ЭФФЕКТИВНЫЕ МЕТОДЫ ОБУЧЕНИЯ ГЕОИНФОРМАЦИОННОЙ СИСТЕМЫ С ИСПОЛЬЗОВАНИЕМ СУПЕРКОМПЬЮТЕРА
Ключевые слова:
ГИС, искуственный интеллект, параллельные вычисления, кластер параллельных вычислений, суперкомпьютер, машинное обучение, ArcGIS, Python,Аннотация
В настоящее время рост объёмов обработки и анализа масштабных геопространственных данных требует применения высокопроизводительных вычислительных ресурсов. Применение суперкомпьютеров и кластеров параллельных вычислений в машинном обучении, являющемся областью искусственного интеллекта, позволяет реализовывать сложное моделирование, параллельную обработку больших данных и прогнозирование. Внедрение методов машинного обучения в сферу геоинформационных систем (ГИС) способствует эффективному решению задач управления природными ресурсами, экологического мониторинга, градостроительного планирования и прогнозирования чрезвычайных ситуаций. В статье рассматривается значимость применения суперкомпьютеров и кластеров параллельных вычислений при создании геоинформационных систем. В ходе исследования эффективность использования суперкомпьютера PARAMBILIM-2 была оценена с помощью количественных показателей, в результате чего было установлено, что время выполнения вычислений сократилось в несколько тысяч раз. Полученные результаты подтверждают, что применение суперкомпьютеров не только значительно повышает скорость вычислений, но и существенно улучшает эффективность геоинформационного анализа и методов машинного обучения. В результате использование суперкомпьютеров и кластеров параллельных вычислений в обучении ГИС открывает возможности для проведения инновационных прикладных исследований и разработки проектов. Эффективность обучения определялась уровнем освоения обучающимися практических навыков на основе проектной деятельности, а также экзаменационными оценками, полученными по итогам обучения.
Библиографические ссылки
ПАЙДАЛАНЫЛҒАН ӘДЕБИЕТТЕР ТІЗІМІ
1. Білім туралы Қазақстан Республикасының 2007 жылғы 27 шілдедегі № 319 Заңы. [Электрондық ресурс]. URL: https://adilet.zan.kz/kaz/docs/Z070000319_ (қаралған күні 11.05.2025)
2. Жунисов Н. Оқу процесінде геоақпараттық жүйені қолдану мүмкіндіктері // Қ.А.Ясауи атындағы Халықаралық қазақ-түрік университетінің хабарлары. – 2023. – Т. 24, №1. – С. 95-105.
3. «Цифрлық Қазақстан» мемлекеттік бағдарламасын бекіту туралы қаулы. [Электрондық ресурс]. URL: https://adilet.zan.kz/kaz/docs/P1700000827 (қаралған күні 10.01.2024)
4. Ruohonen J. Geospatial Insights on the EuroHPC Supercomputing Ecosystem // Digital Society. – 2025. – Т. 4, №2. – P. 59.
5. Грибкова И.С., Питель Е.К. ГИС и современный опыт их применения // Науки о земле на современном этапе VIII Международная научно-практическая конференция. 2013.- С. 74-76.
6. Deep learning to solve inverse problems [Electronic resource]. URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC9137882/#:~:text=In%20principle%2C%20every%20deep%
20learning,with%20the%20forward%20model%20known. (date of access 10.01.2024)
7. Carpenter G.A., Grossberg S. A massively parallel architecture for a self-organizing neural pattern recognition machine // Computer vision, graphics, and image processing. – 1987. – Т. 37, №1. – P. 54115. https://doi.org/10.1016/S0734 189X(87)80014-2
8. Chollet F. Deep Learning with Python. Second Edition. – Manning, 2021. – 503 p.
9. Schmidhuber J. Deep learning in neural networks: An overview // Neural networks. – 2015. – Т. 61. – P. 85-117. https://doi.org/10.1016/j.neunet.2014.09.003
10. Géron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. 3rd Edition. – O'Reilly Media, 2022. – 861 p.
11. França R. P. et al. An overview of deep learning in big data, image, and signal processing in the modern digital age // in: Trends in deep learning methodologies. – 2021. – С. 63-87. https://doi.org/10.1016/B978-
0-12-822226-3.00003-9
12. Applications of Parallel Computers. Berkeley EECS. [Electronic resource] URL: https://www2.eecs.berkeley.edu/Courses/CSC267/ (date of access 10.01.2024)
13. Моисеева Н.А. Особенности подготовки будущих инженеров технического профиля к применению искусственного интеллекта в области геоинформатики // Информатика и образование. – 2025. – Т. 40, №5. – С. 37-48.
14. Jumaah H. et al. Development of GIS-based box model tool for air quality mapping with Python and ArcGIS Pro in Kirkuk City, Iraq // International Journal of Engineering and Geosciences. – 2026. – Т. 11, №1. – P. 212-225.
REFERENCES
1. Bіlіm turaly Qazaqstan Respublikasynyn 2007 zhylgy 27 shіldedegі №319 Zany [Law of the Republic of Kazakhstan dated July 27, 2007 No. 319 on education]. [Electronic resource]. URL: https://adilet.zan.kz/kaz/docs/Z070000319_ (date of access 11.05.2025) [in Kazakh]
2. Zhunisov N. Oqu procesіnde geoaqparattyq zhuienі qoldanu mumkіndіkterі [Possibilities of using the Geoinformation system in the educational process] // Q.A.Iasaui atyndagy Halyqaralyq qazaq-turіk universitetіnіn habarlary. – 2023. – T. 24, №1. – S. 95-105. [in Kazakh]
3. «Cifrlyq Qazaqstan» memlekettіk bagdarlamasyn bekіtu turaly qauly [Resolution on approval of the state program “Digital Kazakhstan”]. [Electronic resource]. URL: https://adilet.zan.kz/kaz/docs/P1700000827 (date of access 10.01.2024) [in Kazakh]
4. Ruohonen J. Geospatial Insights on the EuroHPC Supercomputing Ecosystem // Digital Society. – 2025. – T. 4, №2. – P. 59.
5. Gribkova I.S., Pitel E.K. GIS i sovremennyi opyt ih primenenia [GIS and modern experience of their application] // Nauki o zemle na sovremennom etape. VIII Mezhdunarodnaia nauchno-prakticheskaia konferencia. 2013. – S. 74-76. [in Russian]
6. Deep learning to solve inverse problems [Electronic resource]. URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC9137882/#:~:text=In%20principle%2C%20every%20deep%
20learning,with%20the%20forward%20model%20known. (date of access 10.01.2024)
7. Carpenter G.A., Grossberg S. A massively parallel architecture for a self-organizing neural pattern recognition machine // Computer vision, graphics, and image processing. – 1987. – T. 37, №1. – P. 54115. https://doi.org/10.1016/S0734 189X(87)80014-2
8. Chollet F. Deep Learning with Python. Second Edition. – Manning, 2021. – 503 p.
9. Schmidhuber J. Deep learning in neural networks: An overview // Neural networks. – 2015. – T. 61. – P. 85-117. https://doi.org/10.1016/j.neunet.2014.09.003
10. Géron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. 3rd Edition. – O'Reilly Media, 2022. – 861 p.
11. França R. P. et al. An overview of deep learning in big data, image, and signal processing in the modern digital age // in: Trends in deep learning methodologies. – 2021. – S. 63-87. https://doi.org/10.1016/B9780-12-822226-3.00003-9
12. Applications of Parallel Computers. Berkeley EECS. [Electronic resource] URL: https://www2.eecs.berkeley.edu/Courses/CSC267/ (date of access 10.01.2024)
13. Moiseeva N.A. Osobennosti podgotovki budushih inzhenerov tehnicheskogo profilia k primeneniu iskusstvennogo intellekta v oblasti geoinformatiki [Features of the training of future technical engineers for the use of artificial intelligence in the field of geoinformatics] // Informatika i obrazovanie. – 2025. – T. 40, №5. – S. 37-48. [in Russian]
14. Jumaah H. et al. Development of GIS-based box model tool for air quality mapping with Python and ArcGIS Pro in Kirkuk City, Iraq // International Journal of Engineering and Geosciences. – 2026. – T. 11, №1. – P. 212-225.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
