. 33-35.

105. Николаев В.Н. Организация геопространственного информационного обеспечения в интересах министерства по чрезвычайным ситуацмям 2010. С. 40-51.

106. Орлов А.В., Дегтярёв С.В., Мирошниченко С.Ю. Устройство Выделения Контуров Объектов На Изображении.

107. Панищев В.С., Титов В.С. Использование нейросетей для предварительной обработки и распознавания изображений 2004. С. 79-82.

108. Панченко В.Я. [и др.]. Создание рельефных карт с помощью лазерной стереолитографии по фотограмметрическим данным дистанционного зондирования Земли 2008. № 2 (51). С. 22-29.

109. Решетников В.Н., Болодурина И.П., Таспаева М.Г. Применение и адаптация нейросетевых технологий в задаче идентификации динамических объектов 2013. № 2. С. 8.

110. Сагдуллаев Ю.С. [и др.]. Распознавание оптических изображений 2000.

111. Середович В.А., Ферулев Д.А. Исследование существующих методов полевого кодирования 2005. № 1 (1). С. 56-59.

112. Смирнова Е.В. [и др.]. Спутниковый мониторинг наводнений // Безопасность В Техносфере. 2009. № 5. С. 50-52.

113. Стрелкова А.Н., Титов В.С., Труфанов М.И. Способ Нахождения Областей Изображения, Искаженных Коматической Аберрацией С Последующей Коррекцией.

114. Сырямкин В.И. [и др.]. Интеллектуальные Распределенные Системы Распознавания Образов В Комплексах Мониторинга, Прогноза, Диагностики, Управления И Обеспечения Безопасности Юго-Западный государственный университет, 2017. 336-341 с.

115. Тевс С.С., Титов В.С. Компьютерное распознавание образов на основе нечеткой логики 1997. С. 222-227.

116. Тевс С.С., Титов В.С., Труфанов М.И. Многопроцессорное автокалибрующееся устройство распознавания объектов // Известия Высших Учебных Заведений. Приборостроение. 2005. № 2 (48). С. 5-13.

117. Титов В.С. [и др.]. Оценка Максимального Правдоподобия Координат Объектов В Многопозиционной Суммарно- Дальномерной Радиогеодезической Системе // Известия Высших Учебных Заведений. Геодезия И Аэрофотосъемка. 1999. № 5. С. 92-100.

118. Титов В.С. [и др.]. Метод распознавания изображений объектов с использованием трехмерных векторных эталонов и программа для его реализации 2007. № 9. С. 10-14.

119. Титов В.С. [и др.]. Оптико-электронные устройства обработки и распознавания изображений 2008.

120. Титов В.С. [и др.]. Оптико-электронное устройство распознавания изображений объектов на основе трехмерных векторных эталонов. // Информационно-Измерительные И Управляющие Системы. 2009. № 4 (7). С. 59-63.

121. Титов В.С. [и др.]. Оптико-Электронное Устройство Автоматического Распознавания Информации Дорожных Плакатов.

122. Титов В.С., Мирошниченко С.Ю. Построение цифровых моделей рельефа по растровым топографическим картам 2017. № 1 (18). С. 88-89.

123. Титов В.С., Мирошниченко С.Ю. Построение цифровых моделей рельефа по растровым топографическим картам 2017. № 4. С. 34-43.

124. Титов В.С., Роженцов А.А., Хафизов Р.Г. Современные Подходы К Представлению И Обработке Изображений Трёхмерных Объектов // Вестник Поволжского Государственного Технологического Университета. Серия: Радиотехнические И Инфокоммуникационные Системы. 2014. № 2 (21). С. 44-54.

125. Титов В.С., Тевс С.С. Оптико-электронная система распознавания и нормализации объектов // Датчики И Системы. 2000. № 3. С. 30-32.

126. Титов В.С., Тевс С.С. Распознавание на основе нечеткого логического вывода Юго-Западный государственный университет, 2000. 156-158 с.

127. Титов В.С., Тевс С.С. Математическая модель вычисления нечетких признаков в оптико-электронной системе распознавания многоконтурных объектов // Известия Курского Государственного Технического Университета. 2004. № 2 (13). С. 65-67.

128. Титов В.С., Тевс С.С., Труфанов М.И. Оптико-электронные системы распознавания и анализа трехмерных динамических объектов / В.С. Титов, С.С. Тевс, М.И. Труфанов, Юго-Западный государственный университет,.

129. Титов В.С., Труфанов М.И. Аппаратно-ориентированные алгоритмы и устройства обработки изображений на ПЛИС для распознающих систем технического зрения // Датчики И Системы. 2009. № 8. С. 72-74.

130. Титов В.С., Труфанов М.И., Мирошниченко С.Ю. Математическая модель предварительной обработки изображений 2008. С. 29-33.

131. Труфанов М.И., Мирошниченко С.Ю., Титов В.С. Нечеткая математическая модель адаптивной предобработки изображений при калибровке бинокулярной системы технического зрения // Телекоммуникации. 2004. № 8. С. 37-40.

132. Труфанов М.П., Мирошниченко С.Ю., Титов В.С. Нечеткая математическая модель адаптивной предобработки изображений при калибровке бинокулярной системы технического зрения // Известия Курского Государственного Технического Университета. 2004. № 2 (13). С. 108-112.

133. Хасан А.А., Титов В.С. Разработка Алгоритма Поиска Участка Изображения Закрытое акционерное общество «Университетская книга», 2014. 462-464 с.

134. Черемисина Е.Н. [и др.]. Технологии Компьютерной Поддержки Создания Полотна Госгеолкарты-1000/3 По Ретроспективным Данным // Региональная Геология И Металлогения. 2005. № 24. С. 148-153.

135. Черемисина Е.Н. [и др.]. ГИС-технологии сравнения карт и управление развитием территории // Геоинформатика. 2014. № 4. С. 29-37.

136. Черемисина Е.Н., Никитин А.А. Геоинформационные системы в природопользовании. // Геоинформатика. 2006. № 3. С. 5-20.

137. Черемисина Е.Н., Спивак Л.Ф., Спивак И.Л. Информационно-аналитическое обеспечение ситуационного центра управления территорией 2013. № 3. С. 1-7.

138. Черемисина Е.Н., Чесалов Л.Е. Ситуационный центр МПР России: поддержка принятия управленческих решений в природопользовании // Геоинформатика. 2004. № 3. С. 14-20.

139. Чесалов Л.Е. Компьютерная технология ввода, анализа и синтеза числовой и картографической информации для геолого-геофизических исследований 1994. С. 27.

140. Чуркин В.Н. [и др.]. Определение Координат Объектов В Радиогеодезических Системах По Измерениям Параметров Параболических Линий Положения // Известия Высших Учебных Заведений. Геодезия И Аэрофотосъемка. 1999. № 5. С. 101-112.

141. Шуклин И.И., Мосин С.А., Мирошниченко С.Ю. Влияние Свойств Данных Дистанционного Зондирования Земли И Параметров Их Трансформирования На Время Построения Результирующего Изображения Местности // Известия Юго-Западного Государственного Университета. 2016. № 6 (69). С. 16-27.

142. Andrianov D., Eremeev S., Kuptsov K. Checking the topological consistency of maps of different scales 2016. 124-133 с.

143. Andrianov D., Eremeev S., Kuptsov K. Identification of spatial objects on digital maps 2017. 1-7 с.

144. Andrianov D.E. [и др.]. Algorithm for encoding nD spatial objects into GIS 2018. 149-155 с.

145. Andrianov D.E., Eremeev S.V., Kuptsov K.V. Models of complex spatially distributed objects and their features calculation Institute of Electrical and Electronics Engineers Inc., 2015. 7414898 с.

146. Andrianov D.E., Eremeev S.V., Kuptsov K.V. The review of spatial objects recognition models and algorithms // Procedia Engineering (см. В Книгах). 2015. (129). C. 374-379.

147. Basaraner M., Selcuk M. A structure recognition technique in contextual generalisation of buildings and built-up areas 2008. (45 (4)). C. 274-285.

148. Borzov D.B., Zotov I.V., Titov V.S. Evaluation of the boundary allocation optimality in mesh-connected parallel systems Юго-Западный государственный университет, 2001. 205-206 с.

149. Cheremisina E., Chesalov L. Integrated data analysis by GIS INTEGRO in solving the nature-use problems 2005. 529-532 с.

150. Cheremisina E.N. New Gis-Technologies for Environmental Monitoring and Nature-Use Problems // Исследования По Геоинформатике: Труды Геофизического Центра Ран. 2016. № 2 (4). C. 36.

151. Cheremissina E.N., Chesallov L.E., Mitrakova O.V. The geo-information environment for taking ecologically sound decisions on natural resources management // Mathematics and Computers in Simulation. 2004. № 4-5 (67). C. 361-364.

152. Corcoran J., Knight J. Gallant Influence of multi-source and multi-temporal remotely sensed and ancillary data on the accuracy of random forest classification of wetlands in Northern Minnesota 2013. (5). C. 3212-3238.

153. Corcoran J., Mooney P., Winstanley A. Planar and nonplanar topologically consistent vector map simplification 2011. № 25 (10). C. 1659-1680.

154. De Almeida J.P., Morley J.G., Dowman I.J. A Graph theory in higher order topological analysis of urban scenes 2007. (31). C. 426-440.

155. De Almeida J.P., Morley J.G., Dowman I.J. A graph-based algorithm to define urban topology from unstructured geospatial data 2013. (27). C. 1514-1529.

156. Degtyarev S.V., Miroshnichenko S.yu., Titov V.S. Detection of object edges in aerospatial cartographic images // Machine Graphics and Vision. 2009. № 4 (18). C. 427-437.

157. Deng J., Dong W., Socher R. ImageNet: A large-scale hierarchical image database 2009. 248-255 с.

158. Deng M. [и др.]. . Multi-level topological relations between spatial regions based upon topological invariants 2007. № 11 (2). C. 239-267.

159. Dobroserdov O.G., Miroshnichenko S.yu. Automatic Digital Elevation Models Creation from Raster Topographic Maps // Инновационные Информационные Технологии. 2014. № 2. C. 302-306.

160. Du S., Zhang F., Zhang X. Semantic classification of urban buildings combining VHR image and GIS data: An improved random forest approach 2015. (105). C. 107-119.

161. Edelsbrunner H., Symonova O. The adaptive topology of a digital image 2012. 41-48 с.

162. Eremeev S., Kuptsov K., Romanov S. An approach to establishing the correspondence of spatial objects on heterogeneous maps based on methods of computational topology // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2018. (10716 LNCS). C. 172-182.

163. Eremeev S.V., Kuptsov K.V. Spatial objects classification algorithm on the basis of topological features of a form Institute of Electrical and Electronics Engineers Inc., 2017. 44-48 с.

164. Eremeev S.V., Kuptsov K.V., Kovalev Y.A. A research of classification algorithm of spatial information on the basis of methods of persistent homology and random forest 2018. 165-171 с.

165. Eremeev S.V., Kuptsov K.V., Seltsova E.A. Algorithm for selecting homogeneous regions from a set of spatial objects Institute of Electrical and Electronics Engineers, 2017. 109-112 с.

166. Eremeev V.V., Kochergin A.M., Kuznetcov A.E. Automatic detection of clouds in multispectral images subjected to interchannel parallax Institute of Electrical and Electronics Engineers Inc., 2015. 4928-4930 с.

167. Frohn R.C. The use of landscape pattern metrics in remote sensing image classification 2006. (27 (10)). C. 2025-2032.

168. Gorbachev S.V. [и др.]. Digital Processing of Aerospace Images / S.V. Gorbachev, S.G. Emelyanov, D.S. Zhdanov, Miroshnichenko S.yu., V.I. Syryamkin, [и др.]., Red Square Scientific, Ltd.,.

169. Grabler F. [и др.]. Automatic generation of tourist maps 2008. (27 (3)). C. 100.

170. Gridin V.N. [и др.]. Vision system for image recognition based on three-dimensional vector patterns // Machine Graphics and Vision. 2009. № 2 (18). C. 175-186.

171. Guienko G., Doytsher Y. Geographic information system data for supporting feature extraction from high-resolution aerial and satellite images 2003. (129 (4)). C.158-164.

172. Huh Y. [и др.]. M:N object matching between image and map object data sets by means of latent semantic analysis 2014. № 18 (35). C. 6799-6814.

173. Kruchinin A.Y. Specifics of development of software systems for real-time pattern recognition 2013. № 9 (74). C. 1599-1605.

174. Kruchinin A.Y. Multitasking system for real time pattern recognition 2015. № 1 (76). C. 166-171.

175. Lebedev L.I., Vasin Yu. G. Coordination of Contour Descriptions in the Class of Equivalence with the Group of Affine Transformations // Pattern Recognition and Image Analysis (advances in Mathematical Theory and Applications). 2016. № 1 (26). C. 16.

176. Lin C.H. [и др.]. Automatic tourist attraction and representative icon determination for tourist map generation 2014. № 1 (13). C. 18-28.

177. Miroshnichenko S.Y. All-purpose software system for image processing // Pattern Recognition and Image Analysis (advances in Mathematical Theory and Applications). 2006. № 1 (16). C. 141.

178. Miroshnichenko S.Y. [и др.]. Hough transform application to digitize rectangular spatial objects on aerospace imagery 2018. № 6 (61). C. 7.

179. Miroshnichenko S.Y., Degtyarev S.V. The Method for Aerospace Orthotransformed Images Preprocessing 2007. 316-318 с.

180. Miroshnichenko S.yu., Degtyarev S.V. Automatized Aerospace Photoimages Vectorization for Digital Maps Creation and Actualization Московский институт электроники и математики НИУ ВШЭ, 2007. 181-182 с.

181. Panishchev V.S., Titov V.S. Application of Neural Networks for the Contour Extraction in Images // Pattern Recognition and Image Analysis (advances in Mathematical Theory and Applications). 2005. № 2 (15). C. 277-278.

182. Pranav P., Edelsbrunner H., Weygaert R. van de The topology of the cosmic web in terms of persistent Betti numbers 2016. № 465. C. 4281-4310.

183. Titov V.S. [и др.]. Method for recognition of object images using three-dimensional vector standards and its implementation program // Telecommunications and Radio Engineering. 2010. № 1 (69). C. 83-93.

184. Titov V.S., Труфанов М.И. Method for Calculation Parameteres of Spherical and Coma Aberrations of Digital Photo Cameras Московский институт электроники и математики НИУ ВШЭ, 2006. 44-45 с.

185. Vasin Yu. G., Isaev-Ivanov A.v., Khoroshenkov N.V. Technology of the Generation of Digital Topographic Maps and Town Layouts // Pattern Recognition and Image Analysis (advances in Mathematical Theory and Applications). 1998. № 3 (8). C. 301.

186. Vasin Yu. G., Lebedev L.I. Optimization of Computational Complexity of Similarity Measures in Three-Dimensional Object Recognition // Pattern Recognition and Image Analysis (advances in Mathematical Theory and Applications). 1999. № 1 (9). C. 113-114.

187. Vasin Yu.G., Lebedev L.I. Recognition of Multiconnected Discrete Objects // Pattern Recognition and Image Analysis (advances in Mathematical Theory and Applications). 2005. № 1 (15). C. 104-106.

188. Zhang X., Feng X., Jiang H. Object-oriented method for urban vegetation mapping using IKONOS imagery 2010. № 1 (31). C. 177-196.

ПРИЛОЖЕНИЕ 1

Акт внедрения результатов диссертационного исследования в Комитет управления муниципальным имуществом администрации округа Муром

Мы. нижеподписавшиеся, консультант у четно-аналитического отдела Комитета по управлению муниципальным имуществом администрации округа Муром Владимирской области Рябов Андрей Николаевич, заместитель декана факультета информационных технологий по учебно-воспитательной работе, к.т.н., доцент Еремеев Сергей Владимирович, составили акт о внедрении основных результатов диссертационной работы аспиранта кафедры «Информационные системы» МИ ВлГУ Купцова К.В.

Комитетом по управлению муниципальным имуществом администрации окру га Муром приняты для использования в рамках создания муниципальной геоинформационной системы:

1) организационная структура муниципальной интегрированной геоинформационной системы:

2) методы идентификации и классификации пространственных объектов при помощи баркодов, дельтакодов и сим инициальных комплексов;

3) алгоритмы поиска пространственно-распределенных объектов на основе методов персистснтной гомологии;

4) программные компоненты муниципальной интегрированной геоинформационной системы, в том числе подсистема для совмещения пространственных объектов на разнородных каргах с использованием методов вычислительной топологии (свидетельство о государственной регистрации программы для ЭВМ .N»2019611941).

АК 1

Консультант у четно-аналитического отдела КУМИ округа Муром

Заместитель декана факультета информационных технологий по учебно-воспитательной работе Муромского института (филиала) Владимирского государственного университета имени Л.Г. и Н.Г. Столетовых к.т.н., доцент

С.В. Еремеев

ПРИЛОЖЕНИЕ 2

Акт о применении результатов диссертационной работы в учебном процессе МИ ВлГУ

ПРИЛОЖЕНИЕ 3 Свидетельство о регистрации программы для ЭВМ №2019611941

ПРИЛОЖЕНИЕ 4 Свидетельство о регистрации программы для ЭВМ №2019611942