ETKİLİ GEOMETRİSEL BİLGİ SİSTEMİ EĞİTİM YÖNTEMLERİ SÜPER BİLGİSAYAR KULLANIMI İLE
DOI:
https://doi.org/10.47526/2026-1/3107-3123.02Anahtar Kelimeler:
Coğrafi Bilgi Sistemleri, yapay zeka, paralel hesaplama, paralel hesaplama kümesi, süper bilgisayar, makine öğrenimi, ArcGIS, Python,Özet
Günümüzde, büyük ölçekli coğrafi verilerin işlenmesi ve analizinin giderek artan hacmi, yüksek performanslı hesaplama kaynaklarının kullanımını gerektirmektedir. Yapay zekanın bir alanı olan makine öğrenmesinde süper bilgisayarların ve paralel hesaplama kümelerinin kullanılması, karmaşık modelleme, büyük ölçekli verilerin paralel işlenmesi ve tahmin yapılmasını mümkün kılıyor. Makine öğrenimi yöntemlerinin coğrafi bilgi sistemlerine (CBS) entegrasyonu; doğal kaynak yönetimi, çevresel izleme, kentsel planlama ve afet tahmini gibi görevlerin etkili bir şekilde çözülmesine katkı sağlar. Bu makale, coğrafi bilgi sistemlerinin geliştirilmesinde paralel hesaplama kümeleri ve süper bilgisayarların kullanılmasının önemini incelemektedir. Çalışma sırasında, PARAMBILIM-2 süper bilgisayarının kullanım verimliliği nicel göstergeler kullanılarak değerlendirildi ve sonuçlar, hesaplama süresinin binlerce kat azaldığını gösterdi. Bu sonuçlar, süper bilgisayarların kullanımının yalnızca hesaplama hızını artırmakla kalmayıp aynı zamanda coğrafi analiz ve makine öğreniminin verimliliğini de önemli ölçüde artırdığını göstermektedir. Sonuç olarak, süper bilgisayarların ve paralel işlem kümelerinin CBS eğitiminde kullanılması, yenilikçi uygulamalı araştırma ve proje geliştirme için fırsatlar yaratmaktadır. Eğitimin etkinliği, öğrencilerin proje tabanlı öğrenme yoluyla edindikleri pratik beceri düzeyine ve dersin sonunda aldıkları sınav notlarına göre belirlendi.
Referanslar
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.
