Разработка методологии использования искусственного интеллекта в цифровой картографии тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Колесников Алексей Александрович

• Колесников Алексей Александрович
• доктор наук
• 2025

Оглавление диссертации доктор наук Колесников Алексей Александрович

ВВЕДЕНИЕ

1 АНАЛИЗ СОСТОЯНИЯ ПРОБЛЕМЫ ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЦИФРОВОЙ КАРТОГРАФИИ

1.1 Сущность и основные принципы технологий искусственного интеллекта

1.1.1 Машинное обучение как элемент технологий искусственного интеллекта

1.1.2 Глубокое обучение как элемент технологий искусственного интеллекта

1.2 Современное состояние и особенности технологий искусственного интеллекта при работе с пространственными данными

1.3 Особенности и проблемы использования технологий искусственного интеллекта, в том числе и при работе с пространственными данными

2 ФОРМАЛИЗАЦИЯ ЗАДАЧ КАРТОГРАФИЧЕСКОГО

И ГЕОИНФОРМАЦИОННОГО ПРОИЗВОДСТВА ДЛЯ ИХ РЕШЕНИЯ

С ПРИМЕНЕНИЕМ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

2.1 Предлагаемые пути решения проблем использования использования искусственного интеллекта для обработки пространственных данных

2.2 Задачи картографического и геоинформационного производства

2.3 Методы искусственного интеллекта при автоматизации процессов цифровой картографии

3 МЕТОДОЛОГИЯ ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЦИФРОВОЙ КАРТОГРАФИИ

3.1 Сбор данных

3.2 Преобразование данных

3.3 Составление и обновление геоинформационной модели и / или цифровой карты

3.4 Визуализация пространственных данных

3.5 Пространственный анализ

4 АПРОБАЦИЯ И ОЦЕНКА ЭФФЕКТИВНОСТИ ПРИМЕНЕНИЯ

ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЦИФРОВОЙ

КАРТОГРАФИИ

4.1 Критерии оценки качества обработки пространственных данных с помощью технологий искусственного интеллекта

4.2 Способы оптимизации математического моделирования с использованием технологий искусственного интеллекта

4.3 Интерпретация моделей искусственного интеллекта

4.4 Опыт практического применения технологий искусственного интеллекта в цифровой картографии

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А (обязательное) ПАТЕНТ «СПОСОБ ОПРЕДЕЛЕНИЯ МЕСТОПОЛОЖЕНИЯ, КООРДИНАТ ТОЧЕК, ГЕОМЕТРИЧЕСКИХ И СЕМАНТИЧЕСКИХ ХАРАКТЕРИСТИК КАРТОГРАФИЧЕСКИХ ОБЪЕКТОВ В ИНТЕРАКТИВНОМ РЕЖИМЕ ПРИ РАБОТЕ С ТРАДИЦИОННОЙ КАРТОЙ В УСЛОВИЯХ ОТСУТСТВИЯ

СВЯЗИ ДЛЯ ПЕРЕДАЧИ ЦИФРОВЫХ ДАННЫХ»

ПРИЛОЖЕНИЕ Б (обязательное) ПАТЕНТ «СПОСОБ СОЗДАНИЯ АВТОНОМНОГО ИСТОЧНИКА ГЕОПРОСТРАНСТВЕННОЙ ИНФОРМАЦИИ И ИСПОЛЬЗОВАНИЯ ЕГО В ИНТЕРАКТИВНОМ РЕЖИМЕ В УСЛОВИЯХ ОТСУТСТВИЯ СВЯЗИ ДЛЯ ПЕРЕДАЧИ ЦИФРОВЫХ ДАННЫХ»

ПРИЛОЖЕНИЕ В (обязательное) ПАТЕНТ «СПОСОБ ОПРЕДЕЛЕНИЯ МЕСТОПОЛОЖЕНИЯ НА ТРАДИЦИОННОЙ КАРТЕ, КООРДИНАТ ТОЧЕК, ГЕОМЕТРИЧЕСКИХ И СЕМАНТИЧЕСКИХ ХАРАКТЕРИСТИК КАРТОГРАФИЧЕСКИХ ОБЪЕКТОВ В ИНТЕРАКТИВНОМ РЕЖИМЕ ПРИ РАБОТЕ С ТРАДИЦИОННОЙ КАРТОЙ В УСЛОВИЯХ

ОТСУТСТВИЯ СВЯЗИ ДЛЯ ПЕРЕДАЧИ ЦИФРОВЫХ ДАННЫХ»

ПРИЛОЖЕНИЕ Г (обязательное) АКТ О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ В УЧЕБНЫЙ ПРОЦЕСС ФГБОУ ВО «СИБИРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ГЕОСИСТЕМ И

ТЕХНОЛОГИЙ» (СГУГиТ)

ПРИЛОЖЕНИЕ Д (обязательное) АКТ О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ В НАУЧНО-ИССЛЕДОВАТЕЛЬСКИЙ ПРОЦЕСС ИНСТИТУТА ГОРНОГО ДЕЛА ИМ. Н. А. ЧИНАКАЛА СО РАН

Введение диссертации (часть автореферата) на тему «Разработка методологии использования искусственного интеллекта в цифровой картографии»

ВВЕДЕНИЕ

Актуальность темы исследования. Необходимость автоматизации картографических процессов обусловлена существенными изменениями окружающего мира и соответствующими новыми требованиями к геопространственной индустрии, в том числе автоматизации, высокой динамике получения и передачи геоинформации и знаний во времени, близком к реальному. Новые информационные технологии, разнообразие источников и скорость формирования новых данных требуют эволюции в геопространственной инфраструктуре посредством автоматизации при создании картографических произведений и геоинформационных моделей в экономике, обществе и окружающей среде [4, 199].

Объемы и способы использования пространственных данных в том или ином виде постоянно увеличиваются, становятся более разнообразными, что приводит к совершенствованию существующих и появлению новых технологий, методик, алгоритмов для их обработки, анализа и использования, позволяет решать задачи эффективнее, но одновременно влечет за собой сложность однозначного выбора в том множестве знаний, которые можно использовать для целей автоматизации процессов цифровой картографии [51, 220]. Дополнительным фактором становится то, что для работы с пространственными данными современный уровень развития компьютерных средств и технологий позволяет использовать технологии искусственного интеллекта, методологическая часть которых значительно отстает от объемов и глубины практического использования.

С точки зрения направлений стратегии мирового научного развития, тема исследования соответствует национальной стратегии развития технологий искусственного интеллекта, принятой в рамках XXIII Петербургского международного экономического форума, является составной частью сквозных технологий национальной программы «Цифровая экономика Российской Федерации», соответствует дорожной карте развития технологий искусственного интеллекта Российской Федерации, отвечает требованиям разрабатываемого стандарта ISO/IEC «Artifirial

intelligence. Concepts and terminology» и Указу Президента РФ от 10.10.2019 № 490 (ред. от 15.02.2024) «О развитии искусственного интеллекта в Российской Федерации».

На современном уровне развития геоинформационных технологий, в условиях постоянного значительного увеличения разнообразия, сложности, комплексности и актуальности пространственных данных, постоянного расширения доступных для использования методов и средств обработки пространственных данных, чрезвычайно большого объема программных средств, который недостаточно структурирован и обобщен, существует проблема отсутствия систематизации и фильтрации накопленных научных и практических знаний в области обработки пространственных данных, теории и методологии использования систем искусственного интеллекта для автоматизации решения задач цифровой картографии. Это имеет место на всех этапах создания и использования картографических произведений и геоинформационных моделей.

Говоря о цифровой картографии, нужно отметить, что сама сущность и принципы обработки пространственных данных с помощью инструментов автоматизации (в том числе и на основе технологий искусственного интеллекта) имеет ряд уникальных особенностей:

- вариативность исходных данных. Это обуславливается тем, что объекты карты имеют семантику с указанием времени (требуются алгоритмы и методы обработки табличных данных и временных рядов), для наибольшей актуальности картографических материалов используются снимки со спутников и беспилотных летательных систем (БАС) (алгоритмы и методы компьютерного зрения, а также обработки временных рядов), и часто дополнительную информацию извлекают из социальных сетей, лент новостей, отчетов (алгоритмы и методы обработки естественного языка). Также необходимо учитывать, что во многих исследованиях исходные геопространственные данные являются четырехмерными, то есть представляют собой временные ряды, у каждого измерения которых существует пространственная привязка (дополнительно требуются алгоритмы и методы обработки многомерных

разновременных данных). Алгоритмы анализа и прогнозирования временных рядов и пространственных отношений достаточно хорошо проработаны по отдельности, но их сочетание относительно мало описано и исследовано [230];

- разнообразие представления координатной и атрибутивной составляющих пространственных данных; разные алгоритмы и методы обработки ориентированы на тот или иной вид входных данных. Это могут быть пары или тройки координат, форматы файлов или баз данных геоинформационных систем, а также производные варианты (инжиниринг данных) на основе пространственных характеристик объектов и их взаимоположения: сводные характеристики объекта (площадь, периметр, количество узлов и т. д.); нахождение в определенной области (например, с использованием различных регулярных сеток); характеристики относительно других объектов (расстояния до ближайшего, количество объектов в радиусе и т. д.) и комбинации вышеперечисленного. При этом, опять же в зависимости от используемых алгоритмов и методов, производные параметры нужно формировать определенным образом. Но в случае с пространственными данными очень редко в описании алгоритмов и методов имеются рекомендации по формированию наиболее оптимальных способов представления;

- большое количество существующих алгоритмов обработки всех видов данных (как имеющих координатную привязку, так и нет); при переходе к обработке данных в задачах исследования пространственных данных часто возникает необходимость выбора наиболее подходящего алгоритма (или нескольких, для последующего сравнения) для решаемой задачи. Блок-схемы выбора технологий искусственного интеллекта в зависимости от задачи и существующих данных предлагаются как исследователями в области обработки данных, так и разработчиками программного обеспечения соответствующего направления, но их недостатками с точки зрения картографии и геоинформатики является практически полное отсутствие таких критериев, как наличие пространственной составляющей в данных и их разброс по времени, а это достаточно сильно влияет на последующее качество построенной математической модели. Поэтому важным будет предложить блок-схему выбора

технологии искусственного интеллекта, построенную на основе уже существующих блок-схем и дополненную условиями о пространственных характеристиках объекта и изменяемости его параметров с течением времени. В качестве дополнительных критериев представляется актуальным добавить параметры интерпретируемости математической модели и точность полученных результатов с точки зрения выбранного способа оценки [120, 121, 234]. Интерпретируемость результатов и построенной математической модели является достаточно важной для оценки корректности результата и его дальнейшего использования. Поэтому различные виды линейной регрессии и деревьев решений остаются популярными в противовес нейронным сетям, результаты которых, как правило, значительно лучше, но представляют собой «черный ящик» [149, 163]. Говоря о точности при выборе алгоритма, нужно учитывать, какая именно метрика (способ оценки точности результата) взята для оценки работы алгоритма. С точки зрения пространственного анализа, для проверки корректности предсказаний положения объекта в пространстве и, особенно, времени применяется несколько вариантов, зависящих от решаемой задачи, исходных данных, требований к объяснимости результатов;

- различные подходы к решению типовых задач; современная цифровая картография включает в себя очень разнородные по процессам и данным задачи и направления деятельности, которые также могут быть с той или иной степенью автоматизированы с помощью технологий искусственного интеллекта: навигационные системы, web-картография, 3D-картография, геостатистика, цифровые двойники, тактильная картография и ассистивные ГИС, восприятие геовизуализации, ГИС оперативного мониторинга, пространственные вопросно-ответные системы, оценка и прогнозирование на основе геометрических и атрибутивных данных, классификация и сегментация изображений.

Перечисленные направления и задачи могут быть объединены общими методами их решения и комплексным картографо-геоинформационным подходом, реализованным с помощью современных информационных и геоинформационных технологий, математических алгоритмов и технических решений. При этом во всех

этих задачах могут быть использованы все вышеперечисленные элементы, причем в разных комбинациях. То есть данные могут быть обработаны одним алгоритмом, затем выполнен инжиниринг данных и затем еще один этап обработки другим алгоритмом. Также в ряде задач можно обрабатывать данные несколькими алгоритмами параллельно для уточнения итогового результата (ансамблирование алгоритмов). И все эти особенности также рассмотрены только для отдельных конкретных задач, без общих рекомендаций по построению подобных конвейеров обработки (англ. pipelines). При этом из-за очень большого числа комбинаций метод перебора для поиска наиболее оптимального варианта невозможен.

В соответствии с перечисленными особенностями и сложностями обработки пространственных данных в рамках диссертационной работы разработаны методология и теория использования систем и технологий искусственного интеллекта, которые позволяют сформулировать рекомендации и методики обработки данных в зависимости от потребностей, задач и процессов цифровой картографии, что повышает степень автоматизации и роботизации процессов, существенно сокращает затраты времени и, в ряде случаев, повышает точность обработки данных.

На современном уровне развития геоинформационных технологий, в условиях постоянного значительного увеличения разнообразия, сложности, комплексности и актуальности пространственных данных (в том числе и в неявном варианте), постоянного расширения доступных для использования методов и средств обработки пространственных данных, чрезвычайно большого объёма программных средств, который недостаточно систематизирован, структурирован и обобщен, существует проблема отсутствия систематизации накопленных научных и практических знаний в области обработки пространственных данных, теории и методологии использования систем искусственного интеллекта для автоматизации решения задач цифровой картографии. Это имеет место на всех этапах создания и использования картографических произведений и геоинформационных моделей. Например, при автоматизированном дешифрировании данных дистанционного зондирования (спутниковых снимков, облаков точек) в программном обеспечении обычно присутствует

несколько методов (алгоритмов), основанных на принципах искусственного интеллекта, но при этом недостаточно или полностью отсутствуют указания, какой именно метод (алгоритм) следует применять для каких задач и исходных данных. То же самое справедливо и для ряда других картографических задач, например, извлечения географических названий из неструктурированного текста, расчета прогнозных значений и т. д.

Систематизация научных и практических знаний с использованием новой методологической и технологической информационной основы использования систем искусственного интеллекта для обеспечения автоматизации картографического и геоинформационного производства с помощью научно-обоснованного выбора методов и средств до выполнения предлагаемых исследований ранее не решалась.

Чрезвычайно большой объем информации о данной предметной области слабо систематизирован и обобщен, недостаточно структурирован. Существующие разработки в области оптимального выбора методов и средств искусственного интеллекта для обеспечения картографической деятельности имеют разрозненный характер, недостаточно соответствуют принципам системного подхода, не опираются на единую методологию и общность технологической реализации в картографии с учетом современного научно-технического уровня. В настоящее время развитие методов искусственного интеллекта, разработки технических решений для обработки, преобразования и анализа данных различных типов, появление аппаратных средств с гораздо большими вычислительными ресурсами открывают принципиально новые возможности для автоматизации и роботизации картографических процессов. Исследования по данной теме позволят оптимально использовать методы и технологии искусственного интеллекта для решения задач большинства существующих технологий обработки пространственных данных и, в конечном итоге, повысить общий технологический уровень и оперативность цифровой картографии.

Степень разработанности темы. Автоматизация и роботизация остается одним из приоритетных направлений в картографии и геоинформатике, особенно

в последнее время с учетом новых потребностей экономики, социальной сферы и обороны, и новых возможностей развития программных и аппаратных средств, алгоритмов, методов и технологий. Средства и методы автоматизации технологических процессов картографии и геоинформатики разрабатывались и ранее, но это выполнялось большей частью на основе написания компьютерных программ, которые полностью проектировались специалистами и выполняли заранее указанные действия по обработке пространственных данных, без использования тех возможностей, которые предоставляют технологии искусственного интеллекта. То есть был задан порядок и условия выполнения шагов, значения параметров и т. п., в отличие от принципа искусственного интеллекта, когда компьютерной программе предлагаются только исходные данные и то, как именно они должны быть обработаны в итоге, а промежуточные шаги формируются автоматически на основе поставленной пользователем задачи. Значительный вклад в развитие теории и методов картографии и геоинформатики внесли отечественные и мировые ученые в части общей теории геоинформационного картографирования - Берлянт А. М., Тику-нов В. С., Tobler W., в части формализации картографических процессов -Васмут А. С., в части автоматизации процессов создания тематических карт Вере-щака Т. В., Ширяев Е. Г., в части геоинформационного моделирования - Жур-кин И. Г., Иванов А. Г., Истомин Е. П., Карпик А. П., Присяжнюк С. П., Сербе-нюк С. Н., Флоринский И. В., Шихов А. Н., Buckley A., в части интеллектуализации технологических процессов - Лисицкий Д. В., Лурье И. К., Майоров А. А., Марты-ненко А. И., Поспелов Д. А., Розенберг И. Н., Савиных В. П., Цветков В. Я., Schmidt A. H., в области обработки пространственно-временных данных - Бешен-цев А. Н., Братков В. В., Матерухин А. В., Погорелов А. В., в части использования данных дистанционного зондирования - Долгополов Д. В., Ступин В. П., Черных Е. Г., Шаповалов Д. А., Sen Gupta A. K.

Выполненные исследования и разработки в области автоматизации картографических и геоинформационных процессов упростили и оптимизировали обработку и преобразование больших объемов пространственных данных, проверку ка-

чества цифровых карт. Однако вышеуказанная проблемная ситуация полностью не решена из-за наличия в картографии плохо математически обусловленных процессов, основанных на интеллектуальных способностях человека и трудно поддающихся автоматизации. В настоящее время развитие методов искусственного интеллекта, разработки технических решений для обработки, преобразования и анализа данных различных типов, появление аппаратных средств с гораздо большими вычислительными возможностями открывают принципиально новые возможности для автоматизации картографических процессов.

Исследования по данной теме позволят оптимально использовать методы и технологии искусственного интеллекта для решения задач автоматизации большинства существующих технологических процессов и, в конечном итоге, повысить общий технологический уровень цифровой картографии.

Цель исследования - разработка теории и методологии использования искусственного интеллекта для автоматизации решения задач цифровой картографии.

Для достижения этой цели были поставлены следующие задачи исследования:

- выполнить анализ объектов исследования с целью оценки текущего состояния и выявления проблем использования технологий искусственного интеллекта для решения задач цифровой картографии;

- исследовать существующие алгоритмы, методы и технические решения, используемых в технологиях искусственного интеллекта и систематизировать существующие варианты, способы и ограничения их использования применительно к задачам цифровой картографии;

- разработать принципы, теоретические основы и понятийный аппарат, позволяющие обеспечить автоматизацию и роботизацию процессов картографирования с использованием технологий искусственного интеллекта;

- разработать методологию использования технологий искусственного интеллекта, включающую в себя теоретически обоснованный логический аппарат выбора и разработки: способа представления пространственных данных, алгоритмов

и методов, критериев оценки качества их работы, оптимального конвейера обработки данных при решении определенной задачи цифровой картографии, базирующихся на технологиях искусственного интеллекта;

- реализовать необходимые технические решения, позволяющие использовать технологии искусственного интеллекта в геоинформационных системах и сервисах при выполнении процессов цифрового картографирования.

Объект и предмет исследования. Объектом исследования являются принципы, теория и методология использования технологий искусственного интеллекта для автоматизации и роботизации решения задач цифровой картографии, предметом исследования является цифровая картография.

Решаемая проблема или разрабатываемая научная гипотеза. Постоянный рост объемов пространственных данных приводит к тому, что традиционными методами они не могут быть обработаны с достаточной для потребителей скоростью и качеством. Данная проблема решается использованием технологий искусственного интеллекта для решения задач цифровой картографии путем систематизации накопленных научных и практических знаний в области обработки пространственных данных, создания теории и методологии и разработки на этой основе технических решений для автоматизации и роботизации технологических процессов. Кроме этого, существующее множество алгоритмов, методов и технологий искусственного интеллекта, которые потенциально могут быть применены при автоматизации и роботизации процессов цифровой картографии, недостаточно проработаны и требуют доработки и актуализации своды формализованных правил и рекомендаций по их применению и интеграции в традиционные процессы в зависимости от решаемой задачи цифровой картографии.

Научная новизна исследований автора заключается в следующем.

1 Разработана концепция, систематизирующая теоретические положения и технические решения по автоматизированному построению конвейеров обработки пространственных данных, создаваемых на основе элементов программного обеспечения, использующего технологии искусственного интеллекта.

2 Разработаны новые технологические схемы, использующие алгоритмы, методы и технические решения искусственного интеллекта, ускоряющие автоматизированное создание картографических и геоинформационных моделей по разнородным данным (данные дистанционного зондирования, фотографии, текст и т. д.), в том числе и с учетом временной составляющей.

3 Разработан логический аппарат и теоретические основы выбора критерия качества обработки пространственных данных при решении определенной задачи цифровой картографии с использованием технологий искусственного интеллекта, а также предложены новые способы их вычисления для отдельных процессов.

4 Разработана новая методология подбора оптимальной последовательности операций обработки пространственных данных на основе технологий искусственного интеллекта с учетом анализа их свойств и возможностей относительно автоматизации и роботизации решаемых задач для ускорения выполнения типовых процессов цифровой картографии.

Перечисленные разработки реализуют предлагаемую методологию использования технологий искусственного интеллекта для решения задач цифровой картографии и формируют на ее основе новую технологию автоматизации и роботизации единого комплексного цикла создания, редактирования и использования карт с использованием алгоритмов и методов искусственного интеллекта, которая позволит кратно увеличить скорость и функциональность на всех этапах - от сбора информации до выпуска картографических произведений.

Теоретическая значимость работы заключается в развитии теории и методологии цифровой картографии на основе исследований возможностей и путей использования технологий искусственного интеллекта для увеличения степени автоматизации картографических процессов. В рамках данной работы рассматриваются следующие элементы этой теории: понятийный аппарат, логический аппарат выбора наиболее оптимальных шагов создания и редактирования картографических произведений, оценки качества, классификации технологий и алгоритмов искусственного интеллекта с точки зрения обработки пространственных данных, си-

стема критериев оценки применимости технологий искусственного интеллекта для целей цифровой картографии.

Практическая значимость:

1 Разработана база данных алгоритмов искусственного интеллекта, способов формирования синтетических (инжиниринга) данных, методик оптимизации сформированных математических моделей и подбора гиперпараметров, методов оценки точности при обработке пространственных данных, предназначенная для экспертной системы, работающей на основе семантических сетей для подбора наиболее оптимального конвейера обработки пространственных данных алгоритмами, методами и техническими решениями искусственного интеллекта.

2 Выполнена формализация использования технологий искусственного интеллекта для автоматизации обработки всех типов пространственных данных, построения и обновления картографических произведений с использованием баз знаний и больших языковых моделей.

3 Создано наукоемкое информационное и программное обеспечение для распространенных геоинформационных систем, позволяющее использовать технологические элементы работы для автоматизации процессов создания и редактирования картографических произведений, а также коллективных многоплановых исследований технологий искусственного интеллекта для задач обработки пространственных данных.

4 Разработана методика автоматизированной стилизации и оформления картографических материалов на основе существующих картографических произведений.

5 Разработаны рекомендации по интерпретации математических моделей процессов, создаваемых в рамках решения задач цифровой картографии, получаемых на основе пространственных данных с использованием технологий искусственного интеллекта.

Методология и методы исследования основаны на системном анализе, математическом моделировании объектов и процессов, теории математической обра-

ботки результатов измерений. Решение поставленных задач базируется на использовании математического моделирования, системного анализа и синтеза, сравнения, обобщений и оценок с привлечением методов интегрального исчисления, численных методов и теории интерпретации полученных результатов, а также геоинформационного анализа и структуризации данных.

Предложенная методология позволяет использовать методы и технологии искусственного интеллекта для решения задач цифровой картографии, оптимизировать процессы выбора алгоритмов технологических процессов, автоматизировать процессы создания и редактирования картографических произведений и сервисов. Элементы разработанной методологии применения технологий искусственного интеллекта являются основой для формирования тематических карт различного содержания, например прогнозирования количества случаев заболеваний тропическими болезнями по картографическим и климатическим данным, обновления данных картографических сервисов на основе сегментации спутниковых снимков, извлечения географических названий и построение карт на основе неструктурированного текста, уточнения данных дистанционного зондирования Земли (ДЗЗ) для построения карт типов растительности по картографическим данным, прогнозирования стоимости объекта недвижимости по картографическим данным, текстовому описанию и фотографиям, rapid mapping территорий после чрезвычайных ситуаций, семантической сегментации облаков точек, комплексного картографирования и моделирования объектов гидроэнергетики, сельского хозяйства и другой тематики.

Положения, выносимые на защиту:

1 Предлагаемые методологические принципы использования технологий искусственного интеллекта позволяют автоматизировать и значительно ускорить решение геоинформационных и картографических задач, вплоть до обеспечения режима реального времени;

2 Предлагаемые методологические принципы автоматизированного формирования конвейеров геоинформационной и картографической обработки данных на

Список литературы диссертационного исследования доктор наук Колесников Алексей Александрович, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1 Абросимов, М. А. Метод нормализации облака точек, подлежащего обработке с помощью искусственной нейронной сети / М. А. Абросимов, А. В. Бровко. -Текст : непосредственный // Информационно-коммуникационные технологии в науке, производстве и образовании 1С1Т-2017. - Воронеж. - 2017. - С. 262-268.

2 Автоматизация определения контуров техногенно нарушенных территорий по данным открытой спутниковой съемки / А. А. Колесников, Н. С. Косарев, А. В. Резник, Н. А. Немова, А. М. Астапов, М. К. Кропачева. - Текст : непосредственный // Геодезия и картография. - 2024. - № 11. - С. 25-34. - Б01 10.22389/0016-7126-2024-1013-11-25-34.

3 Анализ и обработка данных дистанционного зондирования Земли методами машинного обучения / А. А. Колесников, П. М. Кикин, Е. В. Комиссарова, Д. В. Грищенко. - Текст : непосредственный // Региональные проблемы дистанционного зондирования Земли : сб. материалов V Международной научной конференции. Сибирский федеральный университет, Институт космических и информационных технологий, 2018.- С. 130-134.

4 Анализ и прогнозирование пространственно-временных экологических показателей с использованием методов машинного обучения / П. М. Кикин, А. А. Колесников, А. М. Портнов, Д. В. Грищенко. - Текст : непосредственный // Интер-Карто. ИнтерГИС. - 2020. - Т. 26, № 3. - С. 53-61.

5 Бабаев, А. М. Нейросетевые технологии распознавания трехмерных объектов / А. М. Бабаев. - Текст : непосредственный // Международный журнал гуманитарных и естественных наук. - 2019. - Т. 39, по. 12-2. - С. 74-76.

6 Бешенцев, А. Н. Создание и использование геоинформационных ресурсов для физико-географического районирования трансграничной российско-монгольской территории / А. Н. Бешенцев, А. А. Аюржанаев, Б. В. Содномов. - Текст : непосредственный // Вестник СГУГиТ. - 2021. - Т. 26, № 2. - С. 91-102.

7 Борисова, Т. А. Риски лесных пожаров в бассейне озера Байкал: статистическая оценка и картографирование / Т. А. Борисова, А. Н. Бешенцев. - Текст : непо-

средственный // Известия вузов. Северо-Кавказский регион. Серия: Естественные науки. - 2021. - № 4 (212). - С. 26-33.

8 Братков, В. В. Возможности ГИС-технологий для оценки и мониторинга климатических условий Макажойской котловины (Чеченская Республика) /

B. В. Братков, Р. Х. Бекмурзаева, Л. Р. Бекмурзаева. - Текст : непосредственный // Юг России: экология, развитие. - 2024. - Т. 19, № 2(71). - С. 160-169. -DOI 10.18470/1992-1098-2024-2-14.

9 Бугаков, П. Ю. Анализ функциональных возможностей офисных приложений для визуализации и оценки геоданных / П. Ю. Бугаков, А. А. Колесников. - Текст : непосредственный // Вестник СГУГиТ. - 2019. - Т. 24, № 4. -

C. 104-119. - DOI 10.33764/2411-1759-2019-24-4-104-119.

10 Верхова, Г. В. Исследование эффективности метода и моделей формирования единого геоинформационного пространства постиндустриального общества / Г. В. Верхова, С. В. Акимов, С. П. Присяжнюк. - Текст : непосредственный // Информация и космос. - 2024. - № 2. - С. 163-172.

11 Гвоздев, О. Г. Адаптивная мера сходства геополей, основанная на обобщении бинарных мер сходства / О. Г. Гвоздев, А. В. Матерухин, А. А. Майоров. -Текст : непосредственный // Геодезия и картография. - 2023. - Т. 84, № 12. -С. 38-48. - DOI 10.22389/0016-7126-2023-1002-12-38-48.

12 Геоинформационная оценка и картографирование динамики урбанизированной территории г. Улан-Удэ / Е. Э. Куклина, К. И. Калашников, Н. Д. Балданов, А. Н. Бешенцев. - Текст : непосредственный // Известия вузов. Северо-Кавказский регион. Серия: Естественные науки. - 2020. - № 3 (207). - С. 44-50.

13 ГОСТ Р 59276-2020. Системы искусственного интеллекта. Способы обеспечения доверия. Общие положения. - URL: https://docs.cntd.ru/document/ 1200177291. - Текст : электронный.

14 Грищенко, Д. В. Сегментация космических снимков при помощи алгоритмов машинного обучения и нейронных сетей / Д. В. Грищенко, А. А. Сивков, А. А. Колесников. - Текст : непосредственный // Регулирование земельно-имуще-

ственных отношений в России: правовое и геопространственное обеспечение, оценка недвижимости, экология, технологические решения. - 2020. - Т.2. -С. 59-63.

15 Гришин, Р. В. Способы извлечения метаданных о пространственном положении из хранилищ фотографий / Р. В. Гришин, А. А. Колесников. - Текст : непосредственный // Вестник СГУГиТ. - 2023. - Т. 28, № 6. - С. 57-66. - Б01 10.33764/2411-1759-2023-28-6-57-66.

16 Долгополов, Д. В. Исследование технологии идентификации космических снимков для обеспечения их совместного использования / Д. В. Долгополов. -Текст : непосредственный // Мониторинг. Наука и технологии. - 2022. - № 1 (51). -С. 42-46. - Б01 10.25714/МЖ.2022.51.006.

17 Долгополов, Д. В. Моделирование объектов трубопроводного транспорта по данным дистанционного зондирования / Д. В. Долгополов. - Текст : непосредственный // Геодезия и картография. - 2023. - Т. 84, № 5. - С. 43-51. -Б01 10.22389/0016-7126-2023-995-5-43-51.

18 Долгополов, Д. В. Теоретическое обоснование принципов формирования геопространственных моделей трубопроводных систем / Д. В. Долгополов. -Текст : непосредственный // Известия вузов. Геодезия и аэрофотосъемка. - 2022. -Т. 66, № 5. - С. 87-97. - Б01 10.30533/0536-101Х-2022-66-5-87-97.

19 Интегрирующий показатель оптимальности структуры угодий как критерий для регулирования качества земель / А. П. Сизов, Е. Г. Черных, В. Н. Щукина, К. Р. Меркурьева. - Текст : непосредственный // Известия вузов. Геодезия и аэрофотосъемка. - 2023. - Т. 67, № 3. - С. 43-50. - Б01 10.30533/01Л-2023-022.

20 Использование машинного обучения для построения картографических изображений / А. А. Колесников, П. М. Кикин, Е. В. Комиссарова, Д. В. Гри-щенко. - Текст : непосредственный // От карты прошлого - к карте будущего : сб. научных трудов в 3 т. ; Отв. ред. С. В. Пьянков, 2017. - С. 108-118.

21 Использование геопространственых данных для оценки состояния техно-генно нарушенных земель / Н. С. Косарев, А. А. Колесников, А. В. Резник [и др.]. -

Текст : непосредственный // Физико-технические проблемы разработки полезных ископаемых. - 2023. - № 6. - С. 190-197. - DOI 10.15372/FTPRPI20230617.

22 Использование технологий машинного обучения при решении геоинформационных задач / А. А. Колесников, П. М. Кикин, Е. В. Комиссарова, Е. Л. Касьянова. - Текст : непосредственный // ИнтерКарто. ИнтерГИС. - 2018. - Т. 24, № 2. -С.371-384.

23 Каздорф, С. Я. Алгоритм семантической сегментации трехмерных сцен / С. Я. Каздорф, Ж. С. Першина. - Текст : непосредственный // Cloud of Science. -2019. - Vol. 6, no. 3. - P. 451-461.

24 Картографирование разрывных нарушений по данным аэрокосмических съемок с целью обеспечения безопасности магистральных трубопроводов (на примере участка Чайво-де-Кастри) / О. В. Купцова, В. А. Мелкий, А. А. Верхотуров, Д. В. Долгополов. - Текст : непосредственный // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2023. - Т. 334, № 6. - С. 92-102. -DOI 10.18799/24131830/2023/6/3826. - EDN GSMHOP.

25 Картографирование почвенно-земельного покрова как эффективный механизм формирования границ земельных участков сельскохозяйственного назначения / Д. И. Рухович, Д. А. Шаповалов, А. Л. Куляница, П. В. Королева. - Текст : непосредственный // Международный сельскохозяйственный журнал. - 2018. -№ 5. - С. 5-15.

26 Керимов, И. А. Динамика агроклиматических показателей степных ландшафтов Северного Кавказа по данным наземных наблюдений / И. А. Керимов, В. В. Братков, Л. Р. Бекмурзаева. - Текст : непосредственный // Геология и геофизика Юга России. - 2024. - Т. 14, № 2. - С. 219-230. - DOI 10.46698/VNC.2024.92.31.017.

27 Колесников, А. А. Автоматизация сбора данных из открытых источников о состоянии техногенно-нарушенных территорий с использованием геоинформационных технологий и микросервисных архитектур / А. А. Колесников, Н. С. Косарев, Т. А. Платонов. - Текст : непосредственный // Цифровые технологии в горном деле : тезисы докладов Всероссийской научно-технической конференции, Апа-

титы, 13-16 июня 2023 года. - Апатиты : Кольский научный центр Российской академии наук, 2023. - С. 24-25.

28 Колесников, А. А. Анализ методов и средств искусственного интеллекта для анализа и интерпретации данных активного дистанционного зондирования / А. А. Колесников. - Текст : непосредственный // Вестник СГУГиТ. - 2022. - Т. 27, № 3. - С. 74-94. - Б01 10.33764/2411-1759-2022-27-3-74-94.

29 Колесников, А. А. Возможности СУБД для обработки пространственных данных / А. А. Колесников. - Текст : непосредственный // Вестник СГУГиТ. - 2022. - Т. 27, № 3. - С. 95-106. - Б01 10.33764/2411-1759-2022-27-3-95-106.

30 Колесников, А. А. Возможности использования web-технологий для визуализации данных, получаемых с помощью активных методов дистанционного зондирования / А. А. Колесников, Д. В. Грищенко. - Текст : непосредственный // Вестник СГУГиТ. - 2020. - Т. 25, № 4. - С. 130-137.

31 Колесников, А. А. Использование больших языковых моделей в геоинформационных технологиях / А. А. Колесников. - Текст : непосредственный // Известия вузов. Геодезия и аэрофотосъемка. - 2024. - Т. 68, № 1. - С. 33-43. - Б01 10.30533/01Л-2024-003.

32 Колесников, А. А. Использование открытых семантических баз данных для получения пространственной информации / А. А. Колесников, П. М. Кикин, Е. В. Комиссарова. - Текст : непосредственный // Интерэкспо ГЕО-Сибирь-2017. XIII Междунар. науч. конгр. : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия» : сб. материалов в 2 т. (Новосибирск, 17-21 апреля 2017 г.). - Новосибирск : СГУГиТ, 2017. Т. 2. - С. 53-57.

33 Колесников, А. А. Использование технологий машинного обучения для пространственно-временного прогнозирования / А. А. Колесников. - Текст : непосредственный // Национальная картографическая конференция - 2018 : сб. тезисов Всероссийской научной конференции, 2018. - С. 134-135.

34 Колесников, А. А. Использование четырехмерных сверточных нейронных сетей для автоматизации построения моделей местности / А. А. Колесников,

П. М. Кикин. - Текст : непосредственный // Марчуковские научные чтения - 2019 : сб. трудов Международной конференции, 2019. - С. 240-245.

35 Колесников, А. А. Методический подход к оценке влияния техногенно-из-мененных территорий на ООПТ Новосибирской области / А. А. Колесников, Н. С. Косарев. - Текст : непосредственный // Устойчивое развитие особо охраняемых природных территорий : сборник статей Х Юбилейной национальной научно-практической конференции, Сочи, 05-07 октября 2023 года. - Сочи : Государственное казенное учреждение Краснодарского края «Природный орнитологический парк в Имеретинской низменности», 2023. - С. 173-178.

36 Колесников, А. А. Мониторинг и анализ изменений техногенно-нарушен-ных территорий / А. А. Колесников, Н. С. Косарев. - Текст : непосредственный // Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов (БВМ-2023) : сборник трудов всероссийской конференции с международным участием, Бердск, 22-25 августа 2023 года. - Новосибирск : Федеральное государственное бюджетное научное учреждение «Федеральный исследовательский центр информационных и вычислительных технологий», 2023. -С. 263-267. - Б01 10.25743Zsdm.2023.98.29.044.

37 Колесников, А. А. Построение модели прогнозирования уровня воды в реке по данным дистанционного зондирования из открытых источников / А. А. Колесников, П. М. Кикин, А. Д. Нунгессер. - Текст : непосредственный // Региональные проблемы дистанционного зондирования Земли : сб. материалов VII Международной научной конференции. Сибирский федеральный университет, Институт космических и информационных технологий, 2020. - С. 95-98.

38 Колесников, А. А. Преподавание современных методов обработки данных в рамках дисциплин направлений «Геоинформатика» и «Картография» / А. А. Колесников. - Текст : непосредственный // Преподавание информационных технологий в Российской Федерации : материалы Семнадцатой открытой Всероссийской конференции ; Отв. ред. А. В. Альминдеров, 2019. - С. 315-317.

39 Колесников, А. А. Преподавание технологий машинного обучения в рамках дисциплин направлений геоинформатика и картография / А. А. Колесников. -Текст : непосредственный // Преподавание информационных технологий в Российской Федерации : сб. материалов Шестнадцатой открытой Всероссийской конференции, 2018. - С. 60-62.

40 Колесников, А. А. Проблемы и перспективы использования систем искусственного интеллекта для обработки пространственных данных / А. А. Колесников, Т. С. Криволуцкая. - Текст : непосредственный // Геодезия, землеустройство и кадастры: проблемы и перспективы развития : сб. материалов I Международной научно-практической конференции, посвященной 100-летию советской геодезии и картографии, 2019. - С. 71-74.

41 Колесников, А. А. Прогнозирование распространения болезней в тропических зонах с помощью методов машинного обучения / А. А. Колесников, П. М. Ки-кин. - Текст : непосредственный // Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов (БВМ-2019) : сб. трудов Всероссийской конференции с международным участием, 2019. - С. 371-376.

42 Колесников, А. А. Современные подходы к автоматизации операций по редактированию пространственных данных / А. А. Колесников. - Текст : непосредственный // Геодезия и картография. - 2023. - Т. 84, № 4. - С. 39-49. - Б0! 10.22389/0016-7126-2023-994-4-39-49.

43 Колесников, А. А. Сравнительный анализ влияния компонентов мультис-пектрального снимка на точность автоматизированного дешифрирования объектов гидрографии / А. А. Колесников. - Текст : непосредственный // Информация и космос. - 2024. - № 2. - С. 141-144.

44 Колесников, А. А. Технические решения для создания картографических баз данных на основе неструктурированного текста с использованием микросервисной архитектуры и систем обработки естественного языка / А. А. Колесников. -Текст : непосредственный // Информация и космос. - 2023. - № 2. - С. 132-136.

45 Колесников, А. А. Эталонные тесты семантической сегментации данных, получаемых методами активного дистанционного зондирования / А. А. Колесни-

ков. - Текст : непосредственный // Региональные проблемы дистанционного зондирования Земли : сб. материалов VII Международной научной конференции. Сибирский федеральный университет, Институт космических и информационных технологий, 2020. - С. 92-95.

46 Коломеец, М. В. Оценка влияния количества информации на качество автоматизированного дешифрирования спутниковых снимков / М. В. Коломеец, А. А. Колесников. - Текст : непосредственный // Интерэкспо ГЕО-Сибирь. XIX Международный научный конгресс, 17-19 мая 2023 г., Новосибирск : сборник материалов в 8 т. Т. 1 : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия». - Новосибирск : СГУГиТ, 2023. № 2. - С. 144-150. -Б0! 10.33764/2618-981Х-2023-1-2-144-150.

47 Концепция архитектуры системы непрерывного геоинформационного мониторинга на базе пространственнокоординированных видеопотоков с использованием специализированных нейросетевых моделей / А. А. Майоров, А. В. Матерухин, Ю. В. Белышева, О. Г. Гвоздев. - Текст : непосредственный // Известия вузов. Геодезия и аэрофотосъемка. - 2023. - Т. 67, № 6. - С. 33-48. - Б0! 10.30533/01Л-2023-058.

48 Лагута, А. А. Анализ заиления и гидродинамических процессов в деградирующем пойменно-долинном водохранилище (на примере Краснодарского водохранилища) // А. А. Лагута, А. В. Погорелов. - Текст : непосредственный // Интер-Карто. ИнтерГИС. - 2020. - Т. 26, № 2. - С. 335-348.

49 Лагута, А. А. Пространственно-временная изменчивость концентрации хлорофилла «А» в Краснодарском водохранилище по данным спутниковых снимков / А. А. Лагута, А. В. Погорелов. - Текст : непосредственный // Водное хозяйство России: проблемы, технологии, управление. - 2021. - № 4. - С. 67-84.

50 Лурье, И. К. Цифровая эпоха в картографии: от автоматизации к картографическим сервисам / И. К. Лурье. - Текст : непосредственный // Вопросы географии. - 2017. - № 144. - С. 15-28.

51 Массель, Л. В. Современный этап развития искусственного интеллекта (ИИ) и применение методов и систем ИИ в энергетике / Л. В. Массель. - Текст :

непосредственный // Информационные и математические технологии в науке и управлении. - 2021. - № 4 (24). - С. 5-20.

52 Мелкий, В. А. Зонирование воздействия вулкана Эбеко (Курильские острова) на прилегающие земли по данным материалов аэрокосмических съемок /

B. А. Мелкий, А. А. Верхотуров, В. В. Братков. - Текст : непосредственный // Известия вузов. Геодезия и аэрофотосъемка. - 2024. - Т. 68, № 1. - С. 21-32. - Б0! 10.30533/01Л-2024-002.

53 Молокина, Т. С. Анализ состояния и перспективы развития визуализации пространственных данных / Т. С. Молокина, А. А. Колесников. - Текст : непосредственный // Вестник СГУГиТ. - 2021. - Т. 26, № 4. - С. 73-82.

54 Моделирование информационного обмена групп робототехнических средств в составе робототехнического комплекса / С. П. Присяжнюк, А. К. Канаев, М. А. Сахарова [и др.]. - Текст : непосредственный // Информация и космос. -2024. - № 1. - С. 73-83.

55 Нырцов, М. В. Классификация проекций трехосного эллипсоида / М. В. Нырцов, М. Э. Флейс. - Текст : непосредственный // Геодезия и картография. - 2021. - Т. 82, № 6. - С. 17-25.

56 Нырцов, М. В. Проблемы математической картографии в ГИС / М. В. Нырцов. - Текст : непосредственный // ИнтерКарто. ИнтерГИС. - 2019. - Т. 25, № 1. -

C. 332-336.

57 О необходимости комплексной геоэкологической оценки техногенно нарушенных горными работами земель / В. Л. Гаврилов, Н. А. Немова, А. В. Резник [и др.]. - Текст : непосредственный // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2023. - Т. 334, № 10. - С. 76-87. -Б0! 10.18799/24131830/2023/10/4212.

58 Окмянская, В. М. Информационное обеспечение мониторинга земель на примере Тюменской области / В. М. Окмянская, Е. Г. Черных. - Текст : непосредственный // Геодезия и картография. - 2023. - Т. 84, № 5. - С. 25-33. -Б0! 10.22389/0016-7126-2023-995-5-25-33.

59 Отбор картографических параметров для построения математической модели прогнозирования типов растительного покрова / А. А. Колесников, Е. В. Комиссарова, Т. С. Криволуцкая, Д. В. Грищенко. - Текст : непосредственный // Регулирование земельно-имущественных отношений в России: правовое и геопространственное обеспечение, оценка недвижимости, экология, технологические решения. - 2019. - Т. 1. - С. 134-138.

60 Орлов, М. Ю. Тенденции развития картографического производства в России (2017 г. - настоящее время) / М. Ю. Орлов, Т. В. Верещака. - Текст : непосредственный // Тематические карты и атласы: современные концепции научного содержания, новые технологии создания и использования : материалы XI международной научной конференции по тематической картографии, Иркутск, 28 ноября -02 декабря 2022 года. - Иркутск : Институт географии им. В. Б. Сочавы Сибирского отделения Российской академии наук, 2022. - С. 186-189.

61 Оценка направлений и тенденций развития современной картографии / Д. В. Лисицкий, Е. В. Комиссарова, А. А. Колесников, М. Н. Шарыпова. - Текст : непосредственный // Геодезия и картография. - 2015. - № 11. - С. 59-64.

62 Оценка обеспеченности территории города рекреационными объектами для перспективного планирования организации землепользования / А. В. Дубровский, А. В. Ершов, О. И. Малыгина [ и др.]. - Текст : непосредственный // Вестник СГУГиТ. - 2023. - Т. 28, № 6. - С. 86-98. - Б0! 10.33764/2411-1759-2023-28-6-86-98.

63 Патент на изобретение. Способ определения местоположения на традиционной карте координат точек, геометрических и семантических характеристик картографических объектов в интерактивном режиме при работе с традиционной картой в условиях отсутствия связи для передачи цифровых данных : 2757066 С2, 11.10.2021 : заявл. № 2019116623 от 29.05.2019 / Лисицкий Д. В., Комиссарова Е. В., Колесников А. А. - Текст : непосредственный.

64 Патент на изобретение. Способ определения местоположения, координат точек, геометрических и семантических характеристик картографических объектов в интерактивном режиме при работе с традиционной картой в условиях отсутствия

связи для передачи цифровых данных : 2706465 С2, 19.11.2019 : заявл. № 2019111792 от 18.04.2019Д. / Лисицкий Д. В., Комиссарова Е. В., Колесников А. А. - Текст : непосредственный.

65 Патент на изобретение. Способ получения, обработки, отображения и интерпретации геопространственных данных для кластеризации неоднородности тех-ногенно измененных территорий : 2806406 С1 Российская Федерация, МПК 001С 11/04, 006Т 17/05: заявл. № 2022125547 от 30.09.2022 / А. В. Резник, В. Л. Гаврилов, Н. А. Немова [ и др.] ; заявитель Федеральное государственное бюджетное учреждение науки Институт горного дела им. Н. А.Чинакала Сибирского отделения Российской академии наук. - Текст : непосредственный.

66 Патент на изобретение. Способ создания автономного источника геопространственной информации и использования его в интерактивном режиме в условиях отсутствия связи для передачи цифровых данных : 2752606 С2, 29.07.2021 : заявл. № 2019120894 от 02.07.2019 / Лисицкий Д. В., Комиссарова Е. В., Колесников А. А. - Текст : непосредственный.

67 Перспективно-цилиндрические проекции для интеграции данных в геоинформационной системе / М. Э. Флейс, М. В. Нырцов, А. А. Никифорова, М. А. Сол-даткина. - Текст : непосредственный // Известия Российской академии наук. Серия географическая. - 2021. - Т. 85, № 3. - С. 458-466.

68 Погорелов, А. В. Картографирование геоэкологических характеристик лиманов в дельте реки Кубани / А. В. Погорелов, Е. Н. Киселев, Ю. Б. Елецкий -Текст : непосредственный // Защита окружающей среды в нефтегазовом комплексе. - 2017. - № 6. - С. 34-42.

69 Погорелов, А. В. Моделирование объектов озеленения города по данным мобильного лазерного сканирования / А. В. Погорелов, В. А. Брусило, Н. В. Гра-ник. - Текст : непосредственный // ИнтерКарто. ИнтерГИС. - 2018. - Т. 24, № 2. -С. 5-17.

70 Предпроектные исследования геомоделирования контролируемых показателей и составления кадастровой карты государственного реестра объектов нега-

тивного воздействия на окружающую среду / О. В. Алайская, Ш. Чжэньфэн, Х. Энамул, А. А. Колесников, А. М. Портнов. - Текст : непосредственный // Естественные и технические науки. - 2020. - № 6 (144). - С. 110-120.

71 Применение ГИС-технологий для повышения эффективности имитационного моделирования каскадов ГЭС / А. Ю. Арестова, С. В. Митрофанов, А. Г. Русина, Л. А. Колесников. - Текст : непосредственный // Журнал Сибирского федерального университета. Серия: Техника и технологии. - 2020. - Т. 13, № 6. -С. 732-744.

72 Присяжнюк, С. П. Вербальная модель формирования единого геоинформационного пространства / С. П. Присяжнюк, Г. К. Осипов, И. В. Чернов. - Текст : непосредственный // Известия Института инженерной физики. - 2023. - № 3(69). -С. 44-51.

73 Разработка методики тематического дешифрирования космических изображений с целью определения биопродуктивности угодий / А. П. Сизов, Е. Г. Черных, В. Н. Щукина, К. Р. Меркурьева. - Текст : непосредственный // Международный сельскохозяйственный журнал. - 2024. - № 4(400). - С. 384-387. - Б0! 10.55186/25876740_2024_67_4_384.

74 Свидетельство о государственной регистрации базы данных № 2024622042 Российская Федерация. База знаний показателей объектов недвижимости на территорию Новосибирской области по данным из открытых источников : № 2024621673 : заявл. 03.05.2024 : опубл. 15.05.2024 / Янкелевич С. С., Колесников А. А. ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет геосистем и технологий». - Текст : непосредственный.

75 Свидетельство о государственной регистрации базы данных № 2023624553 Российская Федерация. Техногенно-измененные земли при добыче и использовании твердых полезных ископаемых на территории Новосибирской области : № 2023624542 : заявл. 28.11.2023 : опубл. 11.12.2023 / Резник А. В., Немова Н. А., Косарев Н. С. [и др.] ; заявитель Федеральное государственное бюджетное учре-

ждение науки Институт горного дела им. Н. А. Чинакала Сибирского отделения Российской академии наук. - Текст : непосредственный.

76 Свидетельство о государственной регистрации программы для ЭВМ № 2023686249 Российская Федерация. Программа для извлечения и координирования географических объектов из неструктурированного текста : № 2023686275 : за-явл. 05.12.2023 : опубл. 05.12.2023 / Колесников А. А. ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет геосистем и технологий». - Текст : непосредственный.

77 Свидетельство о государственной регистрации программы для ЭВМ № 2023686176 Российская Федерация. Программа для формирования базы данных социально-экономических показателей Новосибирской области по данным из открытых источников : № 2023685838 : заявл. 22.11.2023 : опубл. 04.12.2023 / Колесников А. А. - Текст : непосредственный.

78 Свидетельство о государственной регистрации программы для ЭВМ № 2023686266 Российская Федерация. Программа для построения web-сервиса сбора и обработки открытых климатических данных дистанционного зондирования : № 2023686290 : заявл. 05.12.2023 : опубл. 05.12.2023 / Колесников А. А. ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет геосистем и технологий». - Текст : непосредственный.

79 Свидетельство о государственной регистрации программы для ЭВМ № 2024616842 Российская Федерация. «Программа по компьютерному моделированию зон подтопления территорий в границах водосборной площади малых рек Новосибирска» : № 2024615842 : заявл. 26.03.2024 : опубл. 26.03.2024 / Федор-чук А. С., Колесников А. А., Дубровский А. В. [и др.] ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет геосистем и технологий». - Текст : непосредственный.

80 Свидетельство о регистрации программы для ЭВМ : ЛЯ СГУГиТ : 2020614764, 24.04.2020 : заявл. № 2020612072 от 26.02.2020 / Карпик А. П., Колесников А. А., Бугаков П. Ю., Воронкин Е. Ю. - Текст : непосредственный.

81 Свидетельство о регистрации программы для ЭВМ : QSPARQL : Яи 2018611179, 24.01.2018 : заявл. № 2017662399 от 30.11.2017 / Колесников А. А., Кикин П. М. - Текст : непосредственный.

82 Сереке, Т. Э. Анализ землепользования и температуры поверхности земли по спутниковым изображениям города Мендефера / Т. Э. Сереке, В. В. Братков, Т. Тесфай. - Текст : непосредственный // Вестник СГУГиТ. - 2024. - Т. 29, № 5. -С. 69-79. - Б0! 10.33764/2411-1759-2024-29-5-69-79.

83 Сивков, А. А. К вопросу о методике прогнозирования развития урбанизированных территорий на основе геоданных и технологий машинного обучения / А. А. Сивков, Д. В. Грищенко, А. А. Колесников. - Текст : непосредственный // Регулирование земельно-имущественных отношений в России: правовое и геопространственное обеспечение, оценка недвижимости, экология, технологические решения. - 2020. - Т. 2. - С. 46-50. - Б0! 10.33764/2687-041Х-2020-2-46-50.

84 Системы обработки естественного языка для извлечения данных и картографирования на основе неструктурированных блоков текста / А. А. Колесников, П. М. Кикин, Дж. Нико, Е. В. Комиссарова. - Текст : непосредственный // Интер-Карто. ИнтерГИС. - 2020. - Т. 26, № 1. - С. 375-384.

85 Создание базы данных техногенно-нарушенных территорий Новосибирской области / А. А. Колесников, Н. С. Косарев, Н. А. Немова [и др.]. - Текст : непосредственный // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). - 2023. - Т. 28, № 5. - С. 80-92. - Б0! 10.33764/24111759-2023-28-5-80-92.

86 Составление и оформление интерактивной карты динамики климатических параметров Северного Кавказа / Д. А. Шаповалов, В. В. Братков, С. В. Савинова, И. Р. Ибрагимов. - Текст : непосредственный // Московский экономический журнал. - 2022. - Т. 7, № 2. - С. 329-338.

87 Ступин, В. П. Возможности SAGA GIS при исследовании и картографировании селевой опасности байкальской горной страны / В. П. Ступин. - Текст : непосредственный // Интерэкспо ГЕО-Сибирь. XVII Междунар. науч. конгр., 19-21 мая 2021 г., Новосибирск : сб. материалов в 8 т. Т. 1 : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия». - Новосибирск : СГУГиТ, 2021. -С. 184-193.

88 Ступин, В. П. Возможности материалов дистанционного зондирования как информационной основы картографирования селевой опасности байкальской горной области / В. П. Ступин, Л. А. Пластинин, Б. Н. Олзоев. - Текст : непосредственный // ГеоРиск. - 2020. - Т. 14, № 2. - С. 78-87.

89 Ступин, В. П. ГИС-анализ ЦМР в интересах специализированного картографирования горнопромышленного рельефа / В. П. Ступин, И. А. Карпова. -Текст : непосредственный // Интерэкспо ГЕО-Сибирь. XVII Междунар. науч. конгр., 19-21 мая 2021 г., Новосибирск : сб. материалов в 8 т. Т. 1 : Междунар. науч. конф. «Геодезия, геоинформатика, картография, маркшейдерия». - Новосибирск : СГУГиТ, 2021. - С. 194-203.

90 Ступин, В. П. Принципы морфодинамического анализа и картографирования селевой опасности гор Южной Сибири / В. П. Ступин, Л. А. Пластинин, Б. Н. Олзоев. - Текст : непосредственный // Селевые потоки: катастрофы, риск, прогноз, защита : сб. трудов 5-й Международной конференции. Селевая ассоциация; Институт водного хозяйства им. Ц. Мирцхулава Грузинского технического университета, 2018. - С. 587-594.

91 Трубина, Л. К. Совершенствование информационного обеспечения экодиа-гностики урбанизированных территорий / Л. К. Трубина, О. А. Лисакова, В. П.Ступин. - Текст : непосредственный // Вестник СГУГиТ. - 2024. - Т. 29, № 5. - С. 178157. - DOI 10.33764/2411-1759-2024-29-5-178-187.

92 Черных, Е. Г. Разработка программного модуля для оценки пространственного развития территории субъекта Российской Федерации / Е. Г. Черных,

К. Р. Меркурьева. - Текст : непосредственный // Геодезия и картография. - 2023. -Т. 84, № 8. - С. 49-56. - DOI 10.22389/0016-7126-2023-998-8-49-56.

93 Черных, Е. Г. Принципы идентификации урбанизированных территорий и индикаторы их устойчивого развития / Е. Г. Черных, К. Н. Айнуллина. - Текст : непосредственный // Геодезия и картография. - 2023. - Т. 84, № 6. - С. 50-58. - DOI 10.22389/0016-7126-2023-996-6-50-58.

94 4D Modeling of fMRI Data via Spatio-Temporal Convolutional Neural Networks (ST-CNN) / Y. Zhao, X. Li, H. Huang, W. Zhang, S. Zhao, M. Makkie, M. Zhang, Q. Li, T. Liu. - Текст : непосредственный // IEEE Transactions on Cognitive and Developmental Systems, 2019.

95 A Pipeline to Construct a Real-World Question and GeoSPARQL Query Dataset for Geo-Analytical Question Answering over OpenStreetMap Data / E. H. Jeong, T. Yang, J. H. Yang, K. Yu. - Текст : непосредственный // Journal of the Korean Society of Surveying Geodesy Photogrammetry and Cartography. - 2022. - Vol. 40, No. 6. -P. 549-558. - DOI 10.7848/ksgpc.2022.40.6.549.

96 A semantic 3D point cloud segmentation approach based on optimal view selection for / A. Adam, L. Grammatikopoulos, E. Karras, E. Protopapadakis, K. Karantza-los. - Текст : непосредственный // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 6th International Workshop LowCost 3D - Sensors, Algorithms, Applications. Strasbourg. - 2019. - Vol. XLII-2/W17.

97 A Survey of Methods for Explaining Black Box Models / Riccardo Guidotti, Anna Monreale, Salvatore Ruggieri, Franco Turini, Fosca Giannotti, Dino Pedreschi. -Текст : непосредственный // ACM Comput. Surv. - 51, 5. - Article 93 (August 2018). - DOI 10.1145/3236009.

98 Adams, A. Fast high-dimensional filtering using the permutohedral lattice / A. Adams, J. Baek, M. A. Davis. - Текст : непосредственный // Proceedings Computer Graphics Forum. - 2010. - Vol. 28. - P. 753-762.

99 Advances in Adversarial Attacks and Defenses in Computer Vision: A Survey / Akhtar Naveed, Ajmal S. Mian, Navid Kardan, Mubarak Shah. - Текст : непосредственный // IEEE Access. - 2021. - 9. - P. 155161-155196.

100 Arjovsky, M. Wasserstein Generative Adversarial Networks / M. Arjovsky, S. Chintala, L. Bottou. - Текст : непосредственный // Proceedings of the 34th International Conference on Machine Learning (PMLR), Fort Lauderdale, FL, USA, 20-22 April

2017. - P. 214-223.

101 Arp, L. VPint: value propagation-based spatial interpolation / L. Arp, M. Baratchi, H. Hoos. - Текст : непосредственный // Data Mining and Knowledge Discovery. - 2022. - Vol. 36, No. 5. - P. 1647-1678. - DOI 10.1007/s10618-022-00843-2.

102 ASF-Index - карта устойчивой внутриполевой неоднородности плодородия почвенного покрова, построенная на основе больших спутниковых данных для задач точного земледелия / Д. А. Шаповалов, П. В. Королева, Н. В. Калинина, Е. В. Вильчевская, А. Л. Куляница, Д. И. Рухович. - Текст : непосредственный // Международный сельскохозяйственный журнал. - 2020. - № 1. - С. 9-15.

103 Ba?ao, F. The self-organizing map, the Geo-SOM, and relevant variants for ge-osciences / F. Ba?ao, V. Lobo, M. Painho. - Текст : непосредственный // Comput. Ge-osci. - 2005. - 31. - P. 155-163.

104 Baptista, Irina. A Novel Malware Detection System Based on Machine Learning and Binary Visualization / Irina Baptista, Stavros Shiaeles, Nicholas Kolokotronis. -Текст : непосредственный // IEEE. - 2019. - P. 1-6. - DOI 10.1109/ ICCW.2019.8757060

105 BB-GeoGPT: A framework for learning a large language model for geographic information science / Y. Zhang, Zh. Wang, Zh. He [et al.]. - Текст : непосредственный // Information Processing & Management. - 2024. - Vol. 61, No. 5. - P. 103808. -DOI 10.1016/j.ipm.2024.103808.

106 Beck, M. W. NeuralNetTools: Visualization and Analysis Tools for Neural Networks / M. W. Beck. - Текст : непосредственный // Journal of Statistical Software. -

2018. - 85(11). - P. 1-20. - DOI 10.18637/jss.v085.i11.

107 Beshentsev, A. N. Waste management system in Buryatia (Russia) and ways to reorganise it based on the Asian countries' experience / A. N. Beshentsev, S. A. Petrov, C. B. Urbanova. - Текст : непосредственный // IOP Conference Series: Earth and En-

vironmental Science. Development Factors, Opportunities and Gaps. Серия: Trans-boundary Areas of Russia's East: Development Factors, Opportunities and Gaps, 2021: 012050.

108 Beyond Accuracy: Behavioral Testing of NLP Models with CheckList / Marco Tulio Ribeiro, Tongshuang Sherry Wu, Carlos Guestrin, Sameer Singh. - Текст : непосредственный // Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence. - 2020. - P. 4824-4828. - DOI 10.24963/ijcai.2021/659.

109 Borisova, T. A. Flood hazard on the upper Angara river / T. A. Borisova, A. N. Beshentsev. - Текст : непосредственный // IOP Conference Series: Earth and Environmental Science. Development Factors, Opportunities and Gaps. Серия: Transboundary Areas of Russia's East: Development Factors, Opportunities and Gaps, 2021: 012036.

110 Chen, S. SAR target recognition based on deep learning / S. Chen, H. Wang. -Текст : непосредственный // International Conference on Data Science and Advanced Analytics. - 2014. - P. 541-547.

111 Chen, Y. MMCPP: a multi-Modal Contrastive pre-training model for place representation based on the spatio-temporal framework / Y. Chen, X. S. Yu, K. Qin. - Текст : непосредственный // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - 2023. - Vol. X-1/W1-2023. - P. 303-310. - DOI 10.5194/is-prs-annals-x-1-w1-2023-303-2023.

112 Classification of ships using real and simulated data in a convolutional neural network / N. 0degaard, A. O. Knapskog, C. Cochin, J. C. Louvigne. - Текст : непосредственный // IEEE RadarConference (RadarConf). - 2016.

113 Cloud-desktop remote sensing data management to ensure time series analysis, integration of qgis and google earth engine / E. Panidi, I. Rykin, P. Kikin, A. Kolesnikov. -Текст : непосредственный // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives. - 2020. - 24. - P. 553-557.

114 Convolutional neural network with dataaugmentation for SAR target recognition / J. Ding, B. Chen, H. Liu, M. Huang. - Текст : непосредственный // IEEE Geosci-ence and Remote Sensing Letters. - 2016. - Vol. 13, No. 3. - P. 364-368.

115 Dedkova, A. A. Geomorphometry and microelectronic metrology:Converged realms / A. A. Dedkova, I. V. Florinsky. - Текст : непосредственный // Transactions in GIS. - 2023. - Vol. 27, No. 6. - P. 1642-1661. - DOI 10.1111/tgis.13092.

116 Deep convolutional networks do not classify based on global object shape / Nicholas Baker, Hongjing Lu, Gennady Erlikhman, Philip J. Kellman. - Текст : непосредственный // PLOS Computational Biology. - 2018. - 14 (12). e1006613. -DOI 10.1371/journal.pcbi.1006613.

117 Deep double descent: where bigger models and more data hurt / Preetum Nak-kiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever. - Текст : непосредственный // Journal of Statistical Mechanics: Theory and Experiment 2021. -1912.02292

118 Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources / X. X. Zhu, D. Tuia, L. Mou, G. S. Xia, L. Zhang, F. Xu, F. Fraundorfer. - Текст : непосредственный // IEEE Geoscience and Remote Sensing Magazine, 2017. - P. 8-36.

119 Deep Reinforcement Learning for UAV Navigation Through Massive MIMO Technique / H. Huang, Y. Yang, H. Wang, Z. Ding, H. Sari and F. Adachi. - Текст : непосредственный // IEEE Transactions on Vehicular Technology. - Jan. 2020. -Vol. 69, no. 1. - P. 1117-1121. - DOI 10.1109/TVT.2019.2952549.

120 Definitions, methods, and applications in interpretable machine learning / W. James Murdoch, Chandan Singh, Karl Kumbier, Reza Abbasi-Asl, Bin Yu. - Текст : непосредственный // Proceedings of the National Academy of Sciences. - 2019. -Vol. 116, number 44. - P. 22071-22080. - DOI 10.1073/pnas.1900654116.

121 Dollner, J. Geospatial Artificial Intelligence: Potentials of Machine Learning for 3D Point Clouds and Geospatial Digital Twins / J. Dollner. - Текст : непосредственный // Journal of Photogrammetry, Remote Sensing and Geoinformation Science. -

2020. - Vol. 88, No. 1. - P. 15-24. - DOI 10.1007/s41064-020-00102-3.

122 Domain Generalization: A Survey / Kaiyang Zhou, Ziwei Liu, Yu Qiao, Tao Xiang and Chen Change Loy. - Текст : непосредственный // Machine Learning. -

2021. - DOI 10.48550/ARXIV.2103.02503.

123 Dudgeon, D. E. An overview of automatic target recognition / D. E. Dudgeon, R. T. Lacoss, A. Moreira. - Текст : непосредственный // The Lincoln Laboratory Journal. - 1993. - Vol. 6. - P. 3-10.

124 Evolutionary algorithms for hyperparameter optimization in machine learning for application in high energy physics / L. Tani, D. Rand, C. Veelken et al. - Текст : непосредственный // Eur. Phys. - 2021. - J. C 81, 170. - DOI 10.1140/epjc/s10052-021-08950-y.

125 Explainable Deep Learning: A Field Guide for the Uninitiated / Gabrielle Ras, Ning Xie, Marcel van Gerven, Derek Doran. - Текст : непосредственный // J. Artif. Int. Res. 73 (May 2022). - DOI 10.1613/jair.1.13200.

126 Exploring the Potential of Large Language Models (LLMs)in Learning on Graphs / Zh. Chen, H. Mao, H. Li [et al.]. - Текст : непосредственный // ACM SIGKDD Explorations Newsletter. - 2024. - Vol. 25, No. 2. - P. 42-61. - DOI 10.1145/ 3655103.3655110.

127 Farago, A. Strong Universal Consistency of Neural Network Classifiers / A. Farago, G. Lugosi. - Текст : непосредственный // Proceedings. IEEE International Symposium on Information Theory. - 1993. - P. 431. - DOI 10.1109/ISIT.1993.748747.

128 Feature Importance Analysis for Local Climate Zone Classification Using a Residual Convolutional Neural Network with Multi-Source Datasets / Qiu Chunping, Michael Schmitt, Lichao Mou, Pedram Ghamisi, Xiao X. Zhu. - Текст : непосредственный // Remote Sensing. - 2018. - 10 (10): 1572. -DOI 10.3390/rs10101572.

129 Fedus, William. Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity / William Fedus, Barret Zoph, Noam M. Shazeer. -Текст : непосредственный // Journal of Machine Learning Research. - 2022. - 23. -P. 1-40. - DOI 10.48550/arXiv.2101.03961.

130 Fleis, M. Development of ideas about the GIS integration of celestial bodies data / M. Fleis, M. Nyrtsov, A. Sokolov. - Текст : непосредственный // Practical Geography and XXI Century Challenges. International Geographical Union Thematic Confer-

ence dedicated to the Centennial of the Institute of Geography of the Russian Academy of Sciences, 2018. - P. 673.

131 Florea, Adrian-Catalin. Weighted Random Search for Hyperparameter Optimization / Florea Adrian-Catalin, Andonie Razvan. - Текст : непосредственный // International Journal of Computers Communications & Control. - 2019. - 14. - P. 154-169. -DOI 10.15837/ijccc.2019.2.3514.

132 Florinsky, I. V. Larsemann Hills: Geomorphometric modeling and mapping / I. V. Florinsky. - Текст : непосредственный // Polar Science. - 2023. - Vol. 38. -P. 100969. - DOI 10.1016/j.polar.2023.100969.

133 Focal-test-based spatial decision tree learning: A summary of results / Z. Jiang, S. Shekhar, X. Zhou, J. Knight, J. Corcoran. - Текст : непосредственный // Proceedings of the 2013 IEEE 13th International Conference on Data Mining, Dallas, TX, USA, 7-10 December 2013. - P. 320-329.

134 FoldingNet: Point Cloud Auto-Encoder via Deep Grid Deformation / Y. Yang, C. Feng, Y. Shen, D. Tian. - Текст : непосредственный // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2018. -P. 206-215.

135 Fong, R. Understanding Deep Networks via Extremal Perturbations and Smooth Masks / R. Fong, M. Patrick, A. Vedaldi. - Текст : непосредственный // IEEE/CVF International Conference on Computer Vision (ICCV). - 2019. - P. 2950-2958. -DOI 10.1109/ICCV.2019.00304.

136 Fuzzy ARTMAP: A neural network architecture for incremental supervised learning of analog multidimensional maps / G. A. Carpenter, S. Grossberg, N. Markuzon, J. H. Reynolds, D. B. Rosen. - Текст : непосредственный // IEEE Trans. Neural Netw. -1992. - 3. - P. 698-713.

137 GazPNE2: A General Place Name Extractor for Microblogs Fusing Gazetteers and Pretrained Transformer Models / X. Hu, Zh. Zhou, Ye. Sun [et al.]. - Текст : непосредственный // IEEE Internet of Things Journal. - 2022. - Vol. 9, No. 17. - P. 1625916271. - DOI 10.1109/jiot.2022.3150967.

138 Generalizing to Unseen Domains: A Survey on Domain Generalization / Wang, Jindong, Cuiling Lan, Chang Liu, Yidong Ouyang, Tao Qin. - Текст : непосредственный // Machine Learning. - 2021. - DOI 10.48550/arXiv.2103.03097.

139 Generative adversarial nets / I. Goodfellow, J. Pouget-Abadie, M. Mirza, X. Bing, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio. - Текст : непосредственный // Proceedings of the Neural Information Processing Systems (NIPS), New York, NY, USA, 8-13 December 2014. - P. 2672-2680.

140 Generative Adversarial Networks for Hyperspectral Image Classification / L. Zhu, Y. Chen, P. Ghamisi, J. A. Benediktsson. - Текст : непосредственный // IEEE Trans. Geosci. Remote Sens. - 2018. - 56. - P. 5046-5063.

141 Generative adversarial text-to-image synthesis / S. Reed, Z. Akata, X. Yan, L. Logeswaran, B. Schiele, H. Lee. - Текст : непосредственный // Proceedings of the 33rd International Conference on Machine Learning (ICML), New York, NY, USA, 20-22 June 2016. - P. 1060-1069.

142 GeoGPT: An assistant for understanding and processing geospatial tasks / Y. Zhang, Ch. Wei, Zh. He, W. Yu. - Текст : непосредственный // International Journal of Applied Earth Observation and Geoinformation. - 2024. - Vol. 131. - P. 103976. -DOI 10.1016/j.jag.2024.103976.

143 Geospatial Information Research: State of the Art, Case Studies and Future Perspectives / R. Bill, J. Blankenbach, M. Breunig [et al.]. - Текст : непосредственный // Journal of Photogrammetry, Remote Sensing and Geoinformation Science. - 2022. -Vol. 90, No. 4. - P. 349-389. - DOI 10.1007/s41064-022-00217-9.

144 Geo-knowledge-guided GPT models improve the extraction of location descriptions from disaster-related social media messages / Y. Hu, G. Mai, Ch. Cundy [et al.]. -Текст : непосредственный // International Journal of Geographical Information Science. - 2023. - Vol. 37, No. 11. - P. 2289-2318. - DOI 10.1080/13658816.2023.2266495.

145 Ghamisi, P. IMG2DSM: Height Simulation from Single Imagery Using Conditional Generative Adversarial Net. / P. Ghamisi, N. Yokoya. - Текст : непосредственный // IEEE Geosci. Remote Sens. Lett. - 2018. - 15. - P. 794-798.

146 GIS-based infectious disease data management on a city scale, case study of St. Petersburg, Russia / I. Kuznetsov, E. Panidi, A. Kolesnikov, P. Kikin, V. Korovka, V. Galkin. - Текст : непосредственный // International Archives of the Photogramme-try, Remote Sensing and Spatial Information Sciences - ISPRS Archives. - 2020. - 24. -P. 1463-1467.

147 GIS-Data-Driven Efficient and Safe Path Planning for Autonomous Ships in Maritime Transportation / X. Hu, K. Hu, D. Tao [et al.]. - Текст : непосредственный // Electronics. - 2023. - Vol. 12, No. 10. - P. 2206. - DOI 10.3390/electronics12102206.

148 Global importance analysis: An interpretability method to quantify importance of genomic features in deep neural networks / Peter K. Koo, Antonio Majdandzic, Matthew Ploenzke, Praveen Anand, Steffan B. Paul. - Текст : непосредственный // PLOS Computational Biology. - 2021. - 17(5): e1008925. - DOI 10.1371/jour-nal.pcbi.1008925.

149 Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization / R. R. Selvaraju, M. Cogswell, A. Das, R. Vedantam, D. Parikh, D. Batra. -Текст : непосредственный // IEEE International Conference on Computer Vision (ICCV). - 2017. - P. 618-626. - DOI 10.1109/ICCV.2017.74.

150 Gritta, M. A pragmatic guide to geoparsing evaluation / M. Gritta, M. T. Pileh-var, N. Collier. - Текст : непосредственный // Language Resources and Evaluation. -2020. - Vol. 54, No. 3. - P. 683-712. - DOI 10.1007/s10579-019-09475-3.

151 Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets / Alethea Power, Yuri Burda, Harrison Edwards, Igor Babuschkin, Vedant Misra. - 2022. -DOI 10.48550/ARXIV.2201.02177. - Текст : непосредственный.

152 Gromping, U. Variable importance assessment in regression: Linear regression versus random forest / U. Gromping. - Текст : непосредственный // Am. Stat. - 2009. -63. - P. 308-319.

153 Gülch, E. Automated semantic modelling of building interiors from images and derived point clouds based on deep learning methods / E. Gülch, L. Obrock. - Текст :

непосредственный // Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLIII-B2-2020. - 2020. - Vol. XLIII-B2-2020. - P. 421-426.

154 Hase, Peter. Evaluating Explainable AI: Which Algorithmic Explanations Help Users Predict Model Behavior? / Peter Hase, Mohit Bansal. - Текст : непосредственный // Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. 2020. - P. 5540-5552.

155 Hays, J. IM2GPS: estimating geographic information from a single image / J. Hays, A. A. Efros. - Текст : непосредственный // IEEE Conference on Computer Vision and Pattern Recognition. - 2008. - P. 1-8. - DOI 10.1109/CVPR.2008.4587784.

156 Hierarchical recognition system for target recognition from sparse representations / Z. Cui, Z. Cao, J. Yang, H. Ren. - Текст : непосредственный // Mathematical Problems in Engineering. - 2016. - Vol. 2015, No. 527095.

157 High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANS / T. C. Wang, M. Y. Liu, J. Y. Zhu, A. Tao, J. Kautz, B. Catanzaro. - Текст : непосредственный // Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Salt Lake, UT, USA, 18-22 June 2018. - P. 8798-8807.

158 Hodge, V. J. Deep reinforcement learning for drone navigation using sensor data / V. J. Hodge, R. Hawkins, R. Alexander. - Текст : непосредственный // Neural Comput & Applic. - 2021. - 33. - P. 2015-2033. - DOI 10.1007/S00521-020-05097-X.

159 HyperQuaternionE: A hyperbolic embedding model for qualitative spatial and temporal reasoning / L. Cai, K. Janowicz, R. Zhu [et al.]. - Текст : непосредственный // GeoInformatica. - 2023. - Vol. 27, No. 2. - P. 159-197. - DOI 10.1007/s10707-022-00469-y.

160 ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness / Robert Geirhos, Patricia Rubisch, Claudio Michaelis, Matthias Bethge, Felix Wichmann, Wieland Brendel. - Текст : непосредственный // Conference ICLR, 2019. - DOI 10.48550/arXiv.1811.12231.

161 Image-to-image translation with conditional adversarial networks / P. Isola, J. Y. Zhu, T. H. Zhou, A. A. Efros. - Текст : непосредственный // Proceedings of the

IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Piscataway, NJ, USA, 21-26 July 2017. - P. 1125-1134.

162 Improved training of Wasserstein GANS / I. Gulrajani, F. Ahmed, M. Arjovsky, M. Dumoulin, A. Courville. - Текст : непосредственный // Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS), Long Beach, CA, USA, 4-9 December 2017. - P. 5769-5779.

163 Infogan: Interpretable representation learning by information maximizing generative adversarial nets / X. Chen, Y. Duan, R. Houthooft, J. Schulman, I. Sutskever, P. Abbeel. - Текст : непосредственный // Proceedings of the 2016 Neural Information Processing Systems 29 (NIPS), New York, NY, USA, 19-24 June 2016. - P. 2172-2180.

164 Integrating Deep Semantic Segmentation into 3-D Point Cloud Registration / A. Zaganidis, L. Sun, T. Duckett, G. Cielniak. - Текст : непосредственный // IEEE Robotics and Automation Letters. - 2018. - Vol. 3, no. 4. - P. 2942-2949.

165 Integrating GIS technologies in hydro power plant cascade simulation model A. Khalyasmaa, S. Eroshenko, A. Arestova, S. Mitrofanov, A. Rusina, A. Kolesnikov. -Текст : непосредственный // E3S Web of Conferences. Серия: 2020 The 3rd International Conference on Renewable Energy and Environment Engineering, REEE 2020. -2020. - 3: 02006.

166 Integration of data of the remote sensing, GIS, and gamma-spectrometric analysis to study soil material redistribution / L. N. Trofimetz, A. A. Kolesnikov, E. A. Panidi, P. M. Kikin. - Текст : непосредственный // International Archives of the Photogram-metry, Remote Sensing and Spatial Information Sciences - ISPRS Archives. - 2021. -24. - P. 147-152.

167 Interpretable Deep Learning for Spatial Analysis of Severe Hailstorms / David John Gagne II, Sue Ellen Haupt, Douglas W. Nychka, and Gregory Thompson. - Текст : непосредственный // Monthly Weather Review. - 2019. - 147 (8). - P. 2827-2845. -DOI 10.1175/MWR-D-18-0316.1.

168 Intriguing properties of neural networks // Christian Szegedy, Wojciech Za-remba, Ilya Sutskever, Joan Bruna, D. Erhan, Ian J. Goodfellow, Rob Fergus. - Текст :

непосредственный // International Conference on Learning Representations, ICLR, 2014: 21.

169 IPC-Net: 3D point-cloud segmentation using deep inter-point convolutional layers / F. G. Marulanda, P. Libin, T. Verstraeten, A. Nowe. - Текст : непосредственный // International Conference on Tools with Artificial Intelligence, ICTAI, 2018. -P. 293-301.

170 Jo, Jason. Measuring the tendency of CNNs to Learn Surface Statistical Regularities // Jason Jo, Yoshua Bengio. - Текст : непосредственный // Machine Learning. -2017. - DOI 10.48550/arXiv.1711.11561.

171 Ke, L. Retrospect and Prospect of the Development of Chinese Cartography / L. Ke. - Текст : непосредственный // AGCS. - 2017. - 46. - P. 1517-1525.

172 Kikin, P. M. Social media data processing and analysis by means of machine learning for rapid detection, assessment and mapping the impact of disasters / P. M. Kikin, A. A. Kolesnikov, E. A. Panidi. - Текст : непосредственный // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives. - 2020. - 24. - P. 1237-1241.

173 Kikin, P. M. Use of machine learning techniques for rapid detection, assessment and mapping the impact of disasters on transport infrastructure / P. M. Kikin, A. A. Kolesnikov, A. M. Portnov. - Текст : непосредственный // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 2019. - P. 195-200.

174 Kingma, D. P. Auto-Encoding Variational Bayes / D. P. Kingma, M. Welling. - Текст : непосредственный // Machine Learning. - 2014. -DOI 10.48550/arXiv.1312.6114.

175 Kolesnikov, A. A. Diseases spread prediction in tropical areas by machine learning methods ensembling and spatial analysis techniques / A. A. Kolesnikov, P. M. Kikin, A. M. Portnov. - Текст : непосредственный // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 2019. - P. 221-226.

176 Kolesnikov, A. A. Forecasting the distribution of diseases in tropical zones using machine learning methods / A. A. Kolesnikov, P. M. Kikin. - Текст : непосредственный // CEUR Workshop Proceedings. SDM 2019 - Proceedings of the All-Russian Conference «Spatial Data Processing for Monitoring of Natural and Anthropogenic Processes», 2019. - P. 371-376.

177 Kolesnikov, A. Building a model for predicting the water level in a river using remote sensing data from open sources / A. Kolesnikov, A. Nungesser, P. Kikin. - Текст : непосредственный // E3S Web of Conferences. Серия: Regional Problems of Earth Remote Sensing, RPERS 2020. - 2020: 02006.

178 Kolesnikov, A. Modelling of traffic flows and supply chains based on geospatial knowledge / A. Kolesnikov, P. Kikin, E. Panidi. - Текст : непосредственный // Journal of Physics: Conference Series. Серия: 2021 4th International Conference on Applied Mathematics, Modeling and Simulation, AMMS 2021. - 2021. - 4: 012042.

179 Landrieu, L. Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs / L. Landrieu, M. Simonovsky. - Текст : непосредственный // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, 2018.

180 Language Models are Few-Shot Learners / Tom B. Brown, Benjamin Mann, Nick Ryder, Melanie Subbiah, Jared Kaplan, Prafulla Dhariwal, Arvind Neelakantan, Pranav Shyam, Girish Sastry, Amanda Askell, Sandhini Agarwal, Ariel Herbert-Voss, Gretchen Krueger, T. J. Henighan, Rewon Child, Aditya Ramesh, Daniel M. Ziegler, Jeff Wu, Clemens Winter, Christopher Hesse, Mark Chen, Eric Sigler, Mateusz Litwin, Scott Gray, Benjamin Chess, Jack Clark, Christopher Berner, Sam McCandlish, Alec Radford, Ilya Sutskever, Dario Amodei. - 2020. - DOI 10.48550/arXiv.2005.14165. - Текст : непосредственный.

181 Large-Scale High-Resolution Coastal Mangrove Forests Mapping Across West Africa With Machine Learning Ensemble and Satellite Big Data / Liu Xue, Fatoyinbo Temilola E., Thomas Nathan M., Guan Weihe Wendy, Zhan Yanni, Mondal Pinki, Lag-omasino David, Simard Marc, Trettin Carl C., Deo Rinki, Barenblitt Abigail. - Текст :

непосредственный // Frontiers in Earth Science. - 2021. - Vol. 8. - ISSN 2296-6463. -DOI 10.3389/feart.2020.560933.

182 Least Squares Generative Adversarial Networks / X. D. Mao, Q. Li, H. R. Xie, Y. K. Raymond, Z. Wang, S. P. Smalley. - Текст : непосредственный // Proceedings of the IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 22-29 October 2017. - P. 2794-2802.

183 Li, Zh. Autonomous GIS: the next-generation AI-powered GIS / Zh. Li, H. Ning. - Текст : непосредственный // International Journal of Digital Earth. - 2023. - Vol. 16, No. 2. - P. 4668-4686. - DOI 10.1080/17538947.2023.2278895.

184 Liu, M. Y. Unsupervised image-to-image translation networks / M. Y. Liu, T. Breuel, J. Kautz. - Текст : непосредственный // Proceedings of the 2017 Neural Information Processing Systems (NIPS), New York, NY, USA, 6-11 August 2017. -P. 701-709.

185 Machine Learning to Predict the Global Distribution of Aerosol Mixing State Metrics / Michael Hughes, John K. Kodros, Jeffrey R. Pierce, Matthew West, Nicole Riemer. - Текст : непосредственный // Atmosphere 9. - 2018. - no. 1: 15. -DOI 10.3390/ATMOS9010015.

186 Making the Black Box More Transparent: Understanding the Physical Implications of Machine Learning / Amy McGovern, Ryan Lagerquist, David John Gagne II, G. Eli Jergensen, Kimberly L. Elmore, Cameron R. Homeyer, Travis Smith. - Текст : непосредственный // Bulletin of the American Meteorological Society. - 2019. -100 (11). - Р. 2175-2199. - DOI 10.1175/BAMS-D-18-0195.1.

187 Manipulating and Measuring Model Interpretability / Forough Poursabzi-Sang-deh, Daniel G. Goldstein, Jake M. Hofman, Jennifer Wortman Wortman Vaughan, Hanna Wallach. - Текст : непосредственный // Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems (CHI '21). Association for Computing Machinery, New York, NY, USA, Article 237. P. 1-52. - DOI 10.1145/3411764.3445315.

188 Maps of stable intra-field heterogeneity based on big satellite data in the precision farming system / D. Shapovalov, V. Fedorenko, A. Trubnikov, P. Koroleva,

D. Rukhovich. - Текст : непосредственный // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. - 2017. - Vol. 10, no. 12. - P. 5569-5582.

189 Meng, Cai. Natural language processing for urban research / Cai Meng. -Текст : непосредственный // A systematic review, Heliyon. - 2021. - Vol. 7. - Issue 3. -e06322. - ISSN 2405-8440. - DOI 10.1016/J.HELIYON.2021.E06322.

190 Mirza, M. Conditional Generative Adversarial Nets / M. Mirza, S. Osin-dero. - Текст : непосредственный // Machine Learning. - 2014. -DOI 10.48550/ARXIV.1411.1784.

191 Mitchell, T. M. Machine Learning / T. M. Mitchell, McGraw Hill. - 1997. -ISBN 0070428077. - Текст : непосредственный.

192 Monte-Carlo convolution for learning on non-uniformly sampled point clouds / P. Hermosilla, T. Ritschel, P. P. Vazquez, A. Vinacua, T. Ropinski. - Текст : непосредственный // ACM Transactions on Graphics (Proceedings of SIGGRAPH Asia 2018), 2018.

193 Montufar, G. Restricted Boltzmann Machines: Introduction and Review / G. Montufar. - Текст : непосредственный // Proceedings of the Information Geometry and Its Applications ; Ay N., Gibilisco P., Matus F. (eds.) ; Springer: Berlin, Germany, 2018; Vol. 252. - P. 75-115.

194 Muller-Budack, E. Geolocation Estimation of Photos Using a Hierarchical Model and Scene Classification / E. Muller-Budack, K. Pustu-Iren, R. Ewerth. - Текст : непосредственный // Computer Vision. ECCV 2018. Lecture Notes in Computer Science ; Ferrari V., Hebert M., Sminchisescu C., Weiss Y. (eds). - 2018. - Vol. 11216. Springer, Cham. - DOI 10.1007/978-3-030-01258-8_35.

195 Multi-Agent Reinforcement Learning: A Review of Challenges and Applications / Lorenzo Canese, Gian C. Cardarilli, Luca Di Nunzio, Rocco Fazzolari, Daniele Giardino, Marco Re, Sergio Spano. - Текст : непосредственный // Applied Sciences. -2021. - 11 (11): 4948. - DOI 10.3390/app11114948.

196 Multi-Component Image Translation for Deep Domain Generalization / M. R. Mohammad, F. Clinton, B. Mahsa, S. Sridha. - Текст : непосредственный // Pro-

ceedings of the IEEE Winter Conference on Applications of Computer Vision (WACV), Waikoloa Village, HI, USA, 7-11 January 2019. - P. 579-588.

197 Narrative Cartography with Knowledge Graphs / G. Mai, W. Huang, L. Cai [et al.]. - Текст : непосредственный // Journal of Geovisualization and Spatial Analysis. -2022. - Vol. 6, No. 1. - P. 1-24. - DOI 10.1007/s41651-021-00097-4.

198 Naveed, Akhtar. Threat of Adversarial Attacks on Deep Learning in Computer Vision: A Survey / Akhtar Naveed, Ajmal S. Mian. - Текст : непосредственный // IEEE Access. - 2018. - 6. - P. 14410-14430.

199 Nikparvar, Behnam. Machine Learning of Spatial Data / Behnam Nikparvar, Jean-Claude Thill. - Текст : непосредственный // ISPRS International Journal of Geo-Information. - 2021. - 10 (9): 600. - DOI 10.3390/ijgi10090600.

200 On the Opportunities and Challenges of Foundation Models for GeoAI (Vision Paper) / G. Mai, W. Huang, J. Sun [et al.]. - Текст : непосредственный // ACM Transactions on Spatial Algorithms and Systems. - 2024. - DOI 10.1145/3653070.

201 Openshaw, S. Artificial Intelligence in Geography / S. Openshaw, C. Open-shaw. - Chichester, UK : John Wiley & Sons, 1997. - Текст : непосредственный.

202 Openshaw, S. Some suggestions concerning the development of artificial intelligence tools for spatial modelling and analysis in GIS / S. Openshaw. - Текст : непосредственный // Ann Reg Sci. - 1992. - 26. - P. 35-51. - DOI 10.1007/BF01581479.

203 Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network / C. Ledig, L. Theis, F. Huszar, J. Caballero, A. Cunningham, A. Acosta, A. Ait-ken, A. Tejani, J. Totz, Z. Wang et al. - Текст : непосредственный // Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Pisca-taway, NJ, USA, 27 September - 4 October 2017. - P. 4681-4690.

204 Point cloud GAN / C. Li, M. Zaheer, Y. Zhang, B. Poczos, R. R. Salakhutdi-nov. - Текст : непосредственный // Deep Generative Models for Highly Structured Data, DGS@ICLR 2019 Workshop, 2019.

205 PointNet: Deep learning on point sets for 3D classification and segmentation / C. R. Qi, H. Su, K. Mo, L. J. Guibas. - Текст : непосредственный // Proceedings -

30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, 2017. - P. 77-85.

206 PointNet++: Deep hierarchical feature learning onpoint sets in a metric space / C. R. Qi, L. Yi, H. Su, L. J. Guibas. - Текст : непосредственный // Proceedings Advances in Neural Information Processing Systems, 2017.

207 Pointnetlk: Robust & efficient point cloud registration using pointnet / Y. Aoki, H. Goforth, R. A. Srivatsan, S. Lucey. - Текст : непосредственный // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2019. - P. 7156-7165.

208 Progressive growing of GANs for improved quality, stability, and variation / T. Karras, T. Aila, S. Laine, J. Lehtinen. - Текст : непосредственный // Conference ICLR. Machine Learning. - 2018. - DOI 10.48550/arXiv.1312.6114.

209 Quiñones, S. Geographically weighted machine learning model for untangling spatial heterogeneity of type 2 diabetes mellitus (T2D) prevalence in the USA / S. Quiñones, A. Goyal, Z. U. Ahmed. - Текст : непосредственный // Sci. Rep. - 2021. - 11. -P. 1-13.

210 Radford, A. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks / A. Radford, L. Metz, S. Chintala. - Текст : непосредственный // Conference ICLR. Machine Learning. - 2016. -DOI 10.48550/arXiv.1511.06434.

211 Relational inductive biases, deep learning, and graph networks / Peter W. Battaglia, Jessica B. Hamrick, Victor Bapst, Alvaro Sanchez-Gonzalez, Vinícius Flores Zambaldi, Mateusz Malinowski, Andrea Tacchetti, David Raposo, Adam Santoro, Ryan Faulkner, Qaglar Gül?ehre, H. Francis Song, Andrew J. Ballard, Justin Gilmer, George E. Dahl, Ashish Vaswani, Kelsey R. Allen, Charlie Nash, Victoria Langston, Chris Dyer, Nicolas Manfred Otto Heess, Daan Wierstra, Pushmeet Kohli, Matthew M. Botvinick, Oriol Vinyals, Yujia Li, Razvan Pascanu. - 2018. - DOI 10.48550/arXiv.1806.01261. -Текст : непосредственный.

212 Riegler, G. Oct-net: Learning deep 3d representations at high resolutions / G. Riegler, A. O. Ulusoy, A. Geiger. - Текст : непосредственный // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017.

213 Salakhutdinov, R. Deep Boltzmann Machines / R. Salakhutdinov, G. E. Hinton. - Текст : непосредственный // JMLR. - 2009. - 5. - P. 448-455.

214 Segcloud: Semantic segmentationof 3d point clouds / L. P. Tchapmi, C. B. Choy, I. Armeni, J. Y. Gwak, S. Savarese. - Текст : непосредственный // International Conference on 3D Vision (3DV), 2017.

215 Segment Anything Model Can Not Segment Anything: Assessing AI Foundation Model's Generalizability in Permafrost Mapping / W. Li, Ch. Yu. Hsu, S. Wang [et al.]. - Текст : непосредственный // Remote Sensing. - 2024. - Vol. 16, No. 5. -P. 797. - DOI 10.3390/rs16050797.

216 Semantic Consistency and Identity Mapping Multi-Component Generative Adversarial Network for Person Re-Identification / K. Amena, D. Simon, S. Sridha, F. Clinton. - Текст : непосредственный // Proceedings of the IEEE Winter Conference on Applications of Computer Vision (WACV), Piscataway, NJ, USA, 1-5 March 2020. -P. 2267-2276.

217 Shao, Z. Stacked Sparse Autoencoder Modeling Using the Synergy of Airborne LiDAR and Satellite Optical and SAR Data to Map Forest Above-Ground Biomass / Z. Shao, L. Zhang, L. Wang. - Текст : непосредственный // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. - 2017. - Vol. 10, no. 12. -P. 5569-5582.

218 Sharing Deep Neural Network Models with Interpretation / Huijun Wu, Chen Wang, Jie Yin, Kai Lu, and Liming Zhu. - Текст : непосредственный // Proceedings of the 2018 World Wide Web Conference (WWW '18). International World Wide Web Conferences Steering Committee, Republic and Canton of Geneva, CHE. - 2018. -P. 177-186. - DOI 10.1145/3178876.3185995.

219 Sherpa: Robust hyperparameter optimization for machine learning / Lars Hertel, Julian Collado, Peter Sadowski, Jordan Ott, Pierre Baldi. - Текст : непосред-

ственный // SoftwareX. - 2020. - Vol. 12. - 100591. - ISSN 2352-7110. -DOI 10.1016/j.softx.2020.100591.

220 Scheider, S. Pragmatic GeoAI: Geographic Information as Externalized Practice / S. Scheider, K. F. Richter. - Текст : непосредственный // KI - Künstliche Intelligenz. - 2023. - Vol. 37, No. 1. - P. 17-31. - DOI 10.1007/s13218-022-00794-2.

221 Shortcut Learning in Deep Neural Networks / Robert Geirhos, Jörn-Henrik Ja-cobsen, Claudio Michaelis, Richard S. Zemel, Wieland Brendel, Matthias Bethge and Felix Wichmann. - Текст : непосредственный // Nature Machine Intelligence. -2020. - 2. - P. 665-673. - DOI 10.1038/s42256-020-00257-z.

222 Sphere2Vec: A general-purpose location representation learning over a spherical surface for large-scale geospatial predictions / G. Mai, Ya. Xuan, W. Zuo [et al.]. -Текст : непосредственный // ISPRS Journal of Photogrammetry and Remote Sensing. -2023. - Vol. 202. - P. 439-462. - DOI 10.1016/j.isprsjprs.2023.06.016.

223 SPLATNet: Sparse Lattice Networks for Point Cloud Processing / H. Su, V. Jampani, D. Sun, S. Maji, E. Kalogerakis, M. Yang, J. Kautz. - Текст : непосредственный // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2018. - P. 2530-2539.

224 StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks / H. Zhang, T. Xu, H. S. Li, S. T. Zhang, X. G. Wang, X. L. Huang, D. Metaxas. - Текст : непосредственный // Proceedings of the International Conference on Computer Vision (ICCV), Venice, Italy, 22-29 October 2017. - P. 5907-5915.

225 StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation / C. Yunjey, C. Minje, K. Munyoung, H. Jung-Woo, K. Sunghun, C. Jaegul. - Текст : непосредственный // Proceedings of the 2018 IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR), Salt Lake, UT, USA, 18-22 June 2018. - P. 8789-8797.

226 Sun, H. Improved and interpretable solar flare predictions with spatial and topological features of the polarity inversion line masked magnetograms / H. Sun, W. Manchester, Y. Chen. - Текст : непосредственный // Space Weather. - 2021. - 19 (12). -e2021SW002837. - DOI 10.1029/2021SW002837.

227 Tangent convolutions for dense predictionin 3D / M. Tatarchenko, J. Park, V. Koltun, Q. Zhou. - Текст : непосредственный // CVPR, 2018.

228 TextureGAN: Controlling Deep Image Synthesis with Texture Patches / W. Xian, P. Sangkloy, V. Agrawal, A. Raj, J. W. Lu, C. Fang, F. Yu, J. Hays. - Текст : непосредственный // Proceedings of the 2018 IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR), Salt Lake, UT, USA, 18-22 June 2018. - P. 8456-8465.

229 Theoretical development of a natural soil-landscape classification system: an interdisciplinary approach / A. A. Nikiforova, O. Bastian, M. E. Fleis, A. G. Khropov, M. V. Nyrtsov. - Текст : непосредственный // Catena. - 2019. - Т. 177. -С. 238-245.

230 Topography reconstruction and evolution analysis of outlet glacier using data from unmanned aerial vehicles in Antarctica / G. Qiao, X. Yuan, I. Florinsky [et al.]. -Текст : непосредственный // International Journal of Applied Earth Observation and Geoinformation. - 2023. - Vol. 117. - P. 103186. - DOI 10.1016/j.jag.2023.103186.

231 Touya, Guillaume. Is deep learning the new agent for map generalization? / Guillaume Touya, Xiang Zhang, Imran Lokhat. - Текст : непосредственный // International Journal of Cartography 2019. - Vol. 5. - Issue 2-3. - P. 142-157.

232 Trevisani, S. Global digital elevation models for terrain morphology analysis in mountain environments: insights on Copernicus GLO-30 and ALOS AW3D30 for a large Alpine area / S. Trevisani, T. N. Skrypitsyna, I. V. Florinsky. - Текст : непосредственный // Environmental Earth Sciences. - 2023. - Vol. 82, No. 9. - P. 198. -DOI 10.1007/s12665-023-10882-7.

233 TSViz: Demystification of Deep Learning Models for Time-Series Analysis / S. A. Siddiqui, D. Mercier, M. Munir, A. Dengel, S. Ahmed. - Текст : непосредственный // IEEE Access. - 2019. - Vol. 7. - P. 67027-67040. -DOI 10.1109/ACCESS.2019.2912823.

234 Uncertainty Interpretation of the Machine Learning Survival Model Predictions / L. V. Utkin, V. S. Zaborovsky, M. S. Kovalev, A. V. Konstantinov, N. A. Politaeva and A. A. Lukashin. - Текст : непосредственный // IEEE Access. - 2021. - Vol. 9. -P. 120158-120175. - DOI 10.1109/ACCESS.2021.3108341.

235 Underspecification Presents Challenges for Credibility in Modern Machine Learning / D'Amour, Alexander, Katherine A. Heller, Dan I. Moldovan, Ben Adlam, Ba-bak Alipanahi, Alex Beutel, Christina Chen, Jonathan Deaton, Jacob Eisenstein, Matthew D. Hoffman, Farhad Hormozdiari, Neil Houlsby, Shaobo Hou, Ghassen Jerfel, Alan Karthikesalingam, Mario Lucic, Yi-An Ma, Cory Y. McLean, Diana Mincu, Akinori Mitani, Andrea Montanari, Zachary Nado, Vivek Natarajan, Christopher Nielson, Thomas F. Osborne, Rajiv Raman, Kim Ramasamy, Rory Sayres, Jessica Schrouff, Martin G. Seneviratne, Shannon Sequeira, Harini Suresh, Victor Veitch, Max Vladymyrov, Xuezhi Wang, Kellie Webster, Steve Yadlowsky, Taedong Yun, Xiaohua Zhai and D. Sculley. - Текст : непосредственный // Machine Learning. - 2020. -DOI 10.48550/arXiv.2011.03395.

236 Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks / J. Y. Zhu, T. Park, P. Isola, A. A. Efros. - Текст : непосредственный // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Pis-cataway, NJ, USA, 20-25 August 2017. - P. 2223-2232.

237 Urban land use and land cover classification using remotely sensed SAR data through deep belief networks / Q. Lv, Y. Dou, X. Niu, J. Xu, J. Xu, F. Xia. - Текст : непосредственный // Journal of Sensors. - 2015. - Vol. 2015, No. 538063.

238 Using deep learning in semantic classification for point cloud data / X. Yao, J. Guo, J. Hu, Q. Cao. - Текст : непосредственный // IEEE Access, 2019.

239 Using systems of parallel and distributed data processing to build hydrological models based on remote sensing data / A. A. Kolesnikov, P. M. Kikin, E. A. Panidi, A. G. Rusina. - Текст : непосредственный // International Archives of the Photogram-metry, Remote Sensing and Spatial Information Sciences - ISPRS Archives. - 2021. -24. - P. 111-116.

240 Vithayathil Varghese, Nelson. A Survey of Multi-Task Deep Reinforcement Learning / Nelson Vithayathil Varghese, Qusay H. Mahmoud. - Текст : непосредственный // Electronics. - 2020. - 9 (9): 1363. - DOI 10.3390/ELECTRON-ICS9091363.

241 Volkov, S. N. Development of cartographic materials for optimal placement of objects and lands using the information logical system of automated land management design / S. N. Volkov, D. A. Shapovalov, A. A. Fomin. - Текст : непосредственный // IOP Conference Series: 2020 International symposium on earth sciences: history, contemporary issues and prospects, ESHCIP 2020. Серия: International Symposium Earth Sciences: History, Contemporary Issues and Prospects, 2020: 012155.

242 When is variable importance estimation in species distribution modelling affected by spatial correlation? / N. V. Harisena, T. A. Groen, A. G. Toxopeus, B. Naimi. -Текст : непосредственный // Ecography. - 2021. - 44. - DOI 10.1111/ecog.05534.

243 Wilmanski, M. Modern approaches in deep learning for SAR ATR / M. Wil-manski, C. Kreucher, J. Lauer. - Текст : непосредственный // SPIE 9843, Algorithms for Synthetic Aperture Radar Imagery XXIII. - 2016.

244 Yang, J. Analyzing Geographic Questions Using Embedding-based Topic Modeling / J. Yang, H. Jang, K. Yu. - Текст : непосредственный // ISPRS International Journal of Geo-Information. - 2023. - Vol. 12, No. 2. - P. 52. - DOI 10.3390/ijgi12020052.

245 Yang, J. Geographic Knowledge Base Question Answering over Open-StreetMap / J. Yang, H. Jang, K. Yu. - Текст : непосредственный // ISPRS International Journal of Geo-Information. - 2024. - Vol. 13, No. 1. - P. 10. - DOI 10.3390/ijgi13010010.

246 Yang, Li. On hyperparameter optimization of machine learning algorithms: Theory and practice / Li Yang, Abdallah Shami. - Текст : непосредственный // Neurocomputing. - 2020. - Vol. 415. - P. 295-316. - ISSN 0925-2312. - DOI 10.1016/j.neu-com.2020.07.061.

247 Yeh, I. C. Spatial interpolation using MLP-RBFN hybrid networks / I. C. Yeh, K. C. Huang, Y. H. Kuo. - Текст : непосредственный // International Journal of Geographical Information Science. - 2013. - 27(10). - P. 1884-1901. -DOI 10.1080/13658816.2013.769050.

248 Yu, W. Data-driven polyline simplification using a stacked autoencoder-based deep neural network / W. Yu, Yu. Chen. - Текст : непосредственный // Transactions in GIS. - 2022. - Vol. 26, No. 5. - P. 2302-2325. - DOI 10.1111/tgis.12965.

249 Zhang, L. Stacked sparse autoencoder in PolSAR data classification using local spatial information / L. Zhang, W. Ma, D. Zhang. - Текст : непосредственный // IEEE Geoscience and Remote Sensing Letters. - 2016. - Vol. 13, No. 9. - P. 1359-1363.

250 Zhang, X. Measuring Feature Importance of Convolutional Neural Networks / X. Zhang, J. Gao. - Текст : непосредственный // IEEE Access. - 2020. - Vol. 8. -P. 196062-196074. - DOI 10.1109/ACCESS.2020.3034625.

251 Zhou, Y. VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection / Y. Zhou, O. Tuzel. - Текст : непосредственный // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2018. -P. 4490-4499.

252 Zhou, Zhengze. Unbiased Measurement of Feature Importance in Tree-Based Methods / Zhengze Zhou, Hooker Giles. - Текст : непосредственный // ACM Trans. Knowl. Discov. - 2021. - Data 15, 2, Article 26 (April 2021). - DOI 10.1145/3429445.

253 Zhu, Zhuotun. Object Recognition with and without Objects / Zhuotun Zhu, Lingxi Xie, Alan Loddon Yuille. - Текст : непосредственный // IJCAI, 2017.

248

ПРИЛОЖЕНИЕ А (обязательное)

ПАТЕНТ «СПОСОБ ОПРЕДЕЛЕНИЯ МЕСТОПОЛОЖЕНИЯ, КООРДИНАТ ТОЧЕК, ГЕОМЕТРИЧЕСКИХ И СЕМАНТИЧЕСКИХ ХАРАКТЕРИСТИК КАРТОГРАФИЧЕСКИХ ОБЪЕКТОВ В ИНТЕРАКТИВНОМ РЕЖИМЕ ПРИ РАБОТЕ С ТРАДИЦИОННОЙ КАРТОЙ В УСЛОВИЯХ ОТСУТСТВИЯ СВЯЗИ ДЛЯ ПЕРЕДАЧИ ЦИФРОВЫХ ДАННЫХ»

249

ПРИЛОЖЕНИЕ Б (обязательное)

ПАТЕНТ «СПОСОБ СОЗДАНИЯ АВТОНОМНОГО ИСТОЧНИКА ГЕОПРОСТРАНСТВЕННОЙ ИНФОРМАЦИИ И ИСПОЛЬЗОВАНИЯ ЕГО В ИНТЕРАКТИВНОМ РЕЖИМЕ В УСЛОВИЯХ ОТСУТСТВИЯ СВЯЗИ ДЛЯ ПЕРЕДАЧИ ЦИФРОВЫХ ДАННЫХ»

250

ПРИЛОЖЕНИЕ В (обязательное)

ПАТЕНТ «СПОСОБ ОПРЕДЕЛЕНИЯ МЕСТОПОЛОЖЕНИЯ НА ТРАДИЦИОННОЙ КАРТЕ, КООРДИНАТ ТОЧЕК, ГЕОМЕТРИЧЕСКИХ И СЕМАНТИЧЕСКИХ ХАРАКТЕРИСТИК КАРТОГРАФИЧЕСКИХ ОБЪЕКТОВ В ИНТЕРАКТИВНОМ РЕЖИМЕ ПРИ РАБОТЕ С ТРАДИЦИОННОЙ КАРТОЙ В УСЛОВИЯХ ОТСУТСТВИЯ СВЯЗИ ДЛЯ ПЕРЕДАЧИ ЦИФРОВЫХ ДАННЫХ»

251

ПРИЛОЖЕНИЕ Г (обязательное)

АКТ О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ В УЧЕБНЫЙ ПРОЦЕСС ФГБОУ ВО «СИБИРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ГЕОСИСТЕМ И ТЕХНОЛОГИЙ» (СГУГиТ)

МИНОБРНАУКИ РОССИИ Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет геосистем и технологий» (СГУГиТ)

УТВЕРЖДАЮ

по УВРиМП С.С. Янкелевич

_20 г?-г г

Плахотиого ул., д. 10, Новосибирск. 630108 Тел. [phone]. Факс [phone] e-mail rektoial:rtjssga.ni; lntp:/Av-«w.seugii.rn OKI .О 02068966; ОГРН 1025401493061: ИНН/КПП 5404105079/540401001

АКТ

о внедрении результатов НИР в учебный процесс

Диссертация Разработка теории и методологии использования технологий искусственного интеллекта для автоматизации решения задач цифровой картографии», автор: Колесников А А. выполнена в результате исследований, полученных в рамках выполнения гранта, предоставленного в форме субсидии на проведение крупных научных проектов по приоритетным направлениям научно-технологического развития в рамках подпрограммы «Фундаментальные научные исследования для долгосрочного развития и обеспечения конкурентоспособности общества и государства» государственной программы Российской Федерации «Научно-технологическое развитие Российской Федерации», проект «Социально-экономическое развитие Азиатской России на основе синергии транспортной доступности, системных знаний о природно-ресурсном потенциале, расширяющегося пространства межрегиональных взаимодействий», номер соглашения с Министерством науки и высшего образования Российской Федерации № 075-15-2020-804 (внутренний номер гранта№ 13,1902,21.0016).

Результаты полученных исследований внедрены в учебный процесс на основании рекомендаций кафедры картографии и геоинформатики (протокол № 13 от 03 июня 2022 г), а именно:

1. В лекционных и практических курсах по дисциплинам «Цифровая картография», «Современные научные и технологические направления в картографии и геоинформатике», «Базы пространственных данных» по направлению подготовки бакалавров 05.03.03 Картография и геоинформатика,

2. В лекционных и практических курсах по дисциплинам «Теоретические концепции, проблемы и перспективы развития картографии и геоинформатики», «Системы интеллектуальной обработки пространственных данных», «Современные проблемы геоинформационного картографирования» по направлению подготовки магистров 05.04.03 Картография и геоинформатика

3. При руководстве выпускными квалификационными работами бакалавров и магистрантов, а также при руководстве аспирантами.

Заведующая кафедрой картографии и геоинформатики

Директор института геодезии и менеджмента

(порписъ)

-Хшбписъ)

(Пошивайло Я.Г.) (Середович С.В.)

252

ПРИЛОЖЕНИЕ Д (обязательное)

АКТ О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ В НАУЧНО-ИССЛЕДОВАТЕЛЬСКИЙ ПРОЦЕСС ИНСТИТУТА ГОРНОГО

внедрения результатов научных работ, связанных с совершенствованием применяемых технологии в научных исследованиях

Наименования объекта внедрения

Патент на изобретение № 2806406. Способ получения, обработки, отображения и интерпретации геопространственпых данных для кластеризации неоднородности техногенно изменённых территорий. Резник A.B., Гаврилов В.Л., Немова H.A., Косарев Н.С., Колесников A.A. Опубл. 31.10.23, Бюллетень «Изобретения. Полезные модели», № 31.

Свидетельство о гос. регистрации программы для ЭВМ № 2023686266. Программа для построения web-сервиса сбора и обработки открытых климатических данных дистанционного зондирования». Колесников A.A. Опубл. 05.12.2023. Бюллетень «Реестр программ для ЭВМ», №12.

Наименование научных работ

Проект НИР ИГД СО РАН № 121051900145-1 «Развитие научных основ, разработка и реализация новых безопасных и ресурсосберегающих физико-технической и физико-химической геотехнологий освоения месторождений твердых полезных ископаемых, склонных и опасных по газодинамическим явлениям и горным ударам».

Проект РНФ № 23-27-10057 и грант HCO р-60 «Разработка методики оценки состояния техногенно-нарушенных земель Новосибирской области и прогнозирование направлений их альтернативного использования».

Краткое описание преимущества и (или) польза от внедрения в научные исследования

С применением предложенного способа и программы для ЭВМ:

- проведен сбор и обработка данных о техногенно нарушенных территориях Новосибирской области и двух районов Республики Саха (Якутия);

- осуществлен сбор и анализ высокоточных геопространственных данных, в том числе климатических показателей по результатам дистанционного зондирования, для исследования и кластеризация техногенно измененных территорий в изучаемых регионах и районах;

- сформированы и зарегистрированы в Роспатенте Базы данных «Техногенно-измененные земли при добыче и использовании твердых полезных ископаемых на территории новосибирской области» (№2023624553), «Техногенно-измененные земли при разработке угольных месторождений Южной Якутии (№ 2024625605), «Техногенно-измененные земли при разработке месторождений золота и олова в Усть-Янском районе Якутии (№ 2024625665).

Способ и программа позволили повысить степень автоматизации получения, обработки, отображения и интерпретации геопространственных данных для исследования и кластеризации техногенно измененных территорий с различными иеоднородностями на основе методов разномасштабного высокоточного позиционирования.

ДЕЛА ИМ. Н. А. ЧИНАКАЛА СО РАН

АКТ

Руководитель проекта РНФ № 23-27-10057, к.т.н.

Заместитель директора по научной работе, к.т.н.

Гаврилов В.Л.

Резник А.В,