Geographic information intelligent systems based on modern information technologies for digital terrain modelling

The article presents a comprehensive analysis of modern approaches to digital terrain modeling based on intel ligent geographic information systems and advanced information technologies. It highlights the evolution of terrain modeling methods — from traditional GIS technologies to the integration of...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2025
Автори:	Vdovychenko, V.V., Pleskach, V.L.
Формат:	Стаття
Мова:	Ukrainian
Опубліковано:	PROBLEMS IN PROGRAMMING 2025
Теми:	artificial intelligence computer vision digital terrain modelling deep learning geographic infor mation system digital elevation model GeoAI UDC 004.94
Онлайн доступ:	https://pp.isofts.kiev.ua/index.php/ojs1/article/view/860
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Problems in programming
Завантажити файл:

Репозитарії

Problems in programming

id	pp_isofts_kiev_ua-article-860
record_format	ojs
resource_txt_mv	ppisoftskievua/90/0051446a14c6fbdc6cdc842440a1c890.pdf
spelling	pp_isofts_kiev_ua-article-8602025-11-20T15:45:59Z Geographic information intelligent systems based on modern information technologies for digital terrain modelling Геоінформаційні інтелектуальні системи на базі сучасних інформаційних технологій для цифрового моделювання місцевості Vdovychenko, V.V. Pleskach, V.L. artificial intelligence; computer vision; digital terrain modelling; deep learning; geographic infor mation system; digital elevation model; digital elevation model; GeoAI UDC 004.94 штучний інтелект; компʼютерний зір; цифрове моделювання місцевості; глибинне на вчання; геоінформаційна інтелектуальна система; цифрова модель рельєфу; цифрова модель висот; GeoAI УДК 004.94 The article presents a comprehensive analysis of modern approaches to digital terrain modeling based on intel ligent geographic information systems and advanced information technologies. It highlights the evolution of terrain modeling methods — from traditional GIS technologies to the integration of artificial intelligence ap proaches (the GeoAI concept). The purpose of the study is to generalize the capabilities and advantages of ap plying artificial intelligence (machine learning, deep learning, and computer vision) to digital terrain modeling tasks and to identify prospects for the development of such intelligent systems. The study explores the application potential of supervised machine learning algorithms (decision trees, Random Forest, SVM) for landform classification and remote sensing data processing, as well as deep learning methods (CNN) for automatic pattern recognition and semantic terrain segmentation. Examples of intelligent GIS solu tions are provided in various applied fields: slope stability monitoring systems with landslide forecasting, flood risk assessment models, and military terrain planning systems with drone route optimization. The main results demonstrate that the implementation of AI technologies enables unprecedented detail and automation in terrain analysis. Modern geospatial intelligent systems are capable of integrating heterogeneous data sources (LiDAR scans, satellite imagery, drone data, ground sensors) and updating digital terrain models in real time, thereby supporting decision-making in land management and emergency response.The future development of GeoAI is defined by the continued integration of diverse data sources, the transition from static 3D models to dynamic 4D terrain representations, semantic enrichment of digital models (land scape ontologies, object detection), and their integration into the concept of territorial digital twins. It is con cluded that the synergy of traditional GIS tools with state-of-the-art artificial intelligence technologies is transforming the field of digital terrain modeling, opening new horizons for scientific research and practical applications.Problems in programming 2025; 3: 79-90 Статтю присвячено аналізу сучасних підходів до цифрового моделювання рельєфу на основі геоінфо рмаційних інтелектуальних систем і новітніх інформаційних технологій. Висвітлено еволюцію методів моделювання місцевості – від традиційних ГІС-технологій до інтеграції методів штучного інтелекту (GeoAI). Метою дослідження є узагальнення можливостей і переваг застосування штучного інтелекту (машинного та глибинного навчання, комп’ютерного зору) у задачах цифрового моделювання місце вості та визначення перспектив розвитку таких інтелектуальних систем. Розглянуто можливості застосування керованих алгоритмів машинного навчання (дерева рішень, Random Forest, SVM) для класифікації форм рельєфу та обробки даних дистанційного зондування, а також методів глибинного навчання для автоматичного розпізнавання шаблонів і семантичної сегме нтації рельєфу. Наведено приклади інтелектуальних ГІС-рішень у різних прикладних сферах: систем моніторингу стійкості схилів із прогнозуванням зсувів, моделей оцінки ризику повеней, військових систем планування місцевості з оптимізацією маршрутів дронів тощо. Основні результати демонстру ють, що впровадження AI-технологій забезпечує відповідну деталізацію та автоматизацію аналізу ре льєфу. Сучасні геоінформаційні інтелектуальні системи здатні поєднувати різнорідні дані (LiDAR-ска нування, супутникові знімки, дані дронів, наземні сенсори) й оперативно оновлювати цифрові моделі місцевості в режимі реального часу, підтримуючи ухвалення рішень у сфері управління територіями та надзвичайними ситуаціями. Перспективи розвитку GeoAI вбачаються уподальшому поєднанні різнорідних джерел даних, переході від статичних 3D-моделей до динамічних 4D-моделей рельєфу, семантичному збагаченні цифрових моделей (онтології ландшафту, виділення об’єктів) та інтеграції з концепцією цифрових двійників те риторій. Зроблено висновок, що поєднання традиційних ГІС-засобів із технологіями штучного інтеле кту трансформує галузь цифрового моделювання рельєфу, відкриваючи нові горизонти для наукових досліджень і практичного застосування.Problems in programming 2025; 3: 79-90 PROBLEMS IN PROGRAMMING ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ ПРОБЛЕМИ ПРОГРАМУВАННЯ 2025-11-14 Article Article application/pdf https://pp.isofts.kiev.ua/index.php/ojs1/article/view/860 10.15407/pp2025.03.079 PROBLEMS IN PROGRAMMING; No 3 (2025); 79-90 ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ; No 3 (2025); 79-90 ПРОБЛЕМИ ПРОГРАМУВАННЯ; No 3 (2025); 79-90 1727-4907 10.15407/pp2025.03 uk https://pp.isofts.kiev.ua/index.php/ojs1/article/view/860/911 Copyright (c) 2025 PROBLEMS IN PROGRAMMING
institution	Problems in programming
baseUrl_str	https://pp.isofts.kiev.ua/index.php/ojs1/oai
datestamp_date	2025-11-20T15:45:59Z
collection	OJS
language	Ukrainian
topic	artificial intelligence computer vision digital terrain modelling deep learning geographic infor mation system digital elevation model digital elevation model GeoAI UDC 004.94
spellingShingle	artificial intelligence computer vision digital terrain modelling deep learning geographic infor mation system digital elevation model digital elevation model GeoAI UDC 004.94 Vdovychenko, V.V. Pleskach, V.L. Geographic information intelligent systems based on modern information technologies for digital terrain modelling
topic_facet	artificial intelligence computer vision digital terrain modelling deep learning geographic infor mation system digital elevation model digital elevation model GeoAI UDC 004.94 штучний інтелект компʼютерний зір цифрове моделювання місцевості глибинне на вчання геоінформаційна інтелектуальна система цифрова модель рельєфу цифрова модель висот GeoAI УДК 004.94
format	Article
author	Vdovychenko, V.V. Pleskach, V.L.
author_facet	Vdovychenko, V.V. Pleskach, V.L.
author_sort	Vdovychenko, V.V.
title	Geographic information intelligent systems based on modern information technologies for digital terrain modelling
title_short	Geographic information intelligent systems based on modern information technologies for digital terrain modelling
title_full	Geographic information intelligent systems based on modern information technologies for digital terrain modelling
title_fullStr	Geographic information intelligent systems based on modern information technologies for digital terrain modelling
title_full_unstemmed	Geographic information intelligent systems based on modern information technologies for digital terrain modelling
title_sort	geographic information intelligent systems based on modern information technologies for digital terrain modelling
title_alt	Геоінформаційні інтелектуальні системи на базі сучасних інформаційних технологій для цифрового моделювання місцевості
description	The article presents a comprehensive analysis of modern approaches to digital terrain modeling based on intel ligent geographic information systems and advanced information technologies. It highlights the evolution of terrain modeling methods — from traditional GIS technologies to the integration of artificial intelligence ap proaches (the GeoAI concept). The purpose of the study is to generalize the capabilities and advantages of ap plying artificial intelligence (machine learning, deep learning, and computer vision) to digital terrain modeling tasks and to identify prospects for the development of such intelligent systems. The study explores the application potential of supervised machine learning algorithms (decision trees, Random Forest, SVM) for landform classification and remote sensing data processing, as well as deep learning methods (CNN) for automatic pattern recognition and semantic terrain segmentation. Examples of intelligent GIS solu tions are provided in various applied fields: slope stability monitoring systems with landslide forecasting, flood risk assessment models, and military terrain planning systems with drone route optimization. The main results demonstrate that the implementation of AI technologies enables unprecedented detail and automation in terrain analysis. Modern geospatial intelligent systems are capable of integrating heterogeneous data sources (LiDAR scans, satellite imagery, drone data, ground sensors) and updating digital terrain models in real time, thereby supporting decision-making in land management and emergency response.The future development of GeoAI is defined by the continued integration of diverse data sources, the transition from static 3D models to dynamic 4D terrain representations, semantic enrichment of digital models (land scape ontologies, object detection), and their integration into the concept of territorial digital twins. It is con cluded that the synergy of traditional GIS tools with state-of-the-art artificial intelligence technologies is transforming the field of digital terrain modeling, opening new horizons for scientific research and practical applications.Problems in programming 2025; 3: 79-90
publisher	PROBLEMS IN PROGRAMMING
publishDate	2025
url	https://pp.isofts.kiev.ua/index.php/ojs1/article/view/860
work_keys_str_mv	AT vdovychenkovv geographicinformationintelligentsystemsbasedonmoderninformationtechnologiesfordigitalterrainmodelling AT pleskachvl geographicinformationintelligentsystemsbasedonmoderninformationtechnologiesfordigitalterrainmodelling AT vdovychenkovv geoínformacíjnííntelektualʹnísisteminabazísučasnihínformacíjnihtehnologíjdlâcifrovogomodelûvannâmíscevostí AT pleskachvl geoínformacíjnííntelektualʹnísisteminabazísučasnihínformacíjnihtehnologíjdlâcifrovogomodelûvannâmíscevostí
first_indexed	2025-11-15T02:09:02Z
last_indexed	2025-11-21T02:20:05Z
_version_	1850423552440795136
fulltext	Прикладне програмне забезпечення та інформаційні системи 79 © В.В. Вдовиченко, В.Л. Плескач, 2025 ISSN 1727-4907. Проблеми програмування. 2025. №3 УДК 004.94 https://doi.org/10.15407/pp2025.03.079 В.В. Вдовиченко, В.Л. Плескач ГЕОІНФОРМАЦІЙНІ ІНТЕЛЕКТУАЛЬНІ СИСТЕМИ НА БАЗІ СУЧАСНИХ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ ДЛЯ ЦИФРОВОГО МОДЕЛЮВАННЯ МІСЦЕВОСТІ Статтю присвячено аналізу сучасних підходів до цифрового моделювання рельєфу на основі геоінфо- рмаційних інтелектуальних систем і новітніх інформаційних технологій. Висвітлено еволюцію методів моделювання місцевості – від традиційних ГІС-технологій до інтеграції методів штучного інтелекту (GeoAI). Метою дослідження є узагальнення можливостей і переваг застосування штучного інтелекту (машинного та глибинного навчання, комп’ютерного зору) у задачах цифрового моделювання місце- вості та визначення перспектив розвитку таких інтелектуальних систем. Розглянуто можливості застосування керованих алгоритмів машинного навчання (дерева рішень, Random Forest, SVM) для класифікації форм рельєфу та обробки даних дистанційного зондування, а також методів глибинного навчання для автоматичного розпізнавання шаблонів і семантичної сегме- нтації рельєфу. Наведено приклади інтелектуальних ГІС-рішень у різних прикладних сферах: систем моніторингу стійкості схилів із прогнозуванням зсувів, моделей оцінки ризику повеней, військових систем планування місцевості з оптимізацією маршрутів дронів тощо. Основні результати демонстру- ють, що впровадження AI-технологій забезпечує відповідну деталізацію та автоматизацію аналізу ре- льєфу. Сучасні геоінформаційні інтелектуальні системи здатні поєднувати різнорідні дані (LiDAR-ска- нування, супутникові знімки, дані дронів, наземні сенсори) й оперативно оновлювати цифрові моделі місцевості в режимі реального часу, підтримуючи ухвалення рішень у сфері управління територіями та надзвичайними ситуаціями. Перспективи розвитку GeoAI вбачаються у подальшому поєднанні різнорідних джерел даних, переході від статичних 3D-моделей до динамічних 4D-моделей рельєфу, семантичному збагаченні цифрових моделей (онтології ландшафту, виділення об’єктів) та інтеграції з концепцією цифрових двійників те- риторій. Зроблено висновок, що поєднання традиційних ГІС-засобів із технологіями штучного інтеле- кту трансформує галузь цифрового моделювання рельєфу, відкриваючи нові горизонти для наукових досліджень і практичного застосування. Ключові слова: штучний інтелект, компʼютерний зір, цифрове моделювання місцевості, глибинне на- вчання, геоінформаційна інтелектуальна система, цифрова модель рельєфу, цифрова модель висот, GeoAI. Vdovychenko V., Pleskach V. GEOGRAPHIC INFORMATION INTELLIGENT SYSTEMS BASED ON MODERN INFORMATION TECHNOLOGIES FOR DIGITAL TERRAIN MODELING The article presents a comprehensive analysis of modern approaches to digital terrain modeling based on intel- ligent geographic information systems and advanced information technologies. It highlights the evolution of terrain modeling methods — from traditional GIS technologies to the integration of artificial intelligence ap- proaches (the GeoAI concept). The purpose of the study is to generalize the capabilities and advantages of ap- plying artificial intelligence (machine learning, deep learning, and computer vision) to digital terrain modeling tasks and to identify prospects for the development of such intelligent systems. The study explores the application potential of supervised machine learning algorithms (decision trees, Random Forest, SVM) for landform classification and remote sensing data processing, as well as deep learning methods (CNN) for automatic pattern recognition and semantic terrain segmentation. Examples of intelligent GIS solu- tions are provided in various applied fields: slope stability monitoring systems with landslide forecasting, flood risk assessment models, and military terrain planning systems with drone route optimization. The main results demonstrate that the implementation of AI technologies enables unprecedented detail and automation in terrain analysis. Modern geospatial intelligent systems are capable of integrating heterogeneous data sources (LiDAR scans, satellite imagery, drone data, ground sensors) and updating digital terrain models in real time, thereby supporting decision-making in land management and emergency response. Прикладне програмне забезпечення та інформаційні системи 80 The future development of GeoAI is defined by the continued integration of diverse data sources, the transition from static 3D models to dynamic 4D terrain representations, semantic enrichment of digital models (land- scape ontologies, object detection), and their integration into the concept of territorial digital twins. It is con- cluded that the synergy of traditional GIS tools with state-of-the-art artificial intelligence technologies is transforming the field of digital terrain modeling, opening new horizons for scientific research and practical applications. Keywords: artificial intelligence, computer vision, digital terrain modelling, deep learning, geographic infor- mation system, digital elevation model, digital elevation model, GeoAI. Вступ Цифрове моделювання місцевості передбачає створення та аналіз цифрових представлень топографії Землі, себто, пове- рхні, очищеної від обʼєктів, для географіч- ного аналізу та візуалізації. Цифрова мо- дель рельєфу (ЦМР, Digital Elevation Model, DEM) зазвичай є тривимірним зображен- ням земної поверхні без рослинності, буді- вель та інших обʼєктів [1]. Вона відрізня- ється від цифрової моделі поверхні (ЦМП), яка охоплює будівлі та рослинність, а також від загального терміну «цифрова модель висот» (ЦМВ), що може стосуватись обох типів. Усі ці моделі дозволяють з високою точністю відображати елементи рельєфу, такі як схили, контури та долини [2]. Вони є основою для таких застосувань, як карто- графування ризиків повеней, проєктування інфраструктури, ландшафтна екологія та військове планування. Водночас широкого поширення набув підхід GeoAI. Геоінформаційні інте- лектуальні системи (ГІІС) дедалі частіше інтегрують машинне навчання (МН, Ma- chine Learning, ML) і штучний інтелект (ШІ) для автоматизації складних завдань, які раніше потребували участі експертів. Наприклад, алгоритми розпізнавання шаб- лонів можуть ідентифікувати геоморфо- логічні структури (хребти, долини, кар- стові форми) на основі ЦМВ, а прогно- стичні моделі — встановлювати зв’язок між хара-ктеристиками рельєфу та яви- щами на кшталт зсувів або властивостей ґрунтів. Інтеграція ШІ є визначальною для осмислення великого обсягу даних рель- єфу. GeoAI «підсилює традиційний гео- аналіз та картографування, змінюючи спо- соби розуміння та управління складними системами людина-природа» [3]. У кон- тексті моделювання рельєфу ГІІС базу- ються на здобутках ГІС-науки, поєднуючи їх із сучасними методами здобуття знань, системами управління знаннями і МН. Вивчення ГІІС на базі сучасних ІТ для цифрового моделювання місцевості є важ- ливим кроком до створення нової пара- дигми просторового аналізу — динаміч- ного, автоматизованого та здатного до прогнозування. Фундаментальні дослідження Цифровий аналіз і моделювання ре- льєфу вже десятиліттями є активною сфе- рою досліджень, що базується на дисциплі- нах геоморфології, геодезії та комп’ютер- них науках [4]. Класичні праці заклали ос- нову представлення й аналізу рельєфу в геоінформаційних системах (ГІС). Зокрема, у праці Digital Terrain Modeling: Principles and Methodology опубліковано вагомі вис- новки, що систематизували основні прин- ципи побудови та аналізу ЦМР [4], [5]. Ва- гомим внесоком у розуміння поверхневих процесів стало засто-сування ЦМР в гідро- логії, геоморфології та біології [6]. Дослідження з геоморфометрії (кіль- кісного аналізу рельєфу) [7], зокрема, огляд методів поверхневого аналізу, зробили ва- жливий внесок у розвиток галузі. Закладено основи обчислення параметрів рельєфу — таких як схил, кривизна, водозбірні площі — на основі ЦМВ, які досі є ядром цифро- вого аналізу місцевості. Із часом розвиток високоточних просторових даних та обчислювальних технологій суттєво змінив підходи до мо- делювання рельєфу. Досягнення в дистан- ційному зондуванні (LiDAR, радар, супут- никові знімки високої роздільності) та національні програми збору висотних да- них привели до появи великих обсягів ба- гатоджерельної інформації про рельєф. Прикладне програмне забезпечення та інформаційні системи 81 Відкриті ініціативи урядів і наукових уста- нов забезпечили широкодоступність гло- бальних ЦМВ високої роздільності. Зараз дослідники мають безпрецедентний до- ступ до детальних топографічних даних на локальному та глобальному рівнях. Проте цей обсяг інформації створює не лише нові можливості, а й виклики щодо отримання осмислених результатів [4]. Традиційні ГІС (наприклад, ArcGIS від Esri, або open- source GRASS GIS і QGIS) охоплюють по- тужні інструменти для моделювання рель- єфу, однак масштаб і різнорідність су- часних даних часто вимагають інтелекту- альніших підходів. Штучний інтелект і машинне навчання в цифровому моделюванні рельєфу Сучасні методи ШІ значно розши- рили інструментарій аналізу в цифровому моделюванні рельєфу. ML та глибинне нав- чання (ГН, Deep Learning, DL) дозволяють автоматизувати виділення ознак і здійс- нювати прогнозне моделювання, допов- нюючи класичні фізико-математичні ГІС- підходи. Методи машинного навчання Керовані алгоритми МН, такі як де- рева рішень, Random Forest, метод опор- них векторів (SVM) та ансамблеві методи, успішно застосовують до геопросторових даних рельєфу. Ці підходи дозволяють ви- являти взаємозв’язки між рельєфними ха- рактеристиками (нахил, кривизна, тип ґрунту тощо) та цільовими явищами, часто природного чи геоморфологічного харак- теру. Одним з прикладів корисного вияв- лення таких взаємозв’язків між рельєф- ними характеристиками є система моніто- рингу стійкості схилів. Вона використовує Python-платформу Pastas для прогнозу во- довмісту та тиску порогу, а також моделі Random Forest, що була навчена на щоден- них гідрометеорологічних даних, і поліно- міальну регресію для оцінки коефіцієнта безпеки (FoS). Результати щодня автома- тично обробляють, візуалізують в реаль- ному часі та надсилаються на платформу NGI Live [8]. Результати моделі оцінено шляхом порівняння прогнозованих значень коефіцієнта стійкості схилу (FoS), отрима- них за допомогою підходу на основі даних, із розрахованими значеннями FoS у GeoStudio для тестової та валідаційної вибірок з використанням коефіцієнта де- термінації (R²) та середньоквадратичної по- милки (RMSE). Нижче наведена формула для ро- зрахунку коефіцієнта детермінації та се- редньоквадратичної помилки. 𝑅𝑅2 = 1 − ∑(𝑦𝑦𝑖𝑖−𝜐𝜐𝑖𝑖)2 ∑(𝑦𝑦𝑖𝑖−𝜑𝜑)2 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 = √∑(𝑦𝑦𝑖𝑖−𝜐𝜐𝑖𝑖)2 𝑛𝑛 , де 𝑦𝑦𝑖𝑖 — спостережуване значення, 𝜐𝜐𝑖𝑖 — прогнозоване значення, а 𝜑𝜑 — середнє зна- чення серед n спостережуваних значень. У табл. 1 подано оцінювання ефективності прогнозів FoS на основі моделей МН. Жир- ним виділено найкращий результат для кожної моделі. Таблиця 1. Оцінювання ефективності прогнозів FoS на основі моделей МН. Data- driven model Dataset Test Validation 𝑅𝑅2 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 𝑅𝑅2 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 PR Group 1 0.973 0.018 0.770 0.018 Group 2 0.925 0.031 -3.280 0.116 Group 3 0.966 0.018 0.910 0.020 RF Group 1 0.975 0.016 0.828 0.015 Group 2 0.999 0.004 0.135 0.052 Group 3 0.978 0.014 0.782 0.032 У разі перевищення критичних по- рогів (рис. 1) система інформує адміністра- торів. Рішення стало результатом успішної інтеграції інженерних, природничих і комп'ютерних наук. Прикладне програмне забезпечення та інформаційні системи 82 Рис. 1. Приклади вихідних прогнозованих значень: А) FoS, прогнозованого за допомо- гою поліноміальної регресії (PR), B) FoS, прогнозованого за допомогою Random For- est (RF). Джерело: [8]. ML також широко застосовується для класифікації рельєфу або типів земної поверхні на основі даних дистанційного зондування. Об’єктно-орієнтований аналіз зображень у ГІС часто використовує ML для розпізнавання особливостей місце- вості. Метод опорних векторів і випадкові ліси застосовують для класифікації хмар точок LiDAR на точки ґрунту й неґрунту або для поєднання LiDAR з мультиспектра- льними знімками з метою створення карт земної поверхні [9]. Такі класифікації є кри- тичними для створення ЦМР (вилучення «оголеної» поверхні шляхом видалення де- рев і будівель) та для генерації тематичних карт — геоморфологічних, ґрунтових тощо. Ще одним напрямом є регресійні й прогностичні задачі на основі рельєфних да- них. Наприклад, моделі можуть оцінювати безперервні величини, як-от вологість ґрунту, біомасу чи мікроклімат, з огляду на рельєфні характеристики (висота, нахил, експозиція). У точному землеробстві поєд- нання рельєфних даних із сенсорними вимірами дозволяє моделювати врожайність або оптимізувати зрошення. Здатність ML моделювати нелінійні залежності робить його надзвичайно ефективним для подібних задач, пов’язаних із довкіллям. Інші підходи, засновані на знаннях, зокрема, нечітка логіка чи експертні си- стеми, також використовувались у мину- лому для аналізу рельєфу. Наприклад, нечіткі логічні системи дозволяли комбінувати кілька тематичних шарів (нахил, геологія, земне покриття) у єдиний індекс зсувонебезпеки, відображаючи експертні уявлення про вплив кожного чинника. Попри те, що нині ці методи менш поширені порівняно зі статистичним ML чи DL, саме вони стали одними з пер- ших прикладів застосування ШІ в ГІС і проклали шлях до сучасних підходів, зас- нованих на даних. Глибинне навчання та комп’ютерний зір Поява DL, особливо згорткових нейронних мереж (convolutional neural net- work, CNN), відкрила нові горизонти в циф- ровому моделюванні рельєфу. CNN справ- ляються з розпізнаванням шаблонів у ґрідо- ваних (растрових) даних, що робить їх особливо ефективними для аналізу ЦМВ або зображень. Одним із ключових застосу- вань є семантична сегментація рельєфу, коли кожен піксель або клітинка матриці класифікується за типом форми рельєфу або земної поверхні. У 2023 році було продемонстровано ефективність підходу, застосувавши гли- боку згорткову мережу (Fully Convolutional Network) з архітектурою ResNet для кла- сифікації форм рельєфу на основі ЦМВ з роздільністю 30 м [10]. Модель виконувала піксельну сегментацію висотних даних на геоморфологічні класи (наприклад, гори, пагорби, рівнини). Модель навчалась безпосередньо на «сирих» ЦМВ — додавання похідних шарів, як-от нахил чи кривизна, суттєво не покращувало точність. Метриками оцінки, використаними в цьому експерименті, були Pixel Accuracy (PA) та Mean Intersection over Union (MIoU). Для класифікації форм рельєфу за допомогою моделі FCN-ResNet було обрано п’ять факторів рельєфу, а саме: DEM, нахил (slope), RDLS, hill-shade (тіньо- вий рельєф) та кривизна поверхні (surface curvature) [10]. Нижче наведено формулу для розрахунку згаданих метрик. 𝑃𝑃𝑃𝑃 = ∑ 𝑝𝑝𝑖𝑖𝑖𝑖𝑘𝑘 𝑖𝑖=0 ∑ ∑ 𝑝𝑝𝑖𝑖𝑖𝑖𝑘𝑘 𝑖𝑖=0 𝑘𝑘 𝑖𝑖=0 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 = 1 𝑘𝑘+1∑ 𝑝𝑝𝑖𝑖𝑖𝑖 ∑ 𝑝𝑝𝑖𝑖𝑖𝑖+∑ 𝑝𝑝𝑖𝑖𝑖𝑖−𝑝𝑝𝑖𝑖𝑖𝑖𝑘𝑘 𝑖𝑖=0 𝑘𝑘 𝑖𝑖=0 𝑘𝑘 𝑖𝑖=0 , де припускаючи наявність k класів, визначаємо: Прикладне програмне забезпечення та інформаційні системи 83 • 𝑝𝑝𝑖𝑖𝑖𝑖 — істинно позитивні значення (True Positives, TP), • 𝑝𝑝𝑖𝑖𝑗𝑗— хибно позитивні значення (False Positives, FP), • 𝑝𝑝𝑗𝑗𝑖𝑖— хибно негативні значення (False Negatives, FN). Порівняльну характеристику метрик різних факторів рельєфу подано у табл.2. Таблиця 2. Порівняльна характеристика метрик різних факторів рельєфу Фактор рельєфу Похибка PA MIoU DEM / ЦМР 0.0482 79.80 68.49 Slope / нахил 0.0374 79.23 67.53 Hillshade / тіньовий рельєф 0.0337 79.52 68.00 RDLS 0.0388 79.96 68.64 Curvature 0.0756 75.83 63.69 DEM + Slope + Hillshade 0.0244 80.91 69.76 DEM + Hillshade + Curvature 0.0281 80.52 69.24 DEM + RDLS + Hillshade 0.0257 81.18 70.14 PA та MIoU є поширеними метри- ками для семантичної сегментації, і їхнє об- числення базовано на матрицях плутанини (confusion matrices), що свідчить про здат- ність CNN автоматично виявляти багатома- сштабні рельєфні особливості, які раніше здобувалися через спеціально розроблені індекси. Таким чином, DL демонструє ве- ликий потенціал для автоматизованої кла- сифікації форм рельєфу та є потужним ін- струментом геоморфології. DL також сприяє розвитку вияв- лення та виділення об’єктів рельєфу. CNN- моделі для розпізнавання об’єктів можна навчити ідентифікувати конкретні геомор- фологічні структури на ЦМВ або супутни- кових зображеннях. Наприклад, є моделі, які виявляють зсуви на картах схилів або ідентифікують руслові мережі на ЦМР за допомогою глибоких нейронних мереж. Особливо показовим є підхід об’єднання різних джерел даних у ГН. У 2021 році було розроблено GeoAI- конвеєр, який поєднував супутникові знімки з ЦМР у єдиній моделі для розпізна- вання природних об’єктів [11]. Було засто- совано, як злиття на рівні даних (стеку- вання каналів зображення та ЦМР), так і злиття ознак всередині CNN, щоб навчити модель одночасно зображувальній і ви- сотній інформації, що покращило якість ви- явлення об’єктів (наприклад, річок або хребтів), на відміну від використання лише одного джерела. Ще один напрям — підвищення якості ЦМР за допомогою DL. Для побу- дови точних моделей рельєфу необхідно фільтрувати неґрунтові об’єкти (дерева, будівлі) з хмар точок, зокрема, LiDAR. Тра- диційні фільтри (морфологічні операції, по- рогові значення схилу) часто не справля- ються у складних умовах. DL-мережі мо- жуть навчатися на прикладах розрізняти ґрунтові та неґрунтові точки. У 2024 році було запропоновано глибоку енкодер-деко- дерну мережу для виявлення та усунення об’єктів, розта-шованих над землею, у хма- рах точок LiDAR [12]. Модель захоплює багатомасштабні ознаки та поєднує локаль- ний і глобальний контекст для кращої іден- тифікації. Результати показали, що підхід перевершує класичні методи фільтрації за точністю та надійністю. Аналогічно моделі суперрезолюції на основі DL використовуються для підви- щення просторової роздільності ЦМР — наприклад, перетворення даних з розділь- ністю 30м на 5м, навчаючись від деталь- ніших зразків [13], [14]. Результати пока- зали, що ця трансформерна мережа забезпе- чує найкращі показники за всіма метри- ками, зокрема середньоквадратичною по- хибкою (RMSE) для висоти, нахилу, експо- зиції та кривизни, доводячи, що мережі на базі Transformer мають перевагу над CNN та GAN у навчанні рельєфних ознак цифро- вих моделей висот. До цифрового моделювання рельєфу долучають й інші методи комп’ютерного зору, не пов’язані безпосередньо з CNN. Прикладне програмне забезпечення та інформаційні системи 84 Наприклад, фотограмметричні алгоритми типу Structure-from-Motion (SfM), хоча й не належать до ML, використовують комп’ю- терний зір для побудови 3D-хмар точок та ЦМР із знімків, отриманих з БПЛА або лі- таків. Багато сучасних фотограмметричних конвеєрів вже інтегрують ШІ на етапі поєд- нання зображень або фільтрації точок. На- приклад, відповідність ключових точок у SfM можна покращити за допомогою де- скрипторів, створених нейронними мере- жами, що підвищує надійність роботи в складних ландшафтах. Також досліджуються генеративні змагальні мережі (GAN), які можуть ство- рювати реалістичні поверхні рельєфу або заповнювати пропуски в ЦМР — хоча цей напрям поки залишається нішевим. У цілому, ГН та комп’ютерний зір дозволили перейти від ручного, експерт- ного картографування до автоматизованого аналізу рельєфу — виявлення шаблонів, аномалій та змін у топографії з мінімаль- ним втручанням людини. Сучасні тенденції та виклики Інтеграція та консолідація даних та інтеграція з багатьох джерел Однією з провідних тенденцій є ін- теграція різнорідних геопросторових даних для створення інформативніших моделей рельєфу. Жоден сенсор не дає повної кар- тини, приміром LiDAR дозволяє точно фіксувати мікрорельєф під кронами дерев, оптичні зображення — забезпечують спек- тральний контекст, радар — «бачить» крізь хмари, а наземні сенсори додають точкові вимірювання. Сучасні ГІІС поєднують ці джерела, щоб максимально використати їхні переваги. Як зазначено вище, у фреймворку GeoAI було поєднано знімки високої роздільності з ЦМР у моделі ГН що дало змогу навчатись на обох типах даних одно- часно [11]. Така мультиджерельна інтегра- ція суттєво покращує виявлення та кла- сифікацію обʼєктів рельєфу. Подібні під- ходи застосовують у створенні цифрових мозаїк висот, які поєднують LiDAR, ЦМР з фотограмметрії та глобальні моделі для узгодженості й заповнення прогалин. Проте реалізація безшовного об'єд- нання супроводжується низкою викликів: дані мають різну роздільність, системи ко- ординат і рівень шумів. ГІІС мають вирішу- вати задачі спільної геопривʼязки, узгод- ження роздільностей і зважування даних. Перспективним напрямом є адаптивне об'єднання за допомогою ML або транс- ферне навчання, коли знання з регіонів із насиченими даними (наприклад, з LiDAR- зондуванням) застосовуються до малодо- Рис. 2. Оцінка продуктивності на прикладі ЦМВ Гімалаїв з роздільністю 512 × 512, що згенеровані різними методами, та відмінності їх висот. Джерело: [13]. Прикладне програмне забезпечення та інформаційні системи 85 сліджених територій (наприклад, лише з супутниковими ЦМР) [18], [19]. Об'єдна- ння також розширюється на атрибутивні дані, наприклад, поєднання рельєфу з ґрун- товими картами чи земним покривом для створення комплексних ландшафтних мо- делей. Водночас важливо уникати поши- рення похибок одного джерела на всю мо- дель, що робить цю сферу постійним пред- метом досліджень. Обробка в реальному часі та великі дані З удосконаленням технологій зонду- вання й комунікаційних мереж зростає по- пит на моделі рельєфу, які оновлюються в реальному або майже реальному часі. БПЛА здатні за лічені хвилини отримати зображення чи LiDAR-дані місцевості, а мережі сенсорів IoT безперервно переда- ють екологічні параметри, що відкриває можливості для створення динамічних мо- делей рельєфу, які автоматично оновлю- ються за надходженням нових даних, наприклад, оновлення карти затоплення на основі зростання рівня води, зафіксованого дощомірами. Одна з тенденцій — це розроблення ГІІС, здатних обробляти геопросторові ве- ликі дані «на льоту». Хмарні обчислення й розподілені ГІС-архітектури (наприклад, сервіси зображень або мапи на тайлах) є ос- новними рушіями, що дозволяють масшта- бувати задачі аналізу. Наприклад, Esri World Elevation Services надає онлайн-до- ступ до глобальних ЦМР і підтримує ди- намічні функції, приміром, побудова профілів висоти чи тіньового рельєфу [20]. Шари висот, доступні в ArcGIS Online від Esri, зображено на рис. 3. Також використовується потокова розподілена обробка, де моделюється стійкість схилів з інтеграцією даних від сенсорів (опади, вологість ґрунту тощо) з прогнозуванням на три доби вперед [15]. Автоматизовані пайплайни збирають дані, оновлюють геотехнічну модель і генерують прогноз стійкості схилів, що дозволяє своєчасно реагувати на потенційні обвали. Водночас реальна обробка даних ГІІС має низку технічних викликів. Дані рельєфу часто дуже обсяжні (хмари точок LiDAR можуть містити мільярди точок), тому алгоритми потребують оптимізації че- рез GPU-прискорення або багаторівневі структури даних. Іноді використовуються спрощені або сурогатні моделі для швид- ких оцінок. Інша проблема — затримки да- них і їхня синхронізація: потоки сенсорів можуть мати різні частоти та часові мітки, які потрібно узгоджувати. Незважаючи на складнощі, попит на геопросторову інтелектуальну обробку в реальному часі зростає, особливо для реагу- вання на надзвичайні ситуації, де актуальна інформація про рельєф має вирішальне значення. Рис. 3. Шари висот, доступні в ArcGIS Online від Esri. Джерело: [20] Прикладне програмне забезпечення та інформаційні системи 86 Семантична сегментація та виділення об’єктів У міру розвитку методів ШІ спо- стерігається чітка тенденція до уточнення трактування поняття рельєф через семан- тичну сегментацію та автоматичне виділен- ня об’єктів. Замість того, щоб стврювати модель «оголеної» поверхні, фахівці прагнуть автоматично інтер-претувати зна- чення форм рельєфу. Йдеться про виокрем- лення одиниць ландшафту (рівнини, до- лини, хребти), виявлення гідрологічних об’єктів (русло, басейн), а також іденти- фікацію антропогенних структур (дамби, насипи доріг тощо). Базовим методом, що дозволяє ре- алізувати цей підхід, є семантична сегмента- ція ЦМР або ортофотознімків на основі ГН [10]. Кожна клітинка (піксель) у таких моде- лях маркується певним класом (наприклад, вода, ліс, забудова, тип ґрунту), що перетво- рює «сирі» дані на інформаційно насичені карти. Наприклад, сегментація дозволяє ро- зрізнити вкриту рослинністю місцевість і відкритий ґрунт, що є важливим, як для еко- логії, так і для точного формування ЦМР. Також такі моделі можуть виявляти пласкі заплавні ділянки, на відміну від крутих схилів, що використовується у моделях за- топлення або ерозії. Приклад сегментації ре- льєфу зображено на рис. 4. Рис. 4. Приклад сегментації рельєфу. Джерело: [10] Однією з головних проблем цього підходу є необхідність у якісних навчаль- них даних, тобто створення валідних дата- сетів із підписаними класами рельєфу або поверхні, що є трудомістким і часто вима- гає участі експертів (наприклад, щоб чітко визначити межу долини). Останні розробки спрямовані на застосування некерованого навчання або самонавчання на великих не- анотованих ЦМР, щоб моделі могли спершу навчатися загального представ- лення рельєфу, а потім «підлаштовуватись» під конкретні задачі. Інший важливий аспект семантич- ного аналізу — це виділення окремих об’єктів або структур із даних рельєфу. Приклади охоплюють автоматичне карто- графування зсувів на основі ЦМР, пошук карстових западин або воронок, а також ви- явлення штучних елементів, таких як насипи доріг або виїмки. Традиційні ГІС- підходи часто передбачали ручну вектори- зацію або застосування загальних фільтрів (наприклад, порогових значень кривизни для пошуку вглиблень). Сучасні ГІІС вико- ристовують алгоритми виявлення об’єктів (наприклад, регіональні CNN), щоб автома- тично знаходити ці особливості. Основним викликом у цьому кон- тексті є стійкість моделей до змін умов — природний рельєф дуже варіативний, і зсуви, зокрема, можуть мати різний вигляд залежно від геології чи рослинного по- криву. Отже, моделі, натреновані на од- ному регіоні, можуть не узагальнюватись на інші без залучення великої кількості різноманітних тренувальних даних або адаптації до нових доменів. Незважаючи на це, тренд є очевидним: автоматизація виділення об’єктів рельєфу поступово замінює питання «яка тут висота» на пи- тання «що це за форма рельєфу», відкрива- ючи шлях до глибшого розуміння простору в автоматизованому режимі. Інтеграція з IoT та БПЛА БПЛА та сенсори Інтернету речей (IoT) докорінно змінюють підходи до збору та використання даних рельєфу. Особливо потужним інструментом для локального моделювання місцевості стала технологія дронів. БПЛА, оснащені камерами або Li- Прикладне програмне забезпечення та інформаційні системи DAR, можуть оперативно обстежувати те- риторії й створювати високоточні ЦМР з роздільністю до сантиметрів чи дециметрів. Все більше інженерів і науковців викори- стовують дрони для знімання топографіч- них даних і оперативного оновлення моде- лей рельєфу [16]. Концептуальне представ- лення застосування дронів та ГІС в управ- лінні розумними містами подано на рис.5. Водночас виникають виклики: необ- хідність обробки великих обсягів зобра- жень, забезпечення точності через наземні контрольні точки, а також проблема оклюзії (дрон не «бачить» під густим лісом, тому іноді потрібні LiDAR-дрони або наземне доповнення). Інтеграція IoT-сенсорів є джерелом істинності даних для ГІІС моделювання рельєфу. Сенсори IoT — це такі як прий- мачі GNSS, тискоміри, екологічні сенсори, що забезпечують постійні точкові вимірювання, пов’язані з рельєфом. Напри- клад, мережа GPS-сенсорів на зсувонебез- печному схилі може фіксувати мікрорухи ґрунту. Датчики рівня води вздовж річки здатні передавати дані до моделі затоп- лення на основі ЦМР. Таким чином, ЦМР стає частиною динамічної системи моніто- рингу даних. Прикладом є цифровий двій- ник стійкості схилів, у якому гідрологічні IoT-сенсори передають дані до моделі, яка з урахуванням геометрії рельєфу прогнозує зсуви. У цій системі вебсервіс щоденно ав- томатично отримує сенсорні дані та запус- кає модель стійкості, демонструючи тісну інтеграцію IoT та аналізу рельєфу [15]. Основні виклики інтеграції IoT і БПЛА — це різнорідність даних і склад- ність побудови узгоджених систем. IoT- сенсори генерують часові ряди (наприклад, рівень води в часі), а ЦМР — просторові дані. Для поєднання необхідні просторово- часові моделі — наприклад, прив’язка кіль- кості опадів до ЦМР для обчислення шляхів стікання. Необхідно забезпечити ін- тер-операбельність, зокрема, узгодження часових міток, координат сенсорів тощо. Також важливим є контроль якості: сенсори можуть виходити з ладу, потребувати філь- трації або калібрування перед використан- ням у моде-люванні. Попри складнощі, інтеграція даних із сенсорів з ЦМР відкриває шлях до ство- рення адаптивних ГІІС, зокрема, систем раннього попередження про природні ката- строфи чи інфраструктури «розумного міста», що реагує на зміну довкілля в реаль- ному часі. Інші виклики Окрім описаних вище тенденцій, сфера інтелектуального моделювання рель- єфу стикається з низкою загальних про- блем, які залишаються актуальними. Од- нією з них є якість даних і невизначеність. Вища роздільна здатність не гарантує вищої точності. Набори рельєфних даних можуть містити похибки — шумові відгуки LiDAR, артефакти інтерполяції, порожні області в ЦМР. ГІІС мають вміти врахо- вувати ці похибки. Частина досліджень спрямована на кількісну оцінку та поши- Рис. 5. Концептуальне представлення застосування дронів та ГІІС в управлінні розумними містами. Джерело: [16] 87 Прикладне програмне забезпечення та інформаційні системи 88 рення невизначеності в аналізі рельєфу, зо- крема, використання ансамблів варіантів ЦМР у гідромоделюванні для оцінки варіа- тивності результатів. Самі ж моделі ШІ та- кож мають внутрішню невизначеність, тому зростає інтерес до пояснюваного ШІ (explainable AI) та оцінки довіри до резуль- татів GeoAI — наприклад, наскільки можна покладатися на автоматично виявлений елемент рельєфу. Ще один значний виклик — це мас- штабованість та зберігання. Високоточні ЦМР для великих територій породжують колосальні обсяги даних (терабайти). Для їх збереження й оброблення використовують просторові бази даних та хмарні сховища, але обмеження за вартістю та продук- тивністю залишаються. Визначальними стають методи стиснення даних, рівневої деталізації (Level of Detail, LOD), напри- клад, потокове відображення багаторівне- вих сіток для візуалізації та ефективної ін- дексації (квадродерева чи октодерева для рельєфу). Просторові БД (наприклад, Post- GIS, Oracle Spatial) забезпечують просто- рову індексацію (R-дерева) для швидкого пошуку рельєфом, а також зберігають раст- рові ЦМР у тайловому вигляді для оброб- лення великих територій. Однак інтеграція таких баз даних із AI-пайплайнами перебуває нині в процесі розвитку, тобто, часто дані необхідно експортувати й обробляти в середовищах на кшталт Python, що додає затримки й но- вих обчислювальних витрат. Перспектив- ною вважається тісніша інтеграція, як-от, вбудоване навчання моделей безпосе- редньо всередині БД, що може зменшити накладні витрати. Також важливим є питання суміс- ності даних і застосування міжнародних стандартів. Геоінформаційна спільнота ши- роко використовує стандарти (OGC, ISO) для форматів даних і вебсервісів. Для того щоб ГІІС моделювання рельєфу стали ча- стиною наявної інфраструктури ГІС, важ- ливо забезпечити їхню інтероперабель- ність, зокрема, підтримку стандартних фор- матів ЦМР, вебкартографічних сервісів тощо. Ініціативи на кшталт Sensor Web En- ablement (для IoT-сенсорів) та стандарти 3D-рельєфу від OGC спрямовано саме на забезпечення цієї сумісності. Попри ці виклики, вектор розвитку галузі чітко спря- мовано у бік інтегрованих, автоматизова- них та ГІІС моделювання місцевості. Поєд- нання гетерогенних джерел даних, потуж- них алгоритмів ШІ та зв’язку в реальному часі відкриває нові можливості, які раніше здавались неможливими. Висновки та перспективи Цифрове моделювання рельєфу ево- люціонувало від вузькоспеціалізованої за- дачі в межах ГІС до динамічної міждисци- плінарної галузі на перетині геонаук, ШІ та ІТ-інфраструктури. Нині ГІІС здатні буду- вати й аналізувати моделі рельєфу з небаче- ною деталізацією й автоматизацією. Су- часні методи МН та ГН застосовують до ре- льєфних даних, забезпечуючи, автомати- чну класифікацію форм рельєфу, інтегра- цію даних із різних сенсорів, прогнозу- вання ризиків у реальному часі тощо. Актуальні тренди вказують на інтег- рацію даних, тобто поєднання різнорідних джерел (супутникові, аерофото, наземні се- нсори); комбінування фізичних та data- driven моделей; інтеграцію аналізу рельєфу до систем підтримки ухвалення рішень (на- приклад, платформи управління містом або реагування на надзвичайні ситуації). Перспективні напрями розвитку ГІІС. Вища роздільна здатність і великі геодані З розвитком сенсорних технологій (щільніші LiDAR-сканування, супутникові системи, постійний моніторинг із дронів) рельєфні дані ставатимуть обсяжнішими та точнішими. Для оброблення таких обсягів потрібні нові рішення у сфері керування да- ними, зокрема, використання ШІ всередині БД чи обчислення на периферії (edge com- puting). Моделювання рельєфу в реальному часі у 4D Потенційно, моделювання можна здійснювати на різних типах даних: від ста- тичних моделей до динамічних 4D-моде- лей, що враховують зміну рельєфу в часі. Наприклад, модель русла річки, яка онов- люється в реальному часі залежно від пе- Прикладне програмне забезпечення та інформаційні системи 89 реміщення наносів. ШІ-моделі, здатні про- гнозувати зміни рельєфу (наприклад, при- бережну ерозію в умовах змін клімату), ста- нуть особливо цінними. Поглиблене семантичне розуміння рельєфу Є потенціал для перетворення моде- лей рельєфу з геометричних у семантичні (цифрове знання про ландшафт), що може охоплювати онтології форм рельєфу та за- стосування ШІ, який пов’язує рельєф з еко- логічними або антропогенними процесами. Інтеграція з ініціативами цифрових двійників Багато урядів і компаній створюють циф- рові двійники фізичних середовищ. Рельєф є базовим шаром такого двійника, а ГІІС можуть стати «двигунами» цього шару, си- нхронізуючи його з реальністю через сен- сори та дозволяючи моделювати сценарії для планування й управління. ГІІС для ци- фрового моделювання рельєфу стають не- замінними інструментами для вирішення реальних задач — від підвищення стійкості міст до надзвичайних ситуацій, до військо- вих операцій і збереження природного се- редовища. Спираючись на теоретичну ос- нову ГІС і використовуючи AI-технології, ці системи перетворюють сирі висотні дані на прикладну інформацію. Подальші нау- кові дослідження та розробки, особливо співпраця між геоінформатиками та фахівцями з ШІ/Data Science, ще більше розширять можливості моделювати й ро- зуміти земну поверхню. Отже, цифрове моделювання рель- єфу нині перебуває на перетині геонаук, ін- формаційно-комунікаційних технологій і ШІ, формуючи міждисциплінарну пара- дигму просторового аналізу. ГІІС здатні не лише точно моделювати місцевість, а й ав- томатично класифікувати її елементи, інте- грувати багатоджерельні дані, здійснювати прогнозування ризиків і ухвалення рішень у режимі реального часу. Зазначимо, що ак- туальні напрями розвитку вказаних до- сліджень охоплюють, зокрема, збільшення точності й обсягів геоданих; перехід до ди- намічних 4D-моделей; семантичне тлума- чення рельєфу; впровадження цифрових двійників територій тощо. Використання AI у ГІС сприяє трансформації рутинного аналізу в автоматизовані, інтероперабельні системи підтримки рішень, що мають при- кладне значення у містобудуванні, екології, обороні, управлінні надзвичайними ситу- аціями. Подальший розвиток ГІІС залежи- тиме від синергії між геоінформатиками, фахівцями з даних і розробниками ШІ. References 1. NASA Earthdata. (n.d.). Digital Elevation / Terrain Model (DEM). Retrieved from https://www.earthdata.nasa.gov/topics/land- surface/digital-elevation-terrain-model-dem 2. Satpalda. (2024). The Role of Digital Terrain Models in Modern Geospatial Analysis. Re- trieved from https://satpalda.com/the-role-of- digital-terrain-models-in-modern-geospatial- analysis/ 3. Yongze Song, Margaret Kalacska, Mateo Gašparović, Jing Yao, Nasser Najibi, Ad- vances in geocomputation and geospatial arti- ficial intelligence (GeoAI) for mapping, Inter- national Journal of Applied Earth Observation and Geoinformation, Volume 120, 2023, https://doi.org/10.1016/j.jag.2023.103300. 4. Sofia, Giulia, Anette Eltner, Efthymios Ni- kolopoulos, and Christopher Crosby. 2019. "Leading Progress in Digital Terrain Analysis and Modeling" ISPRS International Journal of Geo-Information 8, no. 9: 372. https://doi.org/10.3390/ijgi8090372 5. Li, Z., Zhu, C., & Gold, C. (2004). Digital Ter- rain Modeling: Principles and Methodology (1st ed.). CRC Press. https://doi.org/10.1201/9780203357132 6. Moore, I.D., Grayson, R.B. and Ladson, A.R. (1991), Digital terrain modelling: A review of hydrological, geomorphological, and biologi- cal applications. Hydrol. Process., 5: 3- 30. https://doi.org/10.1002/hyp.3360050103 7. Tomislav Hengl, Hannes I. Reuter, Geomor- phometry: Concepts, Software, Applications http://scholar.google.com/scholar_lookup?ti- tle=Geomorphometry:+Concepts,+Soft- ware,+Applications&author=Hengl,+T.&au- thor=Reuter,+H.I.&publication_year=2008 8. Luca Piciullo, Minu Treesa Abraham, Ida Norderhaug Drøsdal, Erling Singstad Paulsen, An operational IoT-based slope stability fore- cast using a digital twin, Environmental Mod- elling & Software, Volume 183, 2025, https://doi.org/10.1016/j.en- vsoft.2024.106228. Прикладне програмне забезпечення та інформаційні системи 90 9. Sizhe Wang, Wenwen Li. GeoAI in terrain analysis: Enabling multi-source deep learning and data fusion for natural feature detection, 2021, Computers, Environment and Urban Systems, p. 101715, https://doi.org/10.1016/j.compenvurb- sys.2021.101715 10. Yang, Jiaqi & Xu, Jun & Lv, Yunshuo & Zhou, Chenghu & Zhu, Yunqiang & Cheng, Weiming. (2023). Deep learning-based automated terrain classification using high- resolution DEM data. International Journal of Applied Earth Observation and Geoinformation. 118. 103249. 10.1016/j.jag.2023.103249 11. Wang, Sizhe & Li, Wenwen. (2021). GeoAI in terrain analysis: Enabling multi-source deep learning and data fusion for natural feature detection. Computers, Environment and Urban Systems. 90. 101715. https://doi.org/10.1016/j.compenvurbsys.2021 .101715 12. Luo, Wenjun & ma, Hongchao & Yuan, Jialin & Zhang, Liang & Ma, Haichi & Cai, Zhan & Zhou, Weiwei. (2023). High-Accuracy Filtering of Forest Scenes Based on Full- Waveform LiDAR Data and Hyperspectral Images. Remote Sensing. 15. 3499. https://doi.org/10.3390/rs15143499 13. Zhuoxiao Li, Xiaohui Zhu, Shanliang Yao, Yong Yue, Ángel F. García-Fernández, Eng Gee Lim, Andrew Levers, A large scale Digital Elevation Model super-resolution Transformer, International Journal of Applied Earth Observation and Geoinformation, Volume 124, 2023, https://doi.org/10.1016/j.jag.2023.103496 14. Yu, Jie & Li, Yangtenglong & Bai, Xuan & Yang, Ronghao & Cui, Mengxue & Wu, Haohao & Li, Zheng & Su, Fangzheng & Li, Ze & Liang, Taohuai & Yan, Hongliang. (2025). A DEM super resolution reconstruction method based on normalizing flow. Scientific Reports. 15. 10681. https://doi.org/10.1038/s41598-025-94274-w 15. TheHut-Nexus. 2024. “An Operational IoT- Based Slope Stability Forecast Using a Digital Twin.” TheHut-Nexus. Accessed May 2, 2025. https://thehut-nexus.eu/an-operational- iot-based-slope-stability-forecast-using-a-dig- ital-twin/ 16. Quamar, Md Muzakkir, Baqer Al-Ramadan, Khalid Khan, Md Shafiullah, and Sami El Ferik. 2023. "Advancements and Applications of Drone-Integrated Geographic Information System Technology—A Review" Remote Sensing 15, no. 20: 5039. https://doi.org/10.3390/rs15205039 17. NATO Science and Technology Organization. (2007). RTO-TR-SET-118: Terrain Character- ization for Military Operations in Urban Ter- rain. Retrieved from https://www.sto.nato.int/publications/STO Technical Reports/RTO-TR-SET-118/$$TR- SET-118-ALL.pdf 18. Maxwell, A. E., Odom, W. E., Shobe, C. M., Doctor, D. H., Bester, M. S., & Ore, T. (2023). Exploring the influence of input feature space on CNN-based geomorphic feature extraction from digital terrain data. Earth and Space Science, 10, e2023EA002845. https://doi.org/10.1029/202 3EA002845 19. Ruiz-Lendínez, Juan J., Francisco J. Ariza- López, Juan F. Reinoso-Gordo, Manuel A. Ureña-Cámara, and Francisco J. Quesada- Real. 2023. “Deep Learning Methods Applied to Digital Elevation Models: State of the Art.” Geocarto International 38 (1). https://doi.org/10.1080/10106049.2023.22523 89 20. Esri. (2023). Introducing Esri’s World Eleva- tion Services. Retrieved from https://www.esri.com/arcgis-blog/prod- ucts/analytics/analytics/introducing-esris- world-elevation-services Одержано: 10.05.2025 Внутрішня рецензія отримана: 18.05.2025 Зовнішня рецензія отримана: 22.05.2025 Про авторів: Плескач Валентина Леонідівна, доктор економічних наук, кандидат технічних наук. http://orcid.org/0000-0003-0552-0972 Вдовиченко Владислав Володимирович, аспірант факультету інформаційних технологій http://orcid.org/0009-0005-0231-2299. Місце роботи авторів: 1,2 Факультет інформаційних технологій Київського національного університету імені Т.Шевченка v.pleskach64@gmail.com

Geographic information intelligent systems based on modern information technologies for digital terrain modelling

Репозитарії

Схожі ресурси