WWW.KNIGA.SELUK.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА - Книги, пособия, учебники, издания, публикации

 

Pages:     | 1 |   ...   | 3 | 4 || 6 | 7 |   ...   | 10 |

«INTERNATIONAL CONGRESS ON COMPUTER SCIENCE: INFORMATION SYSTEMS AND TECHNOLOGIES Proceedings of the International Congress Republic of Belarus, Minsk, October' 31 – ...»

-- [ Страница 5 ] --

Разработанная система распознавания объектов рассчитывает следующие параметры: длина объекта, ширина объекта, радиусы кривизны полюсов объекта, площадь, ограниченная контуром, периметр области, площадь вписанного в объект прямоугольника, имеющего максимальную площадь, площадь описанного вокруг объекта прямоугольника, имеющего максимальную площадь, некруглость фигуры, энергия изгиба, главные моменты инерции изображения объекта а также использовалось Фурье-описание границы.

Для распознавания объектов авторами предложены следующие идентификационные показатели: «отношение ширины объекта к длине», «произведение отношений длины объекта к ширине и наибольшего к наименьшему радиусу кривизны полюсов объектов», «компактность», «коэффициенты ряда Фурье», «некруглость формы», «энергия изгиба», «отношение главных моментов инерции изображения объекта», «отношение площадей прямоугольника описанного и вписанного, имеющих максимальную площадь».

Для получения численных значений указанных параметров была использована тренировочная коллекция, т. е. объекты, для которых заранее известно к какому виду они относятся. Для каждого вида выполнены расчеты указанных безразмерных параметров и занесены в список шаблонов, при сравнении с которым осуществляется принятие решения о принадлежности объекта к конкретному виду.

В результате всего вышеописанного материала был разработан программный продукт, позволяющий найти контур паразитологического объекта, рассчитать безразмерные параметры объекта по каждому контуру в отдельности, рассчитать реальные размеры объекта, используя сведения о свойствах микроскопа и фотоаппарата, и осуществить итоговую идентификацию.

Главное окно разработанного приложения делится на 4 области:

1. Выбор этапа распознавания и загрузка изображения.

2. Область отображения изображения.

3. Панель инструментов.

4. Панель статуса выполнения.

С помощью панели инструментов осуществляется выбор:

1. Этапа распознавания (бинаризация, фильтры, выделение контура, распознавание);

2. Метода распознавания (метод сравнения с образцом, метод потенциальных функций, метод нейронных сетей).

Основное окно разработанного программного обеспечения представлено на рисунке.

В результате проведенной работы было разработано приложение, которое позволяет проводить классификацию и идентификацию паразитологических объектов с использованием различных методов.

Также был проведен анализ качества классификации паразитологических объектов, который показывает, что вероятность правильной классификации составляет 68–80 % в зависимости от использования различных метрик в пространстве признаков (метрика Евклида, манхаттановская метрика, метрика Канберра).

ТЕХНОЛОГИЯ ПРИНЯТИЯ РЕШЕНИЙ

НА ОСНОВЕ ПРЕДМЕТНЫХ КОЛЛЕКЦИЙ

В. В. Краснопрошин, Х. Виссия, А. Н. Вальвачев Белорусский государственный университет Рассматривается проблема интеллектуализации процессов принятия решений в глобализованном мире. В качестве средства интеллектуализации предлагается использовать предметные коллекции, содержащие актуальные экспертные знания. Описан механизм построения предметных коллекций в рамках облачной парадигмы и архитектура системы для его реализации.

Ключевые слова: принятие решений, предметные коллекции.

АНАЛИЗ ПРОБЛЕМЫ И ПОСТАНОВКА ЗАДАЧИ

В результате глобализации сфера IT, включая компьютерные системы поддержки принятия решений, претерпела существенные изменения [1, 4, 7, 8]. Одна из наиболее серьезных трансформаций произошла в результате рождения и быстрого развития парадигмы облачных вычислений (CloudComputing), предполагающей распределенное хранение и обработку данных [2, 3].

В докладе обсуждается одно из перспективных направлений в использовании облачных ресурсов – аккумулирование инновационных знаний, представленных их в форме предметных коллекций, и использование для повышения качества принятия решений распределенными[5, 6].

Прежде всего рассмотрим предметную область задачи принятия решений (ЗПР). В общем случае она описывается кортежем:U = f (S, Inf), где: S – проблемная ситуация; Inf – информация, на основании которой принимаются решения; f – формальный или субъективный алгоритм принятия решений; U – принятое решение [1, 7,8]. Проблемная ситуация, в свою очередь, описывается кортежем S = (Title, Text), где: Title – название ситуации;Text – описание ситуации.

Программы, формирующие решение U для S, несмотря на их разнообразие, в структуре интерфейсов имеют общие элементы, включающие, как минимум, заставку системы (Label), список решаемых задач (wTitle), окно постановки задачи (wText), окно исходной информации (wInf), кнопку старта алгоритма выработки решения (wf), окно вывода результата (wU) и встроенную систему помощи (wHelp):

Sys = Interface (Label, wTitle, wText, wInf, wf, wU, wHelp).

Эффективность решений определяется актуальностью (точностью, полнотой, компетентностью) информации Inf, применяемой для выработки решений U, и качеством технологий Sys для быстрого получения и использования информации.

Традиционно ЗПР носят локальный характер, соответственно информация Inf и методы f отражают ситуацию, возникающую внутри организации. Для решения «внешних» оперативных задач, характерных для глобализованного мира, требуются новые подходы. Один из них заключается в переводе решения ЗПР на облачные технологии, известные как: SaaS (SoftwareasaService), PaaS(PlatformasaService), IaaS (InfrastructureasaService) [2, 3]. Соответственно, актуальным стал вопрос построения средств для формирования облачных ресурсов, включающих однозначно интерпретируемые актуальные знания, обеспечивающие поддержку принятия решений и ориентированные на разностороннее технологическое применение и интеграцию с внешними компьютерными системами. С точки зрения облачного подхода их можно охарактеризовать как KaaS – KnowledgeasaService.

Задачу построения и использования KaaSдля решения ЗПР на основе облачного подхода сформулируем следующим образом.

Пусть имеется организация C, периодически решающая задачи принятия решений S = S1, S2,…, Sn. Организация не обладает в достаточной мере опытом решения задач S, поэтому она вынуждена обратиться за соответствующими знаниями Z = Z1, Z2,…, Zn к территориально распределенным экспертам E = E1, E2,…, En.

Для обеспечения многократного применения при решении S полученных от экспертов E знаний Z и возможного использования их в качестве капитала, организация должна некоторым образом преобразовать знания Z в публичный, частный или гибридный облачный ресурс Rz = Rz1, Rz2,…, Rzn,, доступный внешним потребителям P = P1, P2,.., Pm и ориентированный на применение в рамках моделей SaaS, PaaS, IaaS, KaaS.

Требуется: разработать технологию построения ресурса Rz, обеспечивающего поддержку принятия решений U = f (S, Rz) и ориентированную на технологическое применение при разработке компьютерных систем, основанных на знаниях.

МОДЕЛИ И АЛГОРИТМЫ

Концепция решения. В качестве основы для решения предлагается использовать подход, включающий четыре этапа: организационный, информационный, алгоритмический и технологический. На первом этапе строится виртуальная модель организации, определяющей состав, роли и информационный обмен участвующих в решении лиц. На втором – формируются информационные структуры, необходимые для решения. На третьем – разрабатываются алгоритмы обработки информационных структур. На четвертом – разрабатывается соответствующая компьютерная система [7, 8].

Модель организации. Существующие организационные модели носят в основном локальный характер, отражая иерархию подчиненности состава, что затрудняет их применение в глобализированной среде [5]. Предлагается виртуальная модель, ориентированная на сетевое применение:

Org = (C, AdrC, InfP,E,AdrE,InfE, P,AdrP,InfP), где параметры задают название, интернет-адрес и служебную информацию соответственно о центре (C), экспертах (E) и потребителях (P).Реализация модели на любом языке программирования достаточно проста и аналогична типичным схемам построения реляционных баз данных [7].

Модель предметной коллекции. Традиционно для интеллектуализации принятия решений применялись локальные базы знаний, содержащие экспертные знания, формализованные в форме жестко организованных массивов продукций, фреймов, семантических сетей [8, 9, 10]. Этот подход эффективен для плановых задач, но неприменим для преобладающих в настоящее время оперативных задач [7].

Для обеспечения многофункционального применения всех существующих моделей знаний предлагается концепция предметной коллекции (ПК), которую определим как структуру, идентифицируемую в сети интернет и содержащую формализованные экспертные знания, необходимые и достаточные для комплексного (теоретического и практического) решения некоторой задачи (рис. 1).

Соответственно, облачный ресурс в форме предметной коллекции можно представить кортежем где code – код, идентифицирующий ресурс в облаке, Title – кратное название задачи, Text – развернутая постановка задачи и условия решения, Alg – теоретическое решение, Guide – описание опыта решения, Tech – средство решения (например, программа), C, E – сведения о владельце ресурса и эксперте.

В данной структуре Text, Algи Guide представляют собой мультимедиаконтент, содержащий графические изображения, звук, видео, анимацию и т. д., которые можно достаточно просто фильтровать и использовать как в целом, так и по отдельности. В качестве средства решения можно использовать как Lisp/Prolog-базы знаний, так и любые другие программы, автоматизирующие решение.

Алгоритм построения предметной коллекции. Для построения предметных коллекций на основе экспертных знаний предлагается следующий алгоритм:

Шаг 1. Анализ центром С проблемы S.

Шаг 2. Формулирование центром Title, Text.

Шаг 3. Выбор в БД эксперта E.

Шаг 4. Формирование сообщения adrC,adrE, Title,Text экспертуE.

Шаг 5. Подготовка экспертом компонентов Alg, Guide, Tech.

Шаг 6. Формирование adrC,adrE, Title,Text, Alg, Guide, Tech.

Шаг 7. Отправка сообщения от эксперта Eв центр C.

Шаг 8. Формирование ресурса code,Title,Text,Alg, Guide, Tech, C, AdrC, InfP, E,AdrE,InfE.

Шаг 9. Выбор модели SaaS, PaaS, IaaSи соответствующих технологий.

Шаг 10. Помещение ресурса в облако выбранной модели.

Шаг 11. Размещение информации о ресурсе в Google, Yandex, Wiki и др.

Инновационные компании (например, Elsevier) аналогичным образом формируют актуальные предметные коллекции по различным областям знаний.

Алгоритм использования предметной коллекции. Пользователи используют предметные коллекции при возникновении у них проблем, для решения которых необходимо внешние высококвалифицированные знания, представленные в облаке.Алгоритм использования таких знаний достаточно прост:

Шаг 1. Анализ возникшей проблемы S потенциальным пользователем P.

Шаг 2. Поиск соответствующего облака посредствомвеб-поисковиков.

Шаг 3. Регистрация P в облаке и, возможно, оплата C доступа к ресурсам.

Шаг 4. Доступ к кодуcode.

Шаг 5. Поиск по коду ресурса R, релевантного S.

Шаг 6. Просмотр и скачивание ресурса code,Title,Text,Alg, Guide, Tech, C, AdrC, InfP, E,AdrE,InfE.

Шаг 7. Использование ресурса для решения S.

Таким образом, пользователь получает все необходимое для решения возникшей у него проблемы на самом высоком уровне. Алгоритм доступа к ресурсам носит универсальный характер, т. к. не зависит от конкретной технологии.

Алгоритм отображения предметной коллекции во внешние системы. Кроме комплексного решения возникшей проблемы, пользователь может использовать предметную коллекцию для построения своих компьютерных систем:

Шаг 1. Анализ проблемы S, доступ к облаку и получение ресурса R.

Шаг 2. Выделение элементов C, AdrC, InfP, E,AdrE,InfE,Title.

Шаг 3. Формирование заставки системы.

Шаг 4. Формирование меню.

Шаг 5. Выделение элемента Text.

Шаг 6. Формирование окна постановки задачи.

Шаг 7. Выделение элемента Alg.

Шаг 8. Формирование окна для вывода алгоритма решения.

Шаг 9. Выделение элемента Guide.

Шаг 10. Формирование компонента встроенной помощи (Help).

Шаг 11. Выделение элемента Tech.

Шаг 12. Формирование базы знаний системы.

Шаг 13. Сборка Sys.

Алгоритм процесса использования элементов предметной коллекции носит универсальный характер и зависит только от дизайна интерфейса целевой системы.

АРХИТЕКТУРА СИСТЕМЫ ФОРМИРОВАНИЯ И ИСПОЛЬЗОВАНИЯ

ПРЕДМЕТНЫХ КОЛЛЕКЦИЙ

Для практической реализации алгоритмов необходимо разработать архитектуру соответствующей программной системы. Первое требование к ней – модульность, т. е.

обеспечение совершенствования каждого модуля без изменения других. Второе – поддержка работы удаленных пользователей.

Данным требованиям удовлетворяет многоагентный подход, обеспечивающий автономную работу программного компонента [7, 9, 10]. Согласно описанному выше подходу архитектура должна включать четыре агента, соответственно для:

построения виртуальной организации (OrgBuilder);

формирования предметной области ресурса (EMiner);

организации доступа к ресурсу (PFinder);

отображения ресурса во внешнюю компьютерную систему (SysGenerator).

Один из возможных вариантов такой архитектуры представлен на рис.2.

Данная архитектура реализована на языках Delphi, C#.Net и использована для построения ряда предметных коллекций, включая «Экстренные хирургические операции», «Atlas Forensic Medicine», «Orthopedic cases», «Dantistics» и др.

ЗАКЛЮЧЕНИЕ

В работе представлены следующие результаты:

алгоритм построения виртуальной модели организации, ориентированной на построение и использование облачных ресурсов;

универсальная модель предметной коллекции для многоцелевого применения в компьютерных системах поддержки принятия решений;

архитектура программной системы для построения и многофункционального использования предметных коллекций как облачного ресурса.

ЛИТЕРАТУРА

1. Ларичев, О. И. Теория и методы принятия решений / О. И. Ларичев. М.: Логос, 2002. C. 194–211.

2. Jennings, R. Cloud Computing with the Windows Azure Platform / R. Jenings. Manchester: WROX, 2009. P. 97–124.

3. Rees, G. Cloud Application Architecture / G. Rees. O’Reilly Media, 2009. P. 75–99.

4. Зоидов, К. Х. Инновационная экономика: опыт, проблемы, пути формирования / К. Х. Зоидов. М.:

ИПР РАН, 2006. C. 32–54.

5. Князев, С. Н. Интеллектуализация – стержневая основа развития экономики и управления / С.

Н. Князев, А. Г. Шрубенко //Проблемы управления. 2007. № 2. С. 16–25.

6. Шрубенко, А. Г. Интеллектуализация – объект государственного управления /А. Г. Шрубенко // Проблемы управления. 2008. № 3. С. 16–25.

7. Краснопрошин, В. В. Технология построения систем поддержки решений на основе распределенных разнородных знаний / В. В. Краснопрошин, Г. Шаках, А. Н. Вальвачев // Информатика. 2004.

№ 3.C. 49–58.

8. Krasnoproshin, V. Unstructured Knowledge Synthesis for Decision–Making Problems / V. Krasnoproshin, A. Valvachev, H. Vissia // Proceedings of the Seventh International Conference PRIP’2003. Minsk, 2003.

Vol. 1. P. 145–149.

9. Rassel, S. Artificial intelligence. A Modern Approach // S. Rassel, P. Norvig. Prentice Hall, 2008. P. 119– 10. Pressman, R. Software Engineering / R. Pressman. McGraw-Hill, 2009. P. 301–348.

ИСПОЛЬЗОВАНИЕ ГИС-ТЕХНОЛОГИЙ ДЛЯ РАЗРАБОТКИ

БАЗ ГЕОДАННЫХ И ГЕОИНФОРМАЦИОННЫХ ПРОЕКТОВ

МЕСТОРОЖДЕНИЙ БУРЫХ УГЛЕЙ И ГОРЮЧИХ

СЛАНЦЕВ РЕСПУБЛИКИ БЕЛАРУСЬ

Д. М. Курлович1, 2, С. И. Богдан2, В. Э. Кутырло2, Ю. Н. Еленский В среде ГИС ArcGIS 9.3 разработаны базы геологических данных для Житковичского (Найдинская и Северная залежи), Бриневского и Тонежского месторождений бурых углей, а также Туровского и Любанского месторождений горючих сланцев. По каждому месторождению создан геоинформационный проект. Геоданные используются для технико-экономической оценки добычи полезных ископаемых.

Ключевые слова: ГИС, база геоданных, бурые угли, горючие сланцы.

Топливная система Республики Беларусь обеспечена на ближайшую перспективу (несколько десятилетий) собственными ресурсами таких энергоносителей, как нефть и газ, не более чем на 15–17 %. Она зависит от внешних поставщиков и прежде всего от российского газа, составляющего примерно 70 % от всех потребляемых в стране энергоносителей. В настоящее время перед специалистами стоит задача найти возможность уменьшить энергозависимость Беларуси от других стран. Одним из возможных альтернатив является разработка месторождений бурых углей и горючих сланцев Республики Беларусь.

Бурые угли – класс твердых горючих ископаемых гумусовой природы невысокой степени углефикации: переходная форма от торфа к каменным углям. Они характеризуются наличием меньшего, чем в торфе, количества растительных остатков и большей плотностью, в отличие от каменных углей имеют бурую окраску.

Горючие сланцы – это глинистые или мергелистые породы, в состав которых входит органическое вещество – сапропелевый ил. По сложению они сланцеваты, тонкослоисты, иногда поверхность усеяна отпечатками древних растений и животных. По сравнению с углями горючие сланцы обладают более низкой теплотворной способностью и высокой зольностью.

В Беларуси разведаны несколько десятков углепроявлений. Наиболее перспективными для промышленного освоения являются Житковичское, Бриневское и Тонежское месторождения. Угленосная толща относится к отложениям, отнесенным к позднему олигоцену и миоцену. Северная (площадь 6,1 км2) и Найдинская (16,0 км2) залежи являются частью Житковичского месторождения. Административно оно расположено в Житковичском, а крайняя восточная часть – в Петриковском районах Гомельской области. Бриневское месторождение (площадь 7,1 км2) расположено на территории Петриковского района Гомельской области. Тонежское (6,2 км2) – в северо-западной части Лельчицкого района Гомельской области (рис. 1).

бурых углей и горючих сланцев Республики Беларусь Общие балансовые запасы бурых углей Житковичского месторождения по категории А+В+С1 составляют 69,1 млн тонн, категории С2 – 1,9 млн тонн, забалансовые (С1) – 22,1 млн тонн. Балансовые запасы углей Бриневского месторождения (категории В+С1) составляют 30,0 млн тонн, забалансовые (С2) – 11,8 млн тонн. Предварительно разведанные запасы бурых углей Тонежского месторождения, посчитанные по запасам временных кондиций по категориям С1+С2 составляют 42,0 млн тонн.

В Беларуси выявлены два крупных месторождения горючих сланцев – Туровское и Любанское. Сланценосная толща вскрыта в отложениях верхнего девона. Туровское (наиболее перспективными являются Гарынский и Восточно-Малышевский участки) месторождение расположено в юго-западной части Житковичского района Гомельской области и в северо-восточной части Столинского района Брестской области и занимает площадь около 1372 км2. Любанское месторождение расположено в Любанском районе Минской области, Глусском районе Могилевской области и Октябрьском районе Гомельской области и ограничено площадью 630 км2 (рис. 1).

Прогнозные ресурсы горючих сланцев Любанского месторождения оценены в 1223,1 млн тонн, из них в предварительно разведанные запасы переведено 901 млн тонн. Прогнозные ресурсы горючих сланцев Туровского месторождения составляют 2683,9 млн тонн, разведанные – 696 млн тонн.

Следует отметить, что Республика Беларусь не обладает ни одной из известных эффективных технологий по переработке бурых углей и горючих сланцев. Поэтому одной из первостепенных задач в настоящее время является определение и выбор технологии, обеспечивающей экономически эффективную переработку данных полезных ископаемых в Республике Беларусь с учетом их качественных характеристик.

Для разработки технико-экономического доклада о комплексном освоении месторождений бурых углей и горючих сланцев Республики Беларусь на предприятии ОАО «Белгорхимпром» в среде ГИС ArcGIS 9.3 было осуществлено создание баз геоданных и геоинформационных проектов по каждому месторождению. Этапность работ была следующей:

1. Разработка структуры базы геоданных.

2. Актуализация исходной геологической информации в базе геоданных.

3. Создание геоинформационного проекта.

4. Формирование шаблонов-компоновок для создания и печати готовых карт.

В рамках первого этапа для каждого месторождения была разработана структура базы геоданных. Для этого было использовано приложение ГИС ArcGIS 9.3 – ArcCatalog. Персональная база геоданных включала в себя растровые каталоги, объединяющие растры исходных данных и интерполяционные grid-модели, а также классы пространственных объектов, сгруппированные в наборы классов по общности тематики содержащейся в них пространственной информации (рис. 2). Для каждого набора классов была создана топология, позволяющая контролировать корректность создания и взаимное расположение векторных объектов. Классы пространственных объектов содержали атрибутивные поля с подключенными (если это было необходимо) доменами и подтипами.

На втором этапе была выполнена актуализация исходной геологической информации в базе геоданных по каждой скважине по следующим параметрам: основные геологические показатели (номер скважины, ее координаты и абсолютная отметка, относительная глубина залегания пластов, мощность, абсолютные отметки кровли и подошвы, мощность вскрышных пород), средневзвешенные показатели качества бурых углей (зольность, содержание серы общей, выход смол и летучих веществ, теплота сгорания) и горючих сланцев (зольность, минеральная и органическая составляющая, содержание серы общей, смол, диоксида углерода, теплота сгорания), средневзвешенные показатели химического состава золы горючих сланцев (содержание SO2, TiO2, Al2O3, CaO, MgO, K2O, Na2O, SO3, Fe2O3).

В качестве исходных данных служили фондовые материалы поисковых работ, проведенных на бурые угли и горючие сланцы в Республике Беларусь. Средневзвешенные показатели качества бурых углей и горючих сланцев, а также химического состава золы горючих сланцев были рассчитаны в среде Microsoft Access.

На третьем этапе были созданы геоинформационные проекты. Каждый проект формировался в приложении ArcMap ГИС ArcGIS 9.3 (рис. 3). Он включал ряд векторных слоев (скважины с атрибутивной информацией по основным геологическим показателям, средневзвешенным показателям качественной характеристики и химического состава; контуры пластов и блоков подсчета запасов по категориям разведанности; породы, залегающие в кровле и подошве пластов и др.). Кроме того, с помощью модуля Spatial Analyst были созданы интерполяционные grid-модели, отражающие пространственную дифференциацию основных геологических показателей, средневзвешенных показателей качественной характеристики углей и сланцев и химического состава золы сланцев, гидрогеологических характеристик месторождений.

буроугольного (горючесланцевого) месторождений В рамках четвертого этапа в режиме компоновки в среде ArcMap был осуществлен дизайн и подготовка к печати готовых карт.

Для Северной залежи Житковичского месторождения сформированы следующие компоновки: мощность верхнего, основного и нижнего пластов залежи; гипсометрия и литология кровли и подошвы основного пласта, изомощности и изокоэффициенты вскрыши основного пласта залежи; зольность, содержание серы общей, выход смол и летучих веществ основного пласта; теплота сгорания углей высшая и по каллорометрической бомбе основного пласта; подсчет запасов угля залежи.

Для Найдинской залежи Житковичского месторождения созданы следующие карты: мощность основного пласта залежи; гипсометрия и литология кровли и подошвы, изомощность и изокоэффициенты вскрыши основного пласта; распространение верхнего и нижнего угольных пластов; зольность, содержание серы общей и выход летучих веществ основного пласта; теплота сгорания углей в перерасчете на горючую массу; изомощность и изонапор подошвы подугольного водоносного горизонта; подсчет запасов угля залежи.

Для Бриневского месторождения созданы следующие шаблоны компоновок:

мощность пласта; гипсометрия и литология кровли и подошвы, изомощность вскрыши пласта; зольность, содержание серы общей и выход летучих веществ; теплота сгорания углей низшая по пласту; условная водообильность месторождения, гидрогеологические показатели надугольного и подугольного водоносного горизонта; подсчет запасов угля месторождения.

Для Тонежского месторождения сформированы следующие карты: мощность основного (первого) пласта месторождения; гипсометрия и литология кровли и подошвы, изомощность и изокоэффициенты вскрыши основного пласта; зольность, содержание серы общей, выход летучих веществ основного пласта; теплота сгорания углей по каллорометрической бомбе основного пласта, изомощность и зольность второго, третьего и четвертого пластов месторождения; подсчет запасов угля.

Для Туровского месторождения созданы следующие шаблоны компоновок: разведанность месторождения, изомощность, теплота сгорания горючего сланца в перерасчете на сухую массу Туровского пласта. Для Гарынского участка Туровского месторождения созданы следующие карты: изомощность, гипсометрия и литология кровли и подошвы, зольность горючих сланцев, содержание серы общей, диоксида углерода, условной органической массы и минеральной составляющей в горючих сланцах; выход смол при полукоксовании горючих сланцев, теплота сгорания горючего сланца в перерасчете на сухую массу Туровского пласта, содержание оксида кальция и треокиси серы в золе сланцев; гидрогеология, подсчет запасов сланцев.

Для Любанского месторождения созданы следующие компоновки: изомощность основного пласта, гипсометрия подошвы, зольность горючих сланцев основного пласта, содержание диоксида углерода в горючих сланцах основного пласта, теплота сгорания горючего сланца, подсчет запасов сланцев.

Таким образом, в среде ГИС ArcGIS 9.3 разработаны базы геологических данных для Житковичского (Найдинская и Северная залежи), Бриневского и Тонежского месторождений бурых углей, а также Туровского и Любанского месторождений горючих сланцев. По каждому месторождению создан геоинформационный проект.

Осуществлен дизайн и подготовка к печати ряда карт. Геоданные используются для технико-экономической оценки добычи полезных ископаемых.

ИСПОЛЬЗОВАНИЕ MODEL BUILDER ПРИ РАЗРАБОТКЕ

НАБОРА ИНСТРУМЕНТОВ «СТРУКТУРНОГЕОМОРФОЛОГИЧЕСКИЙ ГИС-АНАЛИЗ»

ДЛЯ ARCTOOLBOX ГИС ARCGIS 9.

Белорусский государственный университет В модуле Model Builder разработан набор инструментов «Структурногеоморфологический ГИС-анализ» для ArcToolbox ГИС ArcGIS 9.3, позволяющий в автоматическом режиме по серии геоинформационных моделей создавать векторные и grid-модели основных морфометрических показателей рельефа земной поверхности. Набор инструментов апробирован для территории физико-географической провинции Белорусское Поозерье. По результатам интерпретации данных морфометрии рельефа на территории исследований выявлена пространственная дифференциация и динамика морфоструктур.

Ключевые слова: ГИС, геоинформационная модель, структурногеоморфологический анализ.

Рельеф земной поверхности формируется как результат взаимодействия разнонаправленных тенденций. Эндогенные процессы создают первичную гипсометрическую неоднородность земной коры, ее макроформы, а экзогенные процессы стремятся эту неоднородность снивелировать, но при этом происходит расчленение макроформ на мезо- и микроформы. Таким образом, рельеф представляет собой самую верхнюю (молодую) структурную поверхность, созданную совокупной деятельностью экзогенных и эндогенных факторов, которые образуют «первичные» формы рельефа (морфоструктура), осложненные различными денудационными и аккумулятивными формами (морфоскульптура).

Структурно-геоморфологический анализ территории позволяет установить закономерности связей между геодинамическими процессами, погребенным и современным рельефом и использовать их для выявления пространственной дифференциации и динамики морфоструктур. Актуальность выполнения подобных исследований обусловлена важностью учета их результатов как одного из критериев поиска полезных ископаемых при проведении геолого-поисковых, геолого-съемочных и геолого-разведочных работ, выборе оптимальных по инженерно-геоморфологическим характеристикам площадок для проектирования и строительства особо важных инженерных сооружений, оценке влияния геодинамических процессов на состояние окружающей среды, составлении комплексных территориальных схем рационального природопользования.

Выявление пространственной дифференциации и динамики морфоструктур проводилось для территории физико-географической провинции Белорусское Поозерье. Была разработана методика структурно-геоморфологического анализа рельефа в среде ГИС и интерпретации его результатов (рис. 1). ГИС-анализ проводился по морфометрическому методу поисков тектонических структур В. П. Философова и методу построения морфоизогипс Л. Б. Аристарховой в ГИС ArcGIS 9.3.

Рис.1. Модель проведения структурно-геоморфологического Морфометрический метод поисков тектонических структур, разработанный В. П. Философовым [4], является одним из структурно-геоморфологических методов.

Данный метод позволяет на основе изучения по топографическим картам рисунка долинной сети, асимметрии долин, водоразделов, бассейнов и анализе специально составляемых карт (карты базисных поверхностей, остаточных высот, вершинных поверхностей и эрозионного размыва или сноса) выявлять площади с локальными и региональными тектоническими структурами. При высокой эффективности, сравнительной простоте в использовании и невысоких затратах средств морфометрический метод поисков тектонических структур является довольно трудоемким. Причиной этому служит анализ большого количества топографических карт и расчет широкого ряда морфометрических показателей. Эффективным способом решения данной проблемы является привлечение в исследование современных географических информационных систем, которые отличаются оперативностью, возможностью работы с большими объемами пространственной информации, гибкостью интерфейса, применением анализа и моделирования. Ряд морфометрических работ по методике В. П. Философова с применением ГИС показали высокую результативность ГИС при выполнении подобного рода исследований [2, 5].

Кроме морфометрических построений по методике В. П. Философова в исследовании был применен метод построения морфоизогипс Л. Б. Аристарховой [1]. Исходным материалом для построения данных морфометрических карт служат топографические карты, которые обрабатываются таким образом, чтобы снять влияние денудационного расчленения, в особенности эрозионного вреза.

Для автоматизации процесса структурно-геоморфологических построений в модуле ArcGIS 9.3 Model Builder был разработан набор инструментов «Структурногеоморфологический ГИС-анализ» для ArcToolbox (рис. 2), включающий в себя инструменты «Порядки долин», «Базисные поверхности», «Явный остаточный рельеф», «Скрытый остаточный рельеф», «Разности между базисными поверхностями» и «Морфоизогипсы». Данный набор инструментов позволяет в автоматическом режиме по серии геоинформационных моделей (рис. 3–7) создавать векторные и grid-модели основных морфометрических параметров рельефа исходя из структурногеоморфологического ГИС-анализа.

В процессе исследований была сформирована база геоданных «Структурногеоморфологические параметры Белорусского Поозерья», включающая в себя ряд наборов классов пространственных объектов («Топографическая подложка», «Морфометрия», «Геология», «Геоморфология»), растровых каталогов («Топографические растры», «TopoGrid “Цифровая модель рельефа”», «Гидрологические grid-модели», «Морфометрические grid-модели», «Космогеологические растры», «Геологические растры и grid-модели»), а также ряд таблиц и TIN-моделей.

По результатам интерпретации структурно-геоморфологического ГИС-анализа установлены закономерности развития морфоструктур Белорусского Поозерья в четвертичное время, проведено морфоструктурное районирование, представленное тремя районами, и выявлена пространственная дифференциация 11 крупных морфоструктур, разделенных по отношению к тектоническим структурам кристаллического фундамента на прямые, обращенные и переходные. Кроме того, определены основные формы проявления в макро-, мезо- и микрорельефе региональных и локальных, площадных и линейных эндоэкзогенных морфоскульптур, сформировавшихся под влиянием геодинамических процессов, установлены количественные параметры морфоскульптур, необходимые для учета при поисках и освоении природных ресурсов [3].

Рис.2. Окно ArcToolbox ГИС ArcGIS 9.3 с набором инструментов «Структурно-геоморфологический ГИС-анализ»

Рис.3. Геоинформационная модель создания порядков долин Рис.4. Геоинформационная модель создания базисной поверхности Рис.5. Геоинформационные модели создания Рис.6. Геоинформационная модель создания разностей Рис.7. Геоинформационная модель создания морфоизогипс Таким образом, в модуле Model Builder разработан набор инструментов «Структурно-геоморфологический ГИС-анализ» для ArcToolbox ГИС ArcGIS 9.3, позволяющий в автоматическом режиме по серии геоинформационных моделей создавать векторные и grid-модели основных морфометрических показателей рельефа. Набор инструментов апробирован для территории физико-географической провинции Белорусское Поозерье. По результатам интерпретации данных морфометрии рельефа на территории исследований выявлена пространственная дифференциация и динамика морфоструктур. Результаты исследований используются для оценки геоморфологических параметров природной среды и обоснования выбора оптимальных по инженерно-геоморфологическим характеристикам площадок для проектирования и строительства ответственных инженерных сооружений.

ЛИТЕРАТУРА

1. Аристархова, Л. Б. Морфоструктурный анализ аэрокосмических снимков и топографических карт / Л. Б. Аристархова. М. : Изд-во Моск. ун-та, 2000.

2. Загорулько, В. А. Морфометрический анализ рельефа средствами ГИС-технологий (на примере Семинского перевала) / В. А. Загорулько, В. И. Хамарин, А. Е. Тябаев // Геоморфология. 2003. № 4.

С. 40–46.

3. Курлович, Д. М. Пространственная дифференциация и динамика морфоструктур Белорусского Поозерья: автореф. дис.... канд. геогр. наук: 25.00.23 / Д. М. Курлович. Минск : БГУ, 2011.

4. Философов, В. П. Основы морфометрического метода поисков тектонических структур / В. П. Философов. Саратов : Изд-во Сарат. ун-та, 1975.

5. Чернова, И. Ю. Обнаружение и исследование зон новейших движений земной коры инструментами ГИС / И. Ю. Чернова [и др.] // ArcRewiew. 2005. № 1 (32). С. 6–7.

ФОРМАЛЬНЫЙ ПОДХОД К РЕШЕНИЮ ЗАДАЧИ

ВИЗУАЛИЗАЦИИ

В работе предлагается подход к решению проблемы разработки графических систем, основанный на специализированной алгебре визуализации. Представленная методология позволяет снизить затраты на разработку и поддержку систем визуализации для широкого класса задач.

Ключевые слова: графический конвейер, визуализация, алгебра визуализации, графические системы.

ВВЕДЕНИЕ

При решении прикладных задач часто возникает необходимость в визуальном представлении полученных результатов. В связи с этим появилось новое научное направление – компьютерная графика. В процессе своего развития сформировался особый ее тренд, определив концепцию графического конвейера. Это совокупность подходов, алгоритмов, устройств и программ, реализующих процесс визуализации – перевод данных из исходного представления в двумерное изображение.

Развитие графического конвейера шло по пути максимальной автоматизации его функций. Значительная часть алгоритмического наполнения реализовалось аппаратными средствами, а программный интерфейс был вынесен в соответствующие аппаратно-независимые библиотеки [1]. Вместе с тем при разработке реальных систем визуализации возникает множество стандартных проблем и подзадач, которые можно позиционировать между автоматизированной частью конвейера и исходной прикладной задачей, образуя своеобразный промежуточный программный уровень.

В работе предлагается подход, в котором, определяя дополнительный уровень абстракции в виде универсальной задачи визуализации, задается потенциальное направление для дальнейшей автоматизации функционального наполнения графического конвейера.

ОСНОВНЫЕ ПОНЯТИЯ

Рассмотрим базовые понятия компьютерной графики. Вначале определим, что такое компьютерная графика.

Компьютерная графика (также машинная графика) – это область деятельности, в которой компьютеры используются как для синтеза (создания) изображений, так и для обработки визуальной информации, полученной из реального мира. Также компьютерной графикой называют результат такой деятельности [2].

Визуализация в общем смысле – это процесс или результат представления информации. В компьютерной графике процесс визуализации определяется специальным термином – рендеринг (rendering). В данном контексте под этим термином понимается набор аппаратно-программных средств, реализующих процесс генерации изображения. Можно выделить два основных подхода, реализующих процесс рендеринга – растеризацию (rasterization) и группа методов, реализующих глобальное освещение (трассировка лучей (raytracing), радиосити (radiosity), ambient occlusion).

Растеризация – это метод рендеринга, реализующий отображение трехмерных векторных данных в двумерные кадры. При растеризации представление реальности достигается не моделированием, а имитацией или приближением реальных процессов. Это позволяет значительно ускорить время генерации изображений в отличие от методов глобального освещения.

В силу высокой вычислительной трудоемкости методы глобального освещения не использовались при динамическом рендеринге. Но благодаря возможностям современного аппаратного обеспечения, это ограничение постепенно снимается. Тем не менее графическое оборудование в большей степени использует именно методы растеризации.

ГРАФИЧЕСКИЙ КОНВЕЙЕР

Процесс растеризации в рендеринге можно представить в виде так называемого графического конвейера. Технология конвейера появилась в середине 1990-х гг., когда были созданы первые видеоускорители, автоматизирующие некоторые операции растеризации. В настоящее время конвейер представлен широким набором постоянно совершенствующихся средств. В общем виде конвейер можно представить в виде этапов [2]:

1. Моделирование — этап прикладной программы.

2. Интерфейс графического оборудования.

3. Аппаратная обработка данных.

4. Вывод последовательности кадров на экран.

Проблема повышения производительности конвейера на разных этапах решается по-разному. На аппаратном уровне это решается в основном путем наращивания количества обрабатывающих процессоров, повышая при этом объемы и качество памяти. На программном уровне, из-за слабой формализации процесса визуализации, существуют определенные проблемы. В силу наличия большого количества разнообразных прикладных задач визуализации, а также отсутствия универсальной методологии их решения появляется узкое место. Разработчикам предлагаются два варианта:

1. Выбор существующей системы визуализации для решения конкретной прикладной задачи.

2. Реализация собственной программной системы, реализующей прикладной В первом случае в процессе решения задачи неизбежно появятся искажения, обусловленные особенностями и ограничениями применяемой системы. Расширение первоначальной задачи также ставится под вопрос, так как в этом случае может понадобиться существенная переработка используемой системы, либо отказ от нее в пользу какой-либо другой.

Во втором случае решение заведомо трудоемко и затратно.

Одним из путей решения проблемы может стать стандартизация этого процесса.

Ниже предлагается подход, основанный на алгебре визуализации – языке формального описания процесса визуализации.

АЛГЕБРА ВИЗУАЛИЗАЦИИ

Процесс визуализации можно представить в виде выражения: Model Frames, где Model — это визуализируемая математическая модель некоторого реального явления, а Frames — последовательность кадров, визуализирующая динамику изменений модели. С учетом обобщенных этапов графического конвейера, выражение представляется в виде: Model HAL HW Frames, где HAL (Hardware Abstraction Layer) — интерфейс графического оборудования HW (Hardware).

Переход от модели к интерфейсу оборудования является интересующей нас областью. Проблема состоит в том, что в общем случае модель может описываться произвольным образом, в то время как с другой стороны требуется получить в ее стандартном представлении в виде последовательности инструкций, понятных оставшейся части конвейера [3]. Это преобразование можно изобразить с помощью рис. 1:

Переход от модели к последовательности инструкций осуществляется через множество преобразований и упорядочивание данных. Этот процесс может быть представлен в виде графа, узлами которого являются процедуры трансформации данных. Для формального описания этой структуры предлагается специализированная алгебра визуализации.

Алгебра визуализации — это система, состоящая из множества объектов и операций визуализации, а также правил применения этих операций к объектам. В число объектов алгебры входят:

1. Сцена (S) — множество всех объектов визуализируемой модели.

2. Объект сцены (O) — логически выделенная часть сцены, выступающая в качестве отдельной единицы при визуализации. Объект состоит из 3. Атрибут объекта (A) — некоторая характеристика объекта.

4. Кадр (F) — результат рендеринга, двумерная матрица, описывающая изображение на экране.

В качестве операций алгебры введем следующие четыре:

1. Выборка (Sample).

2. Трансформация (Transform).

3. Рендеринг (Render).

4. Блендинг (Blend).

Классом назовем именованную совокупность объектов, имеющих определенный набор атрибутов, а также заданные ограничения значений этих атрибутов. Множества объектов разных классов в то же время могут пересекаться.

Определение операции выборки (A, B — множества объектов):

Выборка (Sample) — это отображение одного или двух множеств в другое множество, являющееся подмножеством первого аргумента:

Трансформация (Transform) — безусловная операция генерации множества однотипных объектов на основании кортежа множеств однотипных объектов.

Рендеринг (Render) — операция генерации кортежа кадров на основании кортежа множеств однотипных объектов.

Блендинг (Blend) — операция генерации кадра на основании кортежа кадров.

Задача визуализации звучит следующим образом:

Имея сцену S, построить визуализацию в виде кадра F.

Переформулируя ее в терминах алгебры визуализации, получим:

Имея сцену S, построить операторное выражение R определенное в алгебре визуализации, генерирующее кадр F: R(S) = F.

Операторное выражение R представляет собой суперпозицию операций алгебры примененных к начальной сцене, и может быть интерпретировано в виде графа процесса визуализации (рис. 2):

Таким образом, выражение образует ориентированный ациклический слабо связанный граф. В графе присутствует единственная начальная вершина S, недостижимая из любой другой вершины, но любая другая вершина достижима из S, а также единственная конечная вершина F, достижимая из любой другой вершины, но любая другая вершина недостижима из F.

Операции рендеринга и блендинга в алгебре генерируют конечные последовательности инструкций для оборудования, таким образом граф можно спроецировать на линейную последовательность команд (рис. 3). В итоге с помощью алгебры визуализации мы получаем формальное описание первого этапа работы графического конвейера для некоторой задачи визуализации.

Рис.3. Проецирование графа процесса на последовательность инструкций Таким образом, введение формального описания процесса визуализации с помощью алгебры визуализации помогает стандартизировать методы решения типичных проблем, возникающих при разработке графических систем.

По аналогии с реляционной алгеброй и языками запросов, технической реализацией предложенного подхода может являться специализированный язык описания и построения процессов динамической визуализации. Это позволит удешевить создание и поддержку графических систем для различных прикладных задач.

ЗАКЛЮЧЕНИЕ

В работе рассмотрена проблема организации систем визуализации реального времени. Предложен подход, связанный с формализацией процесса построения кадров в виде алгебры визуализации, которая является универсальным интерфейсом для разработки систем (по аналогии с реляционной алгеброй СУБД).

ЛИТЕРАТУРА

1. Microsoft DirectX documentation (August 2009).

2. Akenine-Mller, T. Real-time rendering 3rd edition / T. Akenine-Mller, E. Haines, N. Hoffman.

Massachusetts, Wellesley, 2008.

3. Krasnoproshin, V. Graphics pipeline automation based on visualization algebra / V. Krasnoproshin, D. Mazouka // PRIP-2011. Minsk, 2011.

МЕТОДИКИ МНОГОКРИТЕРИАЛЬНОГО АНАЛИЗА

И ОПТИМИЗАЦИИ ИНФОРМАЦИОННОЙ

ИНФРАСТРУКТУРЫ СУБЪЕКТА ХОЗЯЙСТВОВАНИЯ

_ Белорусский государственный экономический университет В статье рассматривается многокритериальная методика для оценки информатизации субъекта хозяйствования на республиканском/районом/отраслевом уровнях. А также изложено содержание методики оптимизации информационной инфраструктуры (ИИ) бизнес-процессов для предприятий с низким и средним уровнем информатизации по итогам предварительного исследования ИИ и построенной рейтинговой таблицы.

Ключевые слова: информационная инфраструктура, оценка информатизации, проектирование и оптимизация информационной инфраструктуры.

Инфраструктура информационных технологий также важна для бизнеса компании, как и любая другая ее инфраструктура. На современных белорусских предприятиях в последние годы активно внедряются корпоративные информационные системы.

Процесс внедрения такого класса систем можно считать закономерным и обоснованным, поскольку серьезное конкурентное преимущество на рынке получают те компании, которые способны эффективно управлять информацией. Если проблему рассмотреть глубже, то более острой проблемой является разработка оптимальной ИИ.

ОБЩАЯ ПОСЛЕДОВАТЕЛЬНОСТЬ ОЦЕНКИ ИНФОРМАТИЗАЦИИ

СУБЪЕКТОВ ХОЗЯЙСТВОВАНИЯ

В процессе оптимизации ИИ для получения современного инструмента управления экономическими, финансовыми, технологическими составляющими субъектов хозяйствования, перед руководителем стоит задача в правильной оценке существующей ИИ и получения рекомендаций по ее модернизации с достижением наибольшего экономического эффекта.

Данная модель, представленная в виде схемы на рис. 1, которая представляет процесс исследования уровня национальной информатизации из исследования ИИ организаций, делящихся по региональному и отраслевому принципу. Данное деление позволит в будущем выявить после проведенного анализа, организации с высоким/низким уровнем информатизации республики/региона/отрасли. Полученные сведения помогут определить необходимость инвестирования в ту или иную отрасли/регион для улучшения информатизации. Методика исследования информатизации делится на два уровня исследования: предварительный и углубленный.

Рис.1. Структура общей последовательности оценки ИИ субъектов хозяйствования

МЕТОДИКА ИССЛЕДОВАНИЯ УРОВНЯ ИНФОРМАТИЗАЦИИ

СУБЪЕКТОВ ХОЗЯЙСТВОВАНИЯ

Методика исследования уровня информатизации субъектов хозяйствования позволяет устранить ряд недостатков, присутствующих при анализе информатизации, на сегодняшний день.

Во-первых, четко построенных моделей исследования информатизации субъектов хозяйствования не существует. Оценка уровня информатизации в организациях происходит на уровне поддержки производства, обеспечения управляющей функции и как следствие квалифицированность персонала в сфере информационной грамотности и владения необходимым программным обеспечением (ПО).

Во-вторых, на сегодняшний момент существует методика рейтинговой оценки ИКТ-потенциала школ регионов [1], которая применима для исследования информатизации школ, но не подходит для исследования внеобразовательных организаций.

Представленная методика позволит оценить уровень информатизации регионов/отраслей, по итогам построить рейтинговую таблицу организации/отраслей/регионов, основанных на обработанной экспертной информации, что в дальнейшем позволит выявить те организации, где оптимизация ИИ необходима или нуждается в модернизации.

Для определения уровня информатизации важно детально исследовать организации (предприятия) предварительно разделив множество субъектов хозяйствования национальной информатизации на региональные и отраслевые (возможно пересекающиеся) подмножества.

Проведение исследования предлагается организовать с помощью специальной методики исследования уровня информатизации, которая включает два этапа: предварительного и углубленного анализа показанных на рис. 2. Предварительный уровень исследования нужен для выявления проблемных предприятий и/или регионов, а углубленный для проведения адресного ИТ-аудита с последующим отчетом и рекомендаций для оптимизации ИИ [1].

ЦЕЛЬ: оценка уровня информатизации субъектов хозяйствования на республиканском/отраслевом/ районном уровнях в экономических условиях Республики Беларусь Рис.2. Схематичное представление методики исследования уровня информатизации I. Исследование ИИ на предварительном уровне Предварительные исследования проводятся экспертным методом при помощи анкетирования[2]. Далее необходимо произвести обработку анкет с использованием элементов теории нечетких множеств для преобразования качественных показателей (вербальных оценок экспертов) в количественную форму[3].

Вопросы, входящие в анкету, сгруппированы по следующим критериям: по группам критериев, по наименованию факторов и по значимости факторов. Для количественного измерения уровня информатизации в математической модели этим вопросам поставлены в соответствие числовые характеристики (показатели).

Группы критериев расположены по убыванию значимости в следующем порядке: качество технического обеспечения; качество программного обеспечения; качество информационного обеспечения; качество стратегических решений.

Соответственно, факторы Хi в таблице упорядочены по убыванию значимости (чем больше индекс графы i, тем меньше значение Хi). Им поставлены в соответствие числа от 16 до 1.

Категория значимости факторов представлена четырьмя возможностями: очень существенно; существенно; не очень существенно; не существенно.

Уровень информатизации предприятия будем рассчитывать согласно следующей математической модели. Для ее описания введем следующие обозначения:

Xi – количественные характеристики (степень значимости) оцениваемых экспертами факторов, i=1, …, n; X i1 X i 2, если i1 i 2 ; каждому фактору Xi ставится в соответствие целое числовое значение i (поскольку факторы строго упорядочены по значимости, то X 1 = n, X n = 1 ).

Pi – вес фактора i для предприятия;

m – число степеней значимости факторов, они принимают целые значения от до m, наивысшая степень равна m, наименьшая равна 1;

Yj – степень значимости фактора для конкретного предприятия, j = 1,..., m, Yi * – степень значимости фактора i, отмеченная экспертом в анкете, I –уровень информатизации предприятия;

t – число уровней информатизации предприятия.

Тогда вес фактора i для предприятия с учетом мнения эксперта будет равен:

Уровень информатизации предприятия на основании результатов анкеты будет рассчитываться по формуле После проведенной обработки анкет, вычисляется среднее значение I для всей организации. В методике исследования уровня информатизации субъектов хозяйствования предусмотрено исследование некоторого множества организаций и построения их общего рейтинга информатизации после вычисления индивидуального показателя I. Положение в рейтинговой таблице будет являться показателем для индивидуальных рекомендаций по оптимизации ИИ субъекта хозяйствования.

II. Исследование ИИ на углубленном уровне Исследование на углубленном уровне позволяет проводить аудит информационных технологий (ИТ-аудит) субъектов хозяйствования, предпочтительным методом для конкретной организации с предлагаемой схемой оптимизации ИИ.

Углубленный уровень исследования ИИ позволит произвести оптимизацию ИИ предприятия/организации. Для этого будет выбран метод ИТ-аудита, которым будет исследоваться ИИ, а как следствие, предложен проект экономически эффективной оптимизации субъекта хозяйствования.

На рис. 2 была представлена схема проведения углубленного уровня исследования ИИ. Весь процесс состоит из следующих четырех последовательных этапов.

Первый этап: выбор метода ИТ-аудита, включает анализ существующих методов, которыми пользуются организации для внутреннего или внешнего аудита. При этом выбираются не коммерческие методы ИТ-аудита.

Второй этап: проведение аудита, в зависимости от цели аудита. Подведение итогов, написание отчета о состояния ИИ компании.

Третий этап: в соответствии с итогами аудита выносится решение, на совете директоров, о плане реконструкции/корректировки ИИ компании. Расписывается четкий план о внедрении, обновлении ИИ. Параллельно рассчитывается экономическая эффективность будущей ИИ.

Четвертый этап: после согласования и расчета оптимальной модели ИИ проводится внедрение и отладка.

Частичное внедрение данной методики прошло на УП «Минский электромеханический завод», где после проведенного ИТ-аудита, в соответствии с методикой представленными в [4], был предложен вариант оптимизации имеющейся ИИ и была оценена ее эффективность.

Совместно со специалистами фирмы «Авент-Софт» была определена ожидаемая эффективность от перехода на методы работы с использованием информационных технологий «1С: УПП».

Для стоимостной оценки эффективности внедрения системы используются показатели ТСО, возврата инвестиций и срока окупаемости. Для расчета берется 2 года.

В качестве условной единицы приняты белорусские рубли (млн руб.).

Таким образом, совокупная стоимость владения системы 1С предприятие 8.0 за первый год составит 434 млн руб., из них аппаратное и программное обеспечение – 369 млн руб., поддержка пользователей – 72 млн, управление и администрирование – 48 млн руб., косвенные затраты – 5 млн руб. (1% от совокупной стоимости).

Расчет экономического эффекта от автоматизации процессов управления УП «МЭМЗ»: повышение эффективности трудовых ресурсов предприятия на 50 %.

Экономия денежных средств после внедрения составит: 1308 млн руб. в год.

Таким образом, возврат инвестиций за 2 года составит 529 %.

Это значит, что на каждый вложенный рубль вернулось примерно 5,3 руб.

В результате проведенного анализа было определено, что осуществление проекта является экономически эффективным, срок окупаемости внедрения системы составит 3,9 месяца.

Использование данной методики многокритериального анализа ИИ субъектов хозяйствования позволит получить такие экономические эффекты, как: высвобождение средств за счет снижения не распланированных вложений в модернизацию и поддержку существующей ИИ; прирост прибыли за счет определения и инвестирования в ключевые бизнес-процессы; экономии за счет исключения вложений в не ресурсоемкие бизнес-процессы; высвобождение денежных средств за счет сокращения трудоемких аналитических работ и затрат на их проведения и создания консолидированной отчетности методами привлечения аутсорсинговых компаний и проведением ИТ-аутстаффинга.

ЛИТЕРАТУРА

1. Минюкович, Е. А. Рейтинговые оценки как инструмент совершенствования управления информатизацией системы образования : автореф. дис. … канд. экон. наук : 08.00.13 / Е. А. Минюкович ; Белорус. гос. экон. ун-т. Минск, 2010.

2. Володько, Л. П. Оценка банковских информационных технологий: методы и методики / Л. П. Володько. Минск: Мисанта, 2008.

3. Полещук, О. М. Методы и модели обработки нечеткой экспертной информации / О. М. Полещук, Е.

Г. Комаров – М.: Энергоатомиздат, 2007.

4. Железко, Б. А. Интеллектуальный анализ данных и совершенствование информационной инфраструктуры сети розничной торговли / Б. А. Железко, Г. Н. Подгорная, Ю. В. Скребнева // Системный анализ и информационные технологии: материалы 12-й Международной научно-технической конференции SAIT 2010, Киев, 25–29 мая 2010 г. / УНК «ИПСА» НТУУ «КПИ». К.: УНК «ИПСА»

НТУУ «КПИ», 2010. С. 238–239. Текст: укр., рус., англ.

ОБЕСПЕЧЕНИЕ ИНВАРИАНТНОСТИ ОБРАБОТКИ

ЦВЕТНЫХ ИЗОБРАЖЕНИЙ К ЯРКОСТНЫМ

И СПЕКТРАЛЬНЫМ ИСКАЖЕНИЯМ

А. В. Протосавицкий, Е. С. Горшкова, Р. В. Телятников, В данном докладе представлен метод описания цветных объектов на сложных сценах, алгоритмы компенсации яркостных и спектральных искажений, возникающих из-за изменения условий освещенности при получении изображений. Описанные алгоритмы были разработаны после анализа большого количества различных изображений в нескольких цветовых моделях при решении задачи распознавания объектов. Размеры объектов, их форма и цвет могут быть произвольными.

Ключевые слова: цветные объекты, условия освещенности, яркостные и спектральные искажения.

ВВЕДЕНИЕ

На данный момент все большее распространение получают цветные цифровые фото- и видеокамеры. Их использование в свою очередь приводит к необходимости анализа объектов на сложных цветных сценах. Эффективные методы описания цветных объектов необходимы при решении таких задач, как распознавание, верификация и многих других. Существуют различные подходы и методы для описания и выделения объектов произвольной формы, размеров и цвета, и под каждую задачу разрабатываются алгоритмы, которые дают приемлемые результаты для конкретных условий их эксплуатации. Причинами, которые могут влиять на устойчивость работы таких систем, являются изменения условий освещенности (его интенсивность и спектр), цветовой разброс однотипных объектов и т. д.

Представленный в данной работе алгоритм позволяет производить анализ объектов при различных условиях освещенности, что значительно повышает устойчивость работы подобных систем. Разработка алгоритма производилась для решения задачи распознавания и верификации документов (паспортов, идентификационных карт и др.) по их цветным фотографическим изображениям. Особенностями данной задачи является то, что местоположение цветных объектов на изображении является постоянным, что позволяет использовать простую схему описания изображения документа в целом.

ОПИСАНИЕ ОБЪЕКТА (СЦЕНЫ)

Для получения информации о цвете требуются значения по каналам цветовой модели, а также параметры их изменения, которые и будут описывать объект. Построение описания цветного объекта (сцены) будет проводиться согласно схеме, представленной на рисунке.

Разбиение изображения Оценка распределения и расчет среднего Первым этапом получения описания является разбиение изображения на некоторое количество одинаковых по размеру прямоугольных областей (далее – элементарная область или ЭО). Другими словами на изображение накладывается прямоугольная сетка, разбивающая его на мелкие области.

Далее рассчитываются гистограммы цветового тона, яркости и насыщенности для каждой ЭО. Расчет гистограммы цветового тона имеет ряд особенностей. Весь диапазон разбивается на некоторое количество равных интервалов. Это позволяет уменьшить влияние несущественных различий между одинаковыми объектами на разных изображениях. Помимо этого, в гистограмму вводятся два дополнительных столбца. Первый из них – это количество «черных» пикселей, т. е. пикселей с низкой яркостью. Второй дополнительный столбец гистограммы предназначен для «серых»

пикселей – для тех, у которых значения насыщенности являются недостаточно высокими. Для каждой задачи задаются значения яркости и насыщенности, начиная с которых разработчик считает целесообразным оценивать цветовую составляющую, т. к.

при низких значениях яркости или насыщенности даже значительное изменение цветового тона для человека будет неразличимо. Переход от ненасыщенных пикселей к насыщенным (от «черных» к ярким) происходит с применением интервала перехода, при попадании в который пиксели распределяются между «цветовыми» и «серыми»

(«черными»).

Насыщенность для элементарной области описывается гистограммой с настраиваемым количеством отсчетов. Особенностью используемой системы HSV является значительное изменение насыщенности при низких значениях яркости. Поэтому при расчете данной гистограммы также используется столбец «черных» пикселей, рассчитанный как показано на рисунке.

Для каждой ЭО также производится расчет гистограммы яркости и рассчитывается среднее значение. Стоит отметить, что оно считается только для областей, имеющих распределение, близкое к нормальному. Решение о виде распределения принимается на основе анализа критерия согласия Пирсона (критерий Хи-квадрат), для расчета которого используются гистограмма яркости и эталонное распределение Гаусса того же масштаба. Также исключаются из рассмотрения элементарные области с большим значением динамического диапазона яркости. Данная ситуация является недостатком выбранного способа разбиения изображения. При применении алгоритмов, способных выделять объекты с однородными уровнем яркости, данный недостаток может быть исключен.

АНАЛИЗ ПРОСТРАНСТВЕННОГО РАСПРЕДЕЛЕНИЯ ЯРКОСТИ

Как упоминалось выше, одной из проблем анализа цветных изображений является изменение цвета в зависимости от уровня освещенности. Однако для задач верификации необходимо учитывать эти изменения, ведь по сути объект остается тем же, меняются лишь условия его съемки. То же можно сказать о системах видеонаблюдения – в случаях, когда солнце заходит за тучи, и когда небо ясное, сцена остается той же, меняется лишь уровень освещенности.

Для начала рассмотрим, как меняется значение координаты яркости для однородных серых областей при последовательном изменении уровня освещенности. В качестве отправной точки был выбран такой уровень освещенности, при котором самая яркая область близка к насыщению. Примем, что при этом уровне каждая область имеет яркость, которая считается опорной (LОП), т. е. яркостью самой области.

Если построить графики, то можно заметить, что при увеличении уровня освещенности средняя яркость в области меняется линейно вплоть до достижения уровня насыщения. Тогда закон изменения яркости i-й области при изменении ее освещенности описывается следующим выражением:

где Br – уровень освещенности, K(Br) – коэффициент изменения яркости при уровне освещённости Br, i – индекс области.

Было установлено, что для всех анализируемых областей значения K(Br) попадают в узкий диапазон значений. Из этого следует, что вне зависимости от LОП яркость каждой из областей меняется пропорционально изменению уровня освещенности. Если исходить из того, что уровень освещенности одинаков для всего изображения, то и коэффициенты изменения яркости должны быть одинаковыми. В этом случае можно установить причину различий параметра V для ЭО – иные условия освещенности либо различие самих изображений в данной области.

Чтобы выяснить, влияет ли цветовой тон на полученную выше зависимость яркости от освещенности, были получены изображения цветных областей при последовательном увеличении уровня освещенности. При расчете коэффициентов отношения уровней яркости были получены аналогичные результаты: диапазон значений оказался очень узким.

Полученные результаты позволяют сделать следующие выводы:

• зависимость уровня яркости от освещенности имеет линейный характер вплоть до достижения уровня насыщения;

• цветовой тон не влияет на зависимость яркости от освещенности.

Следовательно, для компенсации яркостных искажений на изображениях объектов необходимо рассчитать коэффициенты K(Br), показывающие изменение уровня средней яркости ЭО изображения. Если сравниваемые изображения схожи, то значения коэффициентов будут попадать в установленный доверительный интервал. Физический смысл операций расчета и анализа значений коэффициентов: подтверждение совпадения пространственного распределения яркости вне зависимости от условий освещенности.

КОМПЕНСАЦИЯ СПЕКТРАЛЬНЫХ ИСКАЖЕНИЙ

Для анализа влияния спектра источника освещения на изменение цвета объекта были получены изображения при различных источниках освещения. Спектр источника освещения изменялся в сторону синего, красного или зеленого цвета. На полученных изображениях в пределах однородных цветных областей оценивались значения координат в цветовой системе HSV. Найденные средние значения цветового тона и насыщенности внутри областей представлялись в виде векторов на цветовой окружности.

После получения значений для различных источников освещения был произведен расчет изменения средних значений цветовых координат. Помимо цветных областей, оценивались средние значения в однородной области белого цвета. Эти данные использовались в качестве оценки смещения координат «точки белого», т. е. теоритического центра цветового круга.

Результат анализа показал, что при изменении спектра освещенности направление векторов изменения всех цветов, включая изменение цвета «точки белого», практически совпадает. Следовательно, для компенсации искажений, вызванных изменение спектра источника освещения, необходимо найти лишь величину изменения и применить ее к каждому из пикселей изображения. Для решения данной задачи использовались два способа. Первый заключался в том, что изменение рассчитывалось по экспериментальной «точке белого» – среднему значению внутри однородной белой области. Этот метод показал себя достаточно эффективно. Расчетные и экспериментальные значения цветового тона отличались не более чем на 3 градуса. Однако на практике данный метод имеет существенный недостаток – далеко не всегда на изображении присутствует однородная белая область, по которой можно было бы сделать вывод о смещении «точки белого». Именно поэтому был найден второй способ. В качестве величины изменения цвета «точки белого» было выбрано среднее значение величин изменения всех цветов. Эта величина применялась к каждому из цветов. Оказалось, что в данном случае, отличие расчетных значений от измеренных даже меньше. Максимальное отличие по цветовому тону составило 2.5 градуса.

Меньшая величина ошибки объясняется погрешностью расчета цветового тона в светлой малонасыщенной области.

На основе описанных результатов был разработан алгоритм компенсации искажений, вызванных различным спектром источника освещения. На изображении выбирается некоторое количество однородных цветных областей, находится различие относительно эталонного изображения. В случае, если направление этого различия попадает в небольшой узкий сектор, то считается гистограмма различий для всего изображения. В случае если направление изменения цветового тона попадает в доверительный интервал, считается, что изменение цвета обусловлено изменением спектра освещенности. В противном случае считается, что это разные изображения.

РЕАЛИЗАЦИЯ АЛГОРИТМА СОПРОВОЖДЕНИЯ

ВИДЕООБЪЕКТОВ

Белорусский государственный университет В наше время весьма распространены системы видеонаблюдения и имеется очень широкий спектр задач в этой сфере. Одними из основополагающих задач видеонаблюдения является задача определения движения объектов и их сопровождение. В работе представлена реализация одного из существующих алгоритмов сопровождения видеообъектов.

Ключевые слова: видеообъект, обнаружение объекта, сопровождение объекта, детектирование движения, подавление шума, фон (сцена), сравнение кадров, видеопоследовательность.

ВВЕДЕНИЕ

Все больше распространение получают системы видеонаблюдения. Спектр задач видеонаблюдения достаточно широк, и включает в себя задачи начиная от наблюдения за автомобилями на магистралях и заканчивая слежением за объектами на охраняемых территориях. В настоящий момент существует множество алгоритмов для обнаружения движения и последующего сопровождения объектов на видеопоследовательности. Все эти алгоритмы можно разбить на две категории:

1) методы эмпирического распознавания;

2) методы моделирования изображения объекта.

В первом случае методы основываются на опыте человека в распознавании определенного типа объектов и делают попытку алгоритмизировать и формализировать этот опыт. Главный недостаток таких методов – это сложность перевода неформального человеческого опыта и знаний в набор формальных правил для машины. Методы второй категории опираются на распознавание образов. В этом случае по набору тренировочных изображений строится модель объекта, и задача обнаружения сводится к проверке входного фрагмента видеоизображения на соответствие полученной модели. Основные недостатки методов данной группы – необходимость наличия большого числа заранее классифицированных изображений объекта и высокая вычислительная сложность алгоритмов [2, 4, 7].

Построение универсального метода сопровождения объектов, который обеспечивал бы высокий уровень точности, в настоящее время представляется маловероятным, так как некоторые алгоритмы имеют, например, ограничения по размеру изображения. Однако для большинства конкретных задач можно создать методы, предоставляющие достаточный уровень распознавания с учетом конкретной задачи и условий.

ОБНАРУЖЕНИЕ ДВИЖЕНИЯ

Одним из самых распространенных подходов в распознавании движения является сравнение текущего кадра с предыдущим. Это полезно в сжатии видео, когда необходимо оценить изменения, и фиксировать только изменения, а не весь кадр. Но это не самый лучший способ для обнаружения движения, так как, используя данный подход, мы получим изображение с белыми пикселями на том месте, где текущий кадр отличается от предыдущего кадра на указанное значение порога. Если значение порога для пикселей будет больше, чем предопределенные сигналы уровня, тогда мы можем говорить о движении в кадре.

Но большинство камер делают зашумленные изображения, следовательно, за счет различия кадров из-за зашумленности, мы получим движения в таких местах, где нет никакого движения вообще [3, 7, 8].

Существует другой подход. Есть возможность сравнить текущий кадр не с предыдущим, а с первым кадром видеопоследовательности. Таким образом, если не было объектов в начальном кадре, сравнение текущего кадра с первым даст нам целый движущийся объект, независимо от его скорости движения. Но этот подход имеет большой недостаток: если автомобиль существует на первом кадре, а затем исчезает, мы будем всегда иметь движение, обнаруженное на том месте, где автомобиль был.

Конечно, мы можем продлить начальный кадр, но это не даст хороших результатов в тех случаях, когда мы не можем гарантировать, что первый кадр будет содержать только статический фон. Но может быть обратная ситуация. Если повесить картину на стене в комнате, а затем выйти из кадра, мы получим движения, обнаруженные только на первом кадре [3].

Наиболее эффективные алгоритмы основаны на создании так называемого фона (сцены) и сравнения каждого текущего кадра с фоном [5, 6].

Обнаружение пикселей фона происходит следующим образом. В самом начале все K Гауссианов для каждого пикселя инициализируются неким определенным значением, и начальными весами для каждого распределения wi. При определении типа пикселя нового кадра видеопоследовательности значение интенсивности текущего пикселя проверяется на соответствие с каждым из K Гауссианов. Соответствием считается попадание значения интенсивности в интервал, равный двум стандартным отклонениям распределения. Затем веса распределений обновляются по правилу:

где соответствует скорости обновления; а k,t принимает значение 1, если значение интенсивности пикселя соответствует Гауссовому распределению, или 0 в противном случае.

На следующем шаге веса нормализуются и параметры тех Гауссианов, кому было найдено соответствие, обновляются в соответствии со следующими выражениями:

где Для тех Гауссианов, кому не найдено соответствие, выполняются следующие действия. Находится тот из K Гауссианов, у которого вычисленная вероятность наименьшая и замещается новым распределением с параметрами среднее равное значению интенсивности текущего пикселя, большим стандартным отклонением и малым весом.

Для определения типа пикселя Гауссовы распределения, соответствующие данному пикселю, сортируются по значению отношения w /. Наибольшие значения соответствуют наиболее вероятным кандидатам быть фоновыми пикселями, так как именно фоновые пиксели дают соответствие соответствующим Гауссианам, и в результате получают большие веса и меньшие отклонения.

В случае K2 проводят выборку Гауссианов, при помощи которых в последствии будут проводить описание модели фона. Для случая с двумя Гауссианами таким будет первый в упорядоченном списке.

Таким образом, строится бинарная карта пикселей, принадлежащих фону (значение 0 – черный цвет), и пикселей, классифицируемых как движущихся (значение 1 – белый цвет). По завершении процесса заполнения кадра черными и белыми точками начинается процесс выделения объектов. Сгустки белых пикселей алгоритм объединяет в один объект и выделяет его на экране прямоугольником [5, 6].

В ходе изучения материалов по данной теме нами была реализована программа для обнаружения движущихся видеообъектов с использованием алгоритма адаптивного вычитания фона.

ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ АЛГОРИТМА

Захват видеоизображения осуществлялся при помощи веб-камеры, снабженной USB 2.0 интерфейсом. Размер кадра изображения составляет 320 х 240 пикселей при глубине цвета 24 бита.

Разработка и тестирование приложения производилось в Microsoft Visual Studio 8 с использованием открытой библиотеки алгоритмов компьютерного зрения OpenCV.

При инициализации приложения происходит настройка параметров системы, имеются опции для поиска устройств захвата видео, инициализации выбранного устройства, установки параметров захвата, записи исходного видео и результата обработки в AVI-файл.

Обработка изображения состоит из следующих процедур:

1) преобразование захваченного изображения из цветового пространства RGB в 2) предварительная обработка кадра при помощи гауссового размытия;

3) обновление модели фона текущим кадром;

4) получение картины движения и ее обработка при помощи морфологических операций.

Вывод графической информации осуществляется в различных вкладках окна программы, основные вкладки:

• вкладка, содержащая исходное изображение, захватываемое камерой;

• вкладка, отображающая результат выделения движущихся объектов.

Реализуется статистическая модель фона, далее при захвате очередного кадра видео происходит обновление модели фона. После этой операции становится доступна маска объектов переднего плана кадра [1, 2].

На первом этапе осуществлялась предварительная обработка изображения. Гауссовское размытие с = 2 помогает избежать лишних шумов за счет сглаживания изображения.

Практическая реализация показала, что блок выделения хорошо выполняет выделение движущихся объектов, но возможны случаи ложного выделения в случаях изменения освещенности и теней. Найти тень на изображении или в видеопотоке для человека не составляет никакого труда, в то время как автоматическое нахождение теней – довольно сложная задача. Алгоритм вычитания фона сталкивается с проблемой движущихся теней, т. е. теней от движущихся объектов сцены. Дело в том, что падение тени на объект довольно сильно меняет цвет объекта, и именно поэтому алгоритм классифицирует тени как передний план.

Рис.1. Начальное изображение Рис.2. Изображение после сглаживания Выделяем объект и получаем бинарную картину движения.

При увеличении зашумленности изображения и интенсивности света контур объекта искажается, так как это создает дополнительную разницу между кадрами видеопоследовательности.

Рис.4. Искажение контура объекта вследствие зашумленности Программа хорошо обнаруживает движущиеся объекты. Алгоритм адаптивного вычитания фона показал хорошие результаты при работе в условиях плавно меняющейся освещенности, но оказался слаб перед резким изменением освещенности, как и все методы вычитания фона.

Проводится дальнейшая работа в данной области, в будущем планируется разработка полноценного программного обеспечения и метода обнаружения и сопровождения множественных объектов на видеопоследовательности.

ЛИТЕРАТУРА

1. Weiss, Y. Deriving intrinsic images from image sequences / Y. Weiss // In ICCV01, 2001. P. 68–75.

2. Белозерский, Л. А. Основы построения систем распознавания образов: Курс лекций с заданиями и примерами / Л. А. Белозерский Донецкий государственный институт искусственного интеллекта, 1997.

3. Алпатов, Б. А. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление / Б. А. Алпатов, П. В. Бабаян, О. Е. Балашов, А. И. Степашкин. М.: Радиотехника, 2008.

4. Форсайт, Д. Компьютерное зрение. Современный подход / Д. Форсайт, Ж. Понс. М.: Издательский дом Вильяме, 2004.

5. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт. М.: Мир, 1986.

6. Хуанг, Т. С. Быстрые алгоритмы в цифровой обработке изображений / Т. С. Хуанг [ и др.]. М.: Радио и связь, 1984.

7. Прэтт, У. Цифровая обработка изображений / У. Прэтт. М.: Мир, 1982. Кн. 2.

8. Проблема подавления шума на изображениях и видео и различные подходы к ее решению [Электронный ресурс]: научно-образовательный сетевой журнал, посвященный компьютерной графике, машинному зрению и обработке изображений. Электрон. дан. Режим доступа:

http://cgm.graphicon.ru/, свободный.

КОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ В ИЗУЧЕНИИ ДИНАМИКИ

ПОЧВЕННОГО ПОКРОВА ПО МАТЕРИАЛАМ

ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

Белорусский государственный университет E-mail: topaz_antonina@bsu.by; konakh@bsu.by Приведены результаты применения автоматизированной системы цифровой обработки аэроснимков для изучения динамики почвенного покрова через его структуру и оценки последствий воздействия мелиорации на почвы.

Ключевые слова: дешифрирование, сегментация, тематическая интерпретация.

ВВЕДЕНИЕ

Цифровая обработка изображений является перспективным направлением при дистанционном изучении почв и решении почвенных задач. Можно выделить две основные группы задач, решаемые на основе применения материалов дистанционных съемок (МДС): задачи почвенного картографирования (уточнения и составления карт, изучения и картографирования структуры почвенного покрова), и задачи, связанные с изучением динамических свойств почв: гумусности, влажности, засоленности, эродированности (рис. 1).

Поэтому можно говорить об использовании снимков для целей картографирования и для целей мониторинга. Эффективное решение и тех и других задач сегодня невозможно без внедрения автоматизированных методов обработки и анализа МДС, обеспечивающих качественно новый уровень исследований. Поэтому основными тенденциями развития дистанционных методов в почвоведении в настоящее время является разработка компьютерных методов дешифрирования и картографирования почв.

Основным объектом исследования при изучении динамики почвенного покрова являются микроструктуры и их компоненты – элементарные почвенные ареалы, поскольку именно на этом уровне организации почвенного покрова прежде всего проявляются процессы его трансформации.

Разнообразные приемы воздействия человека на почву по последствиям могут быть разделены на две группы [1, с. 28]:

Первая – ненаправленно-антропогенная – способствует усилению контрастности и связана с негативными последствиями развития эрозии, усиления засоленности и заболоченности. При этом возрастает образование комплексов и сочетаний. Такое изменение структуры почвенного покрова (СПП) возникает в результате неправильного осуществления приёмов обработки, мелиорации почв и др.

Уточнение и Изучение и картоАэрокосмический Рис. 1. Задачи, решаемые на основе применения материалов дистанционного зондирования в исследованиях почвенного покрова Вторая – научно обоснованные и целенаправленные приемы, устраняющие неблагоприятные свойства почв отдельных компонентов СПП, приводит к выравниванию и повышению плодородия всей почвенной комбинации, снижению контрастности почвенного покрова. Например, устранению солончаковатости промывкой, избыточного увлажнения осушительными мелиорациями, выравнивание плодородия известкованием и гипсованием и др.

Последствия данного воздействия человека на почвы могут быть оценены на основе цифровой обработки разновременных снимков.

ОБЪЕКТ И МЕТОДИКА ИССЛЕДОВАНИЯ

Целью данной работы было изучение влияния осушительной мелиорации на динамику почвенного покрова. Для этого были проанализированы материалы аэрофотосъемки ключевого участка «Макаричи» (Петриковский район Гомельской области), полученные с интервалом в 25 лет (до и после мелиорации). В исследованиях использовались аэрофотоснимки оптимальных (весенних) сроков съемки.

При проведении исследований методика цифровой обработки снимков включала следующие основные этапы: создание фотокартографической основы, предварительную обработку фотоизображений, классификацию фотоизображений почвенного покрова, расчет количественных показателей СПП, интерпретацию результатов на основе системного анализа.

В качестве фотокартографической основы для последующего дешифрирования использовались нормализованные цифровые фотоизображения, приведенные к одному масштабу (1: 10 000) и пригодные для проведения дальнейшей процедуры автоматизированного дешифрирования и расчета количественных показателей.

Для тематической интерпретации аэрофотоизображений почвенного покрова использовалась интерактивная автоматизированная система (совместная разработка кафедры информационных систем управления факультета прикладной математики и кафедры геодезии и картографии географического факультета БГУ). Даная система позволяет выполнять предварительную обработку фотоизображений, проводить контурное дешифрирование (сегментация изображения), выполнять классификацию выделенных сегментов (генетическое дешифрирование), а также осуществлять автоматический картометрический анализ результатов дешифрирования с представлением результатов в виде таблиц статистик геометрических параметров и статистических характеристик [2].

Для предварительной обработки изображений в рамках разработанной системы реализованы алгоритмы гистограммных преобразований, различных методов фильтрации изображений и подчеркивания контуров. В результате на этапе предварительной обработки изображения можно улучшить зрительное восприятие изображения, подчеркнуть существующие различия между объектами, а также скрыть ненужную информацию, обеспечивая тем самым повышение объективности и достоверности дешифрирования. В ряде случаев предварительная обработка исходного аэрофотоснимка позволяет более выразительно выделить детали изображения, визуально дешифрируемые неуверенно, и тем самым придать большую объективность процессу дешифрирования.

Следующим этапом цифровой обработки является выделение на изображении однородных областей. Это задача сегментации. Сегментация заключается в разбиении изображения на области (сегменты) по определенному критерию. Для решения задачи сегментации были использованы методы кластерного анализа. Входными данными для проведения сегментации являются образцы однородных областей, которые задаются пользователем вручную. После указания всех образцов можно запускать процесс сегментации, определив при этом допустимую величину отклонения элемента изображения от образцов. Элементы изображения, которые отклоняются на большую величину, будут отнесены к 0-классу. Исследования показали, что использование алгоритма сегментации, обеспечивающего выделение почвенных контуров по тону, позволяет повысить оперативность дешифрирования фотоизображений почвенного покрова, а влияние субъективного фактора при достаточной информативности тонового признака свести к минимуму. При визуальном дешифрировании даже квалифицированный исполнитель не в состоянии оконтуривать поля плотности с первоначально заданной градацией.

Для определения названия и характеристики любой почвенной комбинации должен быть задан ее компонентный состав, т. е. указаны элементарные почвенные ареалы (ЭПА), составляющие комбинацию, а также выявлена доля участия в процентах каждого ЭПА в комбинации. В связи с этим в системе предусмотрена возможность присвоения каждому кластеру буквенно-цифрового индекса определенной почвенной разновидности согласно с принятыми условными обозначениями [3, с. 188], а в основу определения количественных показателей СПП была положена методика Бел НИИПА [1, с. 85–96], в соответствии с которой были использованы три основных показателя: коэффициент расчленения, коэффициент контрастности, коэффициент неоднородности.

Для расчета количественных показателей задается размер пикселя в метрах. По каждому кластеру определяется его площадь, площадь в процентах от общей, длина границ контуров (периметр по кластеру), в пределах каждого кластера – средняя площадь и средняя длина контура, количество контуров. На основании этих данных автоматически рассчитывается коэффициент расчленения по каждому кластеру и для всего участка в целом. Полученные в автоматическом режиме количественные показатели представляются в виде таблицы статистик, на основе которой рассчитываются коэффициенты контрастности и неоднородности.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Сопоставление разновременных аэрофотоснимков, приведенных к единому масштабу (рис. 2), показало, что почвенный покров изучаемой территории претерпел значительные изменения, которые четко коррелируют с изменением тона фотоизображения и геометрией почвенных контуров. Как показано в [4, 5], на аэрофотоснимках потемнение тона фотоизображения почв, не скрытых растительностью, связано с увеличением содержания в них влаги и гумуса, т. е. на аэрофотоснимках находит отражение, в первую очередь, степень увлажнения почв. Поэтому по изменению тона фотоизображения можно судить об изменении степени гидроморфизма почв.

Рис.2. Фрагмент аэрофотоснимка ключевого участка «Макаричи»

с показом границ почвенных контуров: а – до мелиорации; б – после мелиорации Количественно оценить изменения, произошедшие в почвенном покрове данной территории, можно через анализ количественных показателей СПП.

Если до мелиорации преобладающая площадь ключевого участка была занята дерново-подзолистыми глеевыми почвами (34 %), то после мелиорации преобладающими стали дерново-подзолистые глееватые почвы (31 %). Площади дерновых глееватых почв сократились с 20 до 6 %, дерново-подзолистых глееватых увеличились с 22 до 31 %. Произошло также увеличение площадей малоплодородных песчаных дефлированных почв (с 7 до 9 %).



Pages:     | 1 |   ...   | 3 | 4 || 6 | 7 |   ...   | 10 |





Похожие работы:

«Н. В. Максимов, Т. Л. Партыка, И. И. Попов АРХИТЕКТУРА ЭВМ И ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ Рекомендовано Министерством образования Российской Федерации в качестве учебника для студентов учреждений среднего профессионального образования, обучающихся по группе специальностей 2200 Информатика и вычислительная техника Москва ФОРУМ - ИНФРА-М 2005 УДК 004.2(075.32) ББК 32.973-02я723 М17 Рецензенты: к т. н, доцент кафедры Проектирование АИС РЭА им. Г. В. Плеханова Ю. Г Бачинин, доктор экономических наук,...»

«Кучин Владимир О научно-религиозном предвидении Где двое или трое собраны во имя Мое, там и Я посреди них. Мф. 18:20 Официально информатику определяют как науку о способах сбора, хранения, поиска, преобразования, защиты и использования информации. В узких кругах ее также считают реальным строителем моста через пропасть, которая разделяет науку и религию. Кажется, еще чуть-чуть и отличить информатику от религии станет практически невозможно. По всем существующим на сегодня критериям. Судите...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ УТВЕРЖДАЮ Заместитель Министра образования Российской Федерации В.Д. Шадриков 14 марта 2000 г. Номер государственной регистрации: 52 мжд / сп ГОСУДАРСТВЕННЫЙ ОБРАЗОВАТЕЛЬНЫЙ СТАНДАРТ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ Специальность 351400 ПРИКЛАДНАЯ ИНФОРМАТИКА (по областям) Квалификация информатик-(квалификация в области) В соответствии с приказом Министерства образования Российской Федерации от 04.12.2003 г. №4482 код данной специальности по...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ БАШКИРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ОТЧЕТ по результатам самообследования соответствия государственному образовательному стандарту содержания и качества подготовки обучающихся федерального государственного бюджетного образовательного учреждения высшего профессионального образования Бирский филиал Башкирский государственный университет по...»

«ИНФОРМАЦИЯ: ОБЗОР СОВРЕМЕННЫХ ПРЕДСТАВЛЕНИЙ О СУЩНОСТИ И ПОДХОДОВ К ОПРЕДЕЛЕНИЮ А. Я. Фридланд Тульский государственный педагогический университет им. Л.Н. Толстого 300026, г. Тула, пр. Ленина, д. 125 Аннотация. Информация – базовое понятие в современной науке. Однако единого подхода к пониманию сущности этого явления – нет. В статье дан обзор современных подходов к определению сущности явления информация. Показаны достоинства и недостатки каждого из подходов. Сделаны выводы о применимости...»

«Министерство Образования Российской Федерации Международный образовательный консорциум Открытое образование Московский государственный университет экономики, статистики и информатики АНО Евразийский открытый институт О.А. Кудинов Конституционное право зарубежных стран Учебно-практическое пособие Москва – 2003 УДК 342 ББК 67.99 К 65 Кудинов О.А. КОНСТИТУЦИОННОЕ ПРАВО ЗАРУБЕЖНЫХ СТРАН: Учебнопрактическое пособие / Московский государственный университет экономики, статистики и информатики. - М.:...»

«Направление подготовки: 010300.68 Фундаментальная информатика и информационные технологии (очная, очно-заочная) Объектами профессиональной деятельности магистра фундаментальной информатики и информационных технологий являются научно-исследовательские и опытноконструкторские проекты, математические, информационные, имитационные модели систем и процессов; программное и информационное обеспечение компьютерных средств, информационных систем; языки программирования, языки описания информационных...»

«Направление подготовки: 010400.68 Прикладная математика и информатика (очная) Объектами профессиональной деятельности магистра прикладной математики и информатики являются научно - исследовательские центры, государственные органы управления, образовательные учреждения и организации различных форм собственности, использующие методы прикладной математики и компьютерные технологии в своей работе. Магистр прикладной математики и информатики подготовлен к деятельности, требующей углубленной...»

«МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ СТАВРОПОЛЬСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ УТВЕРЖДАЮ Проректор по учебной и воспитательной работе И. В. Атанов _2013 г. ОТЧЕТ о самообследовании основной образовательной программы высшего образования Направление подготовки: 230700.68 - Прикладная информатика Профиль: 230700.68.01 Системы корпоративного управления (код, наименование...»

«Зарегистрировано в Минюсте РФ 28 апреля 2010 г. N 17035 МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ПРИКАЗ от 29 марта 2010 г. N 224 ОБ УТВЕРЖДЕНИИ И ВВЕДЕНИИ В ДЕЙСТВИЕ ФЕДЕРАЛЬНОГО ГОСУДАРСТВЕННОГО ОБРАЗОВАТЕЛЬНОГО СТАНДАРТА ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ ПО НАПРАВЛЕНИЮ ПОДГОТОВКИ 021300 КАРТОГРАФИЯ И ГЕОИНФОРМАТИКА (КВАЛИФИКАЦИЯ (СТЕПЕНЬ) МАГИСТР) КонсультантПлюс: примечание. Постановление Правительства РФ от 15.06.2004 N 280 утратило силу в связи с изданием Постановления...»

«Научные исследования подавателей факультета I математики и информатики 70-летию университета посвящается УДК 517.977 Е.А. Наумович ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДЕЯТЕЛЬНОСТИ КАФЕДРЫ ДИФФЕРЕНЦИАЛЬНЫХ УРАВНЕНИЙ И ОПТИМАЛЬНОГО УПРАВЛЕНИЯ (1979-2009 гг.) В статье приводятся краткие сведения из истории создания и развития кафедры дифференциальных уравнений и оптимального управления. Сформулированы основные научные направления и наиболее важные результаты, полученные сотрудниками кафедры. Приведена информации...»

«Зарегистрировано в Минюсте РФ 16 декабря 2009 г. N 15640 МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ПРИКАЗ от 9 ноября 2009 г. N 553 ОБ УТВЕРЖДЕНИИ И ВВЕДЕНИИ В ДЕЙСТВИЕ ФЕДЕРАЛЬНОГО ГОСУДАРСТВЕННОГО ОБРАЗОВАТЕЛЬНОГО СТАНДАРТА ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ ПО НАПРАВЛЕНИЮ ПОДГОТОВКИ 230100 ИНФОРМАТИКА И ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА (КВАЛИФИКАЦИЯ (СТЕПЕНЬ) БАКАЛАВР) (в ред. Приказов Минобрнауки РФ от 18.05.2011 N 1657, от 31.05.2011 N 1975) КонсультантПлюс: примечание. Постановление...»

«Теоретические, организационные, учебно-методические и правовые проблемы ПРАВОВЫЕ ПРОБЛЕМЫ ИНФОРМАТИЗАЦИИ И ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ Д.ю.н., профессор А.В.Морозов, Т.А.Полякова (Департамент правовой информатизации и научнотехнического обеспечения Минюста России) Развитие общества в настоящее время характеризуется возрастающей ролью информационной сферы. В Окинавской Хартии Глобального информационного Общества, подписанной главами “восьмерки” 22 июля 2000 г., государства провозглашают...»

«И.И.Елисеева, М.М.Юзбашев ОБЩАЯ ТЕОРИЯ СТАТИСТИКИ Под редакцией члена-корреспондента Российской Академии наук И.И.Елисеевой ПЯТОЕ ИЗДАНИЕ, ПЕРЕРАБОТАННОЕ И ДОПОЛНЕННОЕ Рекомендовано Министерством образования Российской Федерации в качестве учебника для студентов высших учебных заведений, обучающихся по направлению и специальности Статистика Москва Финансы и статистика 2004 УДК 311(075.8) ББК 60.6я73 Е51 РЕЦЕНЗЕНТЫ: Кафедра общей теории статистики Московского государственного университета...»

«Направление бакалавриата 210100 Электроника и наноэлектроника Профиль подготовки Электронные приборы и устройства СОДЕРЖАНИЕ ИСТОРИЯ ИНОСТРАННЫЙ ЯЗЫК ФИЛОСОФИЯ ЭКОНОМИКА И ОРГАНИЗАЦИЯ ПРОИЗВОДСТВА КУЛЬТУРОЛОГИЯ ПРАВОВЕДЕНИЕ ПОЛИТОЛОГИЯ СОЦИОЛОГИЯ МАТЕМАТИКА ФИЗИКА ХИМИЯ ЭКОЛОГИЯ ИНФОРМАТИКА ВЫЧИСЛИТЕЛЬНАЯ МАТЕМАТИКА МЕТОДЫ МАТЕМАТИЧЕСКОЙ ФИЗИКИ ФИЗИЧЕСКИЕ ОСНОВЫ ЭМИССИОННОЙ ЭЛЕКТРОНИКИ И КАТОДЫ СПЕЦИАЛЬНЫЕ ВОПРОСЫ ФИЗИКИ СПЕЦИАЛЬНЫЕ ВОПРОСЫ МАТЕМАТИКИ ОСНОВЫ ТЕОРИИ НАДЁЖНОСТИ ТЕОРИЯ ИНЖЕНЕРНОГО...»

«МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ СТАВРОПОЛЬСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ УТВЕРЖДАЮ Проректор по учебной и воспитательной работе И.В. Атанов _2014 г. ОТЧЕТ о самообследовании основной образовательной программы высшего образования 230700.62 Прикладная информатика (код, наименование специальности или направления подготовки) Ставрополь, СТРУКТУРА ОТЧЕТА О...»

«Отечественный и зарубежный опыт 5. Заключение Вышеизложенное позволяет сформулировать следующие основные выводы. • Использование коллекций ЦОР и ЭОР нового поколения на базе внедрения современных информационных технологий в сфере образовательных услуг является одним из главных показателей развития информационного общества в нашей стране, а их разработка – коренной проблемой информатизации российского образования. • Коллекции ЦОР и ЭОР нового поколения – важный инструмент для повышения качества...»

«ТЕОРИЯ И МЕТОДОЛОГИЯ УДК 336.722.112:316 Т. А. Аймалетдинов О ПОДХОДАХ К ИССЛЕДОВАНИЮ ЛОЯЛЬНОСТИ КЛИЕНТОВ В БАНКОВСКОЙ СФЕРЕ АЙМАЛЕТДИНОВ Тимур Алиевич - директор по исследованиям ЗАО НАФИ, кандидат социологических наук, доцент кафедры социальной и педагогической информатики РГСУ. Email: aimaletdinov@nacfin.ru Аннотация. В статье приводится обзор классических и современных подходов к теоретической интерпретации и эмпирическим исследованиям лояльности клиентов к банкам. На основе анализа...»

«Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования ПОВОЛЖСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ТЕЛЕКОММУНИКАЦИЙ И ИНФОРМАТИКИ РУКОВОДЯЩИЙ РД ПГУТИ ДОКУМЕНТ 2.64.7-2013 Система управления качеством образования ПОРЯДОК ПЕРЕВОДА, ОТЧИСЛЕНИЯ И ВОССТАНОВЛЕНИЯ СТУДЕНТОВ В ПГУТИ Положение Самара 2013 РД ПГУТИ 2.64.7 – 2013 ПОРЯДОК ПЕРЕВОДА, ОТЧИСЛЕНИЯ И ВОССТАНОВЛЕНИЯ СТУДЕНТОВ В ПГУТИ Положение Предисловие 1 РАЗРАБОТАН Отделом качества образования ПГУТИ...»

«УДК 37 ББК 74 М57 Автор: Витторио Мидоро (Институт образовательных технологий Национального исследовательского совета, Италия) Консультант: Нил Батчер (эксперт ЮНЕСКО, ЮАР) Научный редактор: Александр Хорошилов (ИИТО ЮНЕСКО) Руководство по адаптации Рамочных рекомендаций ЮНЕСКО по структуре ИКТ-компетентности М57 учителей (методологический подход к локализации UNESCO ICT-CFT). –М.: ИИЦ Статистика России– 2013. – 72 с. ISBN 978-5-4269-0043-1 Предлагаемое Руководство содержит описание...»







 
© 2014 www.kniga.seluk.ru - «Бесплатная электронная библиотека - Книги, пособия, учебники, издания, публикации»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.