Spatial Data: Science, Research and Technology

Пространственные данные: наука и технологии

2782-6678

6a9c15f832807fdbab86faab

10.30533/scidata-2023-14-07

Геоинформатика, картография

Geoinformatics, cartography

Геоинформатика, картография

Improving technologies for enhancing the quality of open data in digital terrain models for urbanized areas

Совершенствование технологий повышения качества открытых данных цифровых моделей рельефа для урбанизированных территорий

Лебедев

Евгений Денисович

Lebedev

Evgenie D.

Груздев

Сергей Сергеевич

Gruzdev

Sergey S.

17 10 2025

14 4 47 61 07 08 2023 15 12 2023

2025

Лебедев Евгений Денисович, Груздев Сергей Сергеевич

Lebedev Evgenie D., Gruzdev Sergey S.

https://itv.unitech-mo.ru/en/nauka/publications/6a9c15f832807fdbab86faab/view

Данное исследование посвящено решению проблем, связанных с повышением качества обработки и анализа открытых данных, связанных с цифровыми моделями рельефа. Особое внимание уделено урбанизированным территориям. Рассмотрены современные технологии, направленные на повышение точности и качества представленных геоданных. Проведен анализ существующих глобальных цифровых моделей рельефа и сделан их обзор. На основе данных Advanced Land Observing Satellite (ALOS), выбранных с помощью предложенного в статье метода оценки сформирована обучающая выборка, которая будет использоваться для тестирования инновационного подхода с применением нейронных сетей. Рассмотрено применение гибридной нейросетевой архитектуры, состоящей из блоков извлечения координатной информации и обработки посредством глубокого обучения модели. Данный подход позволяет более эффективно учитывать особенности урбанизированной местности и обеспечивает более точные результаты анализа. Проведенная работа имеет большое практическое значение для различных областей, таких как градостроительство и управление территориями, способствуя получению надежных данных о рельефе.

This study is dedicated to addressing the challenges associated with enhancing the processing and analysis of open data related to digital terrain models, with a specific focus on urbanized areas. The research investigates contemporary technologies aimed at advancing the accuracy and quality of presented geospatial data. The study conducts a comprehensive review and analysis of existing global digital terrain models. Through the application of the proposed evaluation method, the ALOS dataset is selected as the primary data source. Based on this dataset, a meticulously constructed training set is developed to facilitate the experimentation of an innovative neural network approach. The research delves into the implementation of a hybrid neural network architecture, strategically composed of distinct modules for extracting coordinate information and subsequent processing through a deep model. This approach synergistically leverages the strengths of each module to more effectively account for the intricate features of urbanized landscapes, thereby yielding substantially enhanced precision in analysis outcomes. The practical implications of this research are profound and extend across various domains, notably urban planning and territorial management.

сверточная нейронная сеть ЦМР радиолокационная съемка SAGA GIS очистка данных

convolutional neural network (CNN) DEM radar survey SAGA GIS data cleaning

Розенберг И.Н., Дулин С.К., Дулина Н.Г. Геоинформационная система — инструмент цифровой трансформации геоданных // Системы и средства информатики. 2022. Т. 32. № 1. С. 46–54. DOI:10.14357/08696527220104.

Rozenberg IN. Geoinformatsionnaya sistema — instrument tsifrovoi transformatsii geodannykh [Geographic information system — tool for digital geodata transformation]. Systems and Means of Informatics. 2022;32(1): 46–54. (In Russian). DOI:10.14357/08696527220104.

Оньков И.В. Оценка точности высот SRTM для целей ортотрансформирования космических снимков высокого разрешения // Геоматика. 2011. № 3. С. 40–46.

Onkov IV. Otsenka tochnosti vysot SRTM dlya tselei ortotransformirovaniya kosmicheskikh snimkov vysokogo razresheniya [Estimation of the accuracy of SRTM heights for the purposes of orthotransformation of high-resolution satellite images]. Geomatics. 2011;3: 40–46. (In Russian).

Yifan Z., Wenhao Y. Comparison of DEM Super-Resolution Methods Based on Interpolation and Neural Networks // Sensors. 2022. Vol. 22(3). P. 745. DOI:10.3390/s22030745/.

Yifan Z, Wenhao Y. Comparison of DEM Super-Resolution Methods Based on Interpolation and Neural Networks. Sensors. 2022;22(3): 745. DOI:10.3390/s22030745/.

Карачевцева И.П., Дубов C.C., Андреев М.В. и др. Открытые пространственные данные для исследования территорий и цифровые сервисы доступа к ним // Космические аппараты и технологии. 2023. Т. 7. № 2(44). С. 142–152. DOI:10.26732/j.st.2023.2.07.

Karachevceva IP, Dubov CC, Andreev MV., et al. Otkrytye prostranstvennye dannye dlya issledovaniya territorii i tsifrovye servisy dostupa k nim [Open spatial data for the study of territories and digital access services to them]. Spacecrafts & Technologies. 2023;7:2(44):142–152. (In Russian). DOI:10.26732/j.st.2023.2.07.

Голицын Г.С. Особенности спектра рельефа поверхности Луны и планет // Астрономический вестник. Исследования Солнечной системы. 2021. Т. 55. № 1. С. 34–37. DOI:10.31857/S0320930X21010035.

Golitsyn GS. Osobennosti spektra rel'efa poverkhnosti Luny I planet [Features of the surface relief spectrum of the Moon and planets]. Solar System Research. 2021;55(1): 34–37. DOI:10.31857/S0320930X21010035.

Сергеев И.С., Егоров И.В., Глебова А.Б. Спектральный анализ рельефа для решения прогнозно-поисковых задач на примере рифтовой зоны Срединно-Атлантического хребта // Геоморфология. 2020. № 4. С. 34–44. DOI:10.31857/S0435428120040094.

Sergeev IS, Egorov IV, Glebova AB. Spektral'nyi analiz rel'efa dlya resheniya prognozno-poiskovykh zadach na primere riftovoi zony Sredinno-Atlanticheskogo khrebta [Spectral analysis of the relief for solving predictive search tasks using the example of the rift zone of the Mid-Atlantic ridge]. Geomorfologiya. 2020;4: 34–44. (In Russian). DOI:10.31857/S0435428120040094.

Wang L., Liu H. An efficient method for identifying and filling surface depressions in digital elevation models for hydrologic analysis and modelling // International Journal of Geographical Information Science. 2006. Vol. 20. P. 193–213. DOI:10.1080/13658810500433453.

Wang L, Liu H. An efficient method for identifying and filling surface depressions in digital elevation models for hydrologic analysis and modelling. International Journal of Geographical Information Science. 2006;20: 193–213. DOI:10.1080/13658810500433453.

Chaohui T., Qingxin Z., Wenju W., et al. PLANET: Improved Convolutional Neural Networks with Image Enhancement for Image Classification. // Mathematical Problems in Engineering. 2020. Vol. 2020. P. 1–10. DOI:10.1155/2020/1245924.

Chaohui T, Qingxin Z, Wenlin H, et al. PLANET: Improved Convolutional Neural Networks with Image Enhancement for Image Classification. Mathematical Problems in Engineering. 2020;2020: 1–10. DOI:10.1155/2020/1245924.

He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. P. 770–778. DOI:10.1109/CVPR.2016.90.

He K, Zhang X, Ren S, Sun J. Deep Residual Learning for Image Recognition. Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015: 770–778. DOI:10.1109/CVPR.2016.90.