СУПЕРКОМПЬЮТЕРДІ ҚОЛДАНУ АРҚЫЛЫ ГЕОАҚПАРАТТЫҚ ЖҮЙЕНІ ОҚЫТУДЫҢ ТИІМДІ ӘДІСТЕРІ
Кілт сөздер:
ГАЖ, жасанды интеллект, параллель есептеулер, параллель есептеулер кластері, суперкомпьютер, машиналық оқыту, ArcGIS, Python, ArcPy.Аңдатпа
Қазіргі таңда кең ауқымды геокеңістіктік деректерді өңдеу мен талдау көлемінің артуы жоғары өнімді есептеу ресурстарын қолдануды талап етеді. Суперкомпьютерлер мен параллель есептеулер кластерлерін жасанды интеллект саласы машиналық оқытуда қолдану − күрделі модельдеуді жүзеге асыруға, үлкен деректерді параллель өңдеуге және болжам жасауға мүмкіндік береді. Машиналық оқыту әдістерін геоақпараттық жүйелер (ГАЖ) саласына енгізу арқылы табиғи ресурстарды басқару, экологиялық мониторинг жүргізу, урбанистикалық жоспарлау және апаттық жағдайларды болжау сияқты міндеттер тиімді шешуге ықпал етеді. Мақалада геоақпараттық жүйелерді құруда параллель есептеулер кластерлері мен суперкомпьютерлерді қолдану маңыздылығы қарастырылады. Зерттеуде барысында PARAMBILIM-2 суперкомпьютерін қолдану тиімділігі сандық көрсеткіштер арқылы бағаланды, нәтижесінде есептердің орындалу уақыты бірнеше мың есе қысқарғаны анықталды. Бұл көрсеткіш суперкомпьютерлерді қолдану-есептеу жылдамдығын арттырып қана қоймай, геоақпараттық талдау мен машиналық оқытудың тиімділігін елеулі түрде жақсартатынын дәлелдейді. Нәтижесінде, ГАЖ-ді оқытуда суперкомпьютерлер мен параллель есептеулер кластерлерін қолдану инновациялық қолданбалы зерттеулер жүргізу мен жобалар жасауға жол ашады. Ал оқытудың тиімділігі білім алушылардың жоба құру негізінде практикалық дағдыларды меңгеру деңгейі және оқу нәтижесінде алған емтихан бағаларымен айқындалды.
Әдебиеттер тізімі
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.
