Тип работы:
Предмет:
Язык работы:


Применение ГИС в Арктическом регионе

Работа №176548

Тип работы

Дипломные работы, ВКР

Предмет

гидрология

Объем работы95
Год сдачи2023
Стоимость4600 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
0
Не подходит работа?

Узнай цену на написание


Введение 4
1. Анализ задачи и выбор методики сбора данных системы
OSINT 7
1.1 Методика сбора данных 7
1.2 Система OSINT (Open-Source Intelligence) 13
1.3 Методика построения OSINT 14
2. Выбор методики сбора данных из открытых источников для
информации об объектах в Арктическом регионе Российской Федерации 18
2.1 Инструменты технической реализации 18
2.1.1 Принцип работы TensorFlow 21
2.2 Нейросеть ESRGAN 23
2.2.1 Принцип работы ESRGAN 24
2.2.2 Архитектура ESRGAN 25
2.2.3 Функция потерь 27
2.1 Интерполяция сетей (Network Interpolation) 28
3. Разработка программы на основе предобученной нейросети для
улучшения качества снимков и подтвердить достоверность полученных
данных 31
3.1 Среда разработки в VS Code 31
3.2 Разработка программы 32
3.3 Сбор данных по методике OSINT 41
3.4 Анализ полученных данных 57
3.4.1 Zoom.earth и WorldView 57
3.4.2. SentinelHub, GoRadar и MarineTraffic 66
Заключение 82
Список литературы 84
Приложения 89


Арктический регион Российской Федерации простирается на обширной и богатой территории, имеет глобальное как экономическое, геополитическое, социальное, географическое значение, так и стратегическое значение для обеспечения безопасности страны.
В настоящее время Российская Федерация уделяет приоритетное внимание вопросам всестороннего развития Арктического региона, основные принципы которого заложены в Указе Президента РФ от 26 октября 2020 года №645 «О Стратегии развития Арктической зоны Российской Федерации и обеспечения национальной безопасности на период до 2035 года» .
На Российской территории Арктики проживает около 6% населения России, что составляет порядка 9 миллионов человек . Здесь расположены природные условия, от ледяных пустынь до тундры и горных массивов, уникальных представителей флоры и фауны, которые обитают только в Арктике.
В Арктическом регионе добывается 91% природного газа и 80% (от общероссийских разведанных запасов) газа промышленных категорий, 100% алмазов, редких и редкоземельных металлов, 90% никеля и кобальта, 60% меди и нефти .
В данном регионе находятся важные транспортные магистрали, в том числе Северный морской путь, который является кратчайшей маршрутом из Европы в Азию. Расположены значимые объекты обороны и базы Военноморского флота России .
Несмотря на безусловную важность развития Арктики, поддержание её функционирования, сопряжено с большими технологическими, экологическими и социальными вызовами (Приложение Б).
Одной из существенных проблем, связанных с эксплуатацией данной территории, является климатический контекст, характеризующийся низкими температурами, интенсивными морозами, продолжительными зимними периодами и ограниченным временем летнего сезона, а также наличием арктического многолетнего льда. Все это усложняет работу во всех ее аспектах начиная от планирования и трудозатрат, заканчивая логистикой и любых видов работ, непосредственно на местах. Все эти трудности требует специальных технологий и оборудования, данных полученных из открытых источников и геоинформационных систем .
Вопросы исследования систем оперативного мониторинга и освещения окружающей обстановки в Арктике отражены в научных трудах Алексеенко Н.А., Барамидзе Д.Д., Бесков С.К., Волкодаевой М.В., Володиной Я.А., Селина
A. С., Соловьевой Н.В. и других.
Применение ГИС в исследованиях Арктического региона рассматривали в своих работах исследователи Абрамов В.М., Емельянова Н.З., Заботина Н.Н., Колбина О.Н., Шипулин, В.Д. и другие.
Разработке систем для получения данных с применением искусственных нейронных систем в геоинформационных системах посвящены исследования
B. И. Биденко, Питенко А.А., Храмова И.С, М.Б. Шилина и других
исследователей.
В тоже время анализ результатов научных изысканий ученых показал, что созданные системы ГИС с применением нейронных сетей -ориентированы для решения широкого спектра задач, связанных с анализом и прогнозом явлений и событий Арктики, с осмыслением и выделением главных факторов и причин, а также их возможных последствий, с планированием стратегических решений и текущих последствий предпринимаемых действий.
Объектом исследования являются расширение Арктических данных путем применения методики OSINT и интеграция нейронных сетей в геоинформационные системы.
Предметом исследования является - геоинформационные информационные системы.
Целью данной работы является применение методики OSINT и интеграция нейронной сети для расширения получаемых данных из геоинформационных систем в Арктическом регионе.
..

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В результате выполнения выпускной квалификационной работы достигнута поставленная цель, решены задачи, а именно: разработана программа на основе предобученной нейросети для улучшения качества снимков труднодоступных районов вблизи Архипелага Новая Земля, Чукотского автономного округа, и Чукотского моря Арктического региона Российский Федерации.
Доказана эффективность метода разведки из открытых источников OSINT и получена подробная информация о статичных и движущихся объекта в трудноразличимых и удаленных различных частей Арктического региона. Также показана убедительная эффективность как применения различных геоинформационных веб сервисов, так и расширение получаемых данных с помощью простых и доступных инструментов.
Благодаря анализу предметной области была разобрана предметная область и основные понятия, относящиеся к ней, а также существующих проблемах и варианта минимизации их негативного эффекта, как например отсутствие объемной спутниковой группы, в том числе для объективного контроля.
Анализ полученных данных также позволил сделать вывод о множественных положительных сторонах использования геоинформационных систем в Арктическом регионе Российский Федерации, а также расширение данных благодаря использованию методики и нейросети. В связи с чем полученное сочетание является максимально широким и доступным механизмом для получения еще большего количества данных о различных объектах и процессах, проходящих в регионах.
Значимым является то, что вышеописанные инструменты могут применяться под совершенно разные задачи, так как все вышеописанные методы и инструменты являются полностью универсальными и могут подходить для различных структур как гражданских, так и военных.
Максимально широкая выборка задач от статичных и хорошо видимых объектов анализа до движущихся трудноразличимых объектов в совершенно разных частях рассматриваемого региона наглядно демонстрирует все возможности и плюсы данной системы.
Постановка цели и задач выполняемой работы позволили структурировать как процесс разработки, так и процесс поиска самых актуальных источников, механизмов, инструментов и данных, а изучение методов реализации помогло глубже освоить все инструменты для более простой и легкой интеграции в максимально широкий спектр систем, ограниченные лишь поставленной задачей.
В практической части проведена разработка действующей, доказавшей свою эффективность, программы, а также решены все поставленные задачи с максимально доступным для открытых источников объемом информации о различных объектах, в том числе удаленных и трудноразличимых.
Проделанная работа и полученные знания в процессе ее создания, методы и инструменты помогут в улучшении и более подробной разработке или интеграции данных механизмов в другие системы в будущем.
Все наработки могут послужить в широком спектре задач, начиная от частных и гражданских инициатив, заканчивая различными государственными структурами. Развитие и улучшение как системы, так и развитие геоинформационных и нейронных систем в целом повлияет на способы получения данных для разных ведомств и проектов, а также на создание и улучшение новых или уже существующих государственных систем.
Результаты применения геоинформационных систем в Арктическом регионе представлены на всероссийской научно-практической конференции «Инновационные методы в математике и физике в экологических и гидрометеорологических исследованиях», проходившей в РГГМУ 07.04.2023, и опубликованы в трудах данной конференции.



1. О Стратегии развития Арктической зоны Российской Федерации и обеспечения национальной безопасности на период до 2035 года: указ Президента РФ от 26 октября 2020 г. № 645 // В редакции указов Президента Российской Федерации от 12.11.2021 № 651, от 27.02.2023 № 126.
2. Елистратов В.В., Конищев М.А., Касина В.И., Богун И.В. Использование ГИС-технологий при проектировании ВДЭС в северных условиях// Журнал С.О.К. -2021. -№ 10. -с 66-91.
3. Абрамова А.Л., Алексеева А.А., Крылов А.А., Панасюк В.А., Фатхуллин Д.Р., Абрамов В.М., Байков Е.А., Никифорова Е.Н., Сткарев И.А., Шилин М.Б., Петров Я.А. Модульные цифровые системы геоинформационного обеспечения деятельности ледовых портов России / Информационные технологии в образовании. Сборник статей научно-практической конференции студентов, аспирантов и молодых ученых - Санкт-Петербург: РГГМУ. -2022. - №3(43). - С. 31-40.
4. Андреева Ю.В. Актуальные вопросы изучения социальных проблем российской Арктики / Ю.В. Андреева // Вопросы этнополитики. - 2020. - N 4. - С.18-26.
5. Биденко С.И, Храмов И.С., Шилин М.Б. Оценка территориальной ситуации с использованием искусственных нейронных сетей. Ученые записки РГГМУ- № 54 / Архив 2019-2 / Выпуск -№54.
6. Блиновская Я.Ю., Д.С. Задоя.. Введение в геоинформационные системы// учеб. Пособие. - 2-е изд. - М.: ФОРУМ: ИНФРА-М, 2019. — 112 с.
7. Вагизов М.Р., Истомин Е.П., Колбина О.Н., Кочнев А.С., Михеев В.Л., Яготинцева Н.В. Механизм обучения нейронной сети для прогноза метеорологической обстановки при использовании ГИС// Журнал Геоинформатика. -2021. -№1. -С.22.
8. Zhang, W.,Witharana, C.,Liljedahl, A.,Kanevskiy, M. Remote Sensing | Free Full-Text | Deep Convolutional Neural Networks for Automated Characterization of Arctic Ice-Wedge Polygons in Very High Spatial Resolution Aerial Imagery.https://www.mdpi.com/340914 Accessed. - 2023-05-02.
9. Истомин Е.П., Сидоренко А.Ю., Степанов С.Ю., Петров Я.А., Язданов Р.Н., Григоренко Н.В. О прикладных аспектах использования ГИС специального назначения // Информационные технологии и системы: управление, экономика, транспорт, право. 2019. № 3 (35). С. 6-14.
10. Колпаков А., Семиряга В. Развитие Арктики и национальные интересы Российской Федерации [Электр. текст]. «Армейский сборник» от 08.12.2020. Web-source: army.ric.mil.ru. Дата обращ.: 01.09.2023.
11. Мартынов В.Л. Безопасность в Арктике // Арктика. XXI век. Гуманитарные науки. - 2018. - №2 - С. 4-17.
12. Chabot, D., Stapleton, S.,Francis, C. Using Web images to train a deep
neural network to detect sparsely distributed wildlife in large volumes of remotely sensed imagery: A case study of polar bears on sea
ice.https://www.sciencedirect.com/science/article/pii/S1574954121003381 Accessed. - 2023-05-02.
13. Manos, E.,Witharana, C.,Udawalpola, M.,Hasan, A. Remote Sensing | Free Full-Text | Convolutional Neural Networks for Automated Built Infrastructure Detection in the Arctic Using Sub-Meter Spatial Resolution Satellite Imagery.https://www.mdpi.com/1664784 Accessed. - 2023-05-02.
14. Наоми Барон. «OSINT Essentials» Основы методологии OSINT и конкретные инструменты, которые могут быть использованы. [Электронный ресурс]. - Режим доступа: https://www.osintessentials.com/
15. Анализ сложности алгоритмов. [Электронный ресурс]. - Режим доступа: https://habr.com/ru/articles/196560/
... всего 27 источников


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ