• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2023/2024

Управление пространственными данными

Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Направление: 05.03.02. География
Когда читается: 4-й курс, 1, 2 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Язык: русский
Кредиты: 6
Контактные часы: 60

Программа дисциплины

Аннотация

Курс является обязательным для студентов, выбравших специализацию (направление) «Геоинформационные технологии и пространственное моделирование». Курс направлен на то, чтобы научить студентов эффективно управлять пространственными данными с использованием современных географических информационных систем и систем управлениями базами данных. Курс предлагает расширенный подход к управлению пространственными данными как к процессу, включающему не только загрузку, хранение и манипулирование данными в среде системы управления базой данных (СУБД), но и задачи поиска, получения и интеграции пространственных данных из различных источников, построение системной архитектуры многопользовательских геоинформационных систем (МГИС), а также методы предоставления пространственных данных пользователям в среде МГИС. Курс включает рассмотрение теоретических основ управления пространственными данными, знакомство с различными стандартами и форматами пространственных данных, примеры различных видов источников данных, сравнение различных видов пространственных СУБД и освоение навыков их разворачивания, основные методы построения многопользовательских баз пространственных данных, манипулирование пространственными данными, методы многопользовательского редактирования данных и другие темы. Курс состоит из лекций, практических заданий и индивидуального проекта. В заданиях студентам предлагается решать задачи различной сложности на основе детальных инструкций или наводящих подсказок. Задания включают элементы программирования на языке Python, написание SQL-запросов, использование CLI-утилит, работу с протоколами HTTP и OGC, выполнение процедур с СУБД PostgreSQL с модулями PostGIS и PostGIS Topology, использование пакета QGIS и другого программного обеспечения. Для индивидуального проекта предлагается список тем на выбор.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью данного кура является освоение теоретических основ, базовых навыков и основных технологий, необходимых для решения задач управления пространственными данными в реальной практике современных компаний и организаций из различных отраслей. Такая практика кроме решения задач по применению пространственных СУБД включает в себя также построение системной архитектуры ГИС, сбор пространственных данных из различных источников, предоставление их пользователям системы и другие задачи.
Планируемые результаты обучения

Планируемые результаты обучения

  • Эффективно управляет пространственными данными с использованием функционала современных географических информационных систем и систем управлениями базами данных
  • Знать определение управления пространственными данными (УПД) как раздела геоинформатики.
  • Знать задачи управления пространственными данными.
  • Понимать особенности управления пространственными данными по сравнению с управлением данными вообще.
  • Понимать задачи интеграции пространственных данных.
  • Понимать актуальность управления пространственными данными в многопользовательских ГИС
  • Знать функциональные и архитектурные компоненты ГИС.
  • Знать варианты системной архитектуры многопользовательских ГИС.
  • Знать факторы выбора системной архитектуры ГИС.
  • Знать виды и примеры программного обеспечения для разных архитектурных компонентов ГИС.
  • Уметь выбирать программное обеспечение для компонентов ГИС.
  • Знать классификацию источников пространственных данных
  • Знать виды первичных источников пространственных данных - данных, собираемых в поле
  • Знать наиболее актуальные и активно развивающиеся источники данных дистанционного зондирования Земли и соответствующие съемочные системы: космические снимки сверхвысокого разрешения, "ночные" снимки, данные космической альтиметрии, системы космического видеомониторинга в сверхвысоком разрешении, системы микро- и нано-спутников, комплексные системы дистанционного зондирования, ретроспективные системы ДЗЗ.
  • Знать общие принципы работы глобальных навигационных спутниковых систем
  • Знать основные современные глобальные и региональные навигационные системы
  • Знать классификацию ГНСС-измерений по различным признакам. Знать классификацию дифференциальных поправок для ГНСС-измерений.
  • Понимать основные принципы создания ГНСС, сегменты ГНСС, особенности навигационных сигналов спутников.
  • Знать примеры различных методов позиционирования в ГНСС, отличающихся различным сочетанием видов ГНСС-измерений
  • Знать примеры действующих систем повышения точности ГНСС-измерений
  • Знать примеры основных провайдеров открытых пространственных данных.
  • Понимать принцип работы Google Earth Engine Data Catalog и геофреймворка Google Earth Engine. Уметь составлять простейшие скрипты для загрузки данных из Google Earth Engine Data Catalog.
  • Знать примеры открытых цифровых моделей рельефа и понимать их особенности
  • Уметь собирать в одном проекте разнородные данные из внешних источников, включая гео веб-сервисы и API
  • Знать примеры крупнейших отраслевых и коммерческих баз пространственных данных
  • Понимать принцип работы с непространственными источниками для формирования пространственных данных. Знать технологии геокодирования и гео веб-скрэпинга.
Элементы контроля

Элементы контроля

  • неблокирующий Практическая работа
    Оценка за практические работы Опрактич определяется как среднее оценок за практические работы на занятиях в течение модуля. В течение модуля студент выполняет три практических работы. Практическая работа оценивается по 5 критериям, каждый из которых оценивается максимально в 2 балла: 1) соответствие содержания работы поставленной задаче, 2) соответствие изложения требованиям оформления научных текстов, 3) логическая ясность и целостность, 4) корректность применения инструментов и методов, 5) качество представления результатов. Таким образом, суммарная оценка за практическую работу составляет 10 баллов.
  • неблокирующий Проект
    Тематики индивидуальной работы (проекта) определяется между 1-й лекцией и 1-м семинарским занятиям. Запись на конкретную тему проекта осуществляется у преподавателя, ведущего семинары в группе, не позднее 2-го семинарского занятия. Проект может основываться на результатах практических работ, проводимых в течение курса. Проект оценивается по 5 критериям, каждый из которых оценивается максимально в 2 балла: 1. Логическая структура проекта (последовательность и связь отдельных задач). 2. Применение современных и релевантных проблеме методов исследования и работы с данными, программных инструментов и источников данных. 3. Обоснованность и достоверность полученных результатов и выводов. 4. Качество изложения, визуализации и презентации результатов. 5. Критическая оценка полученных результатов, понимание ограничений примененных методов и источников данных.
  • неблокирующий Экзамен
    Экзамен проводится в устной форме. Устная часть экзамена представляет собой устную беседу с преподавателем на основе плана учебной дисциплины и списка примерных вопросов. Студенту будет задано 2 вопроса, каждый из которых оценивается 5 баллами (знание определений основных понятий, грамотное употребления понятий – 1 балл; полнота и логичность раскрытия вопроса – 1 балл; умение раскрыть взаимосвязи между отдельными компонентами проблемы –1 балл; понимание основных методических приемов анализа проблемы / решения задач по теме – 1 балл; ответы на дополнительные вопросы – 1 балл). Таким образом, суммарная оценка за экзамен составляет 10 баллов.
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 2 модуль
    0.3 * Практическая работа + 0.3 * Проект + 0.4 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Kotu, V., & Deshpande, B. (2014). Predictive Analytics and Data Mining : Concepts and Practice with RapidMiner. Amsterdam: Morgan Kaufmann. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=919334
  • Rigaux, P., Scholl, M. O., & Voisard, A. (2002). Spatial Databases : With Application to GIS. Morgan Kaufmann.
  • Simoff, S. J., Böhlen, M. H., & Mazeika, A. (2008). Assisting Human Cognition in Visual Data Mining. Springer. https://doi.org/10.5167/uzh-56371
  • Yang, Y. (2016). Temporal Data Mining Via Unsupervised Ensemble Learning. Elsevier.
  • Чубукова, И. А. Data Mining : учебное пособие / И. А. Чубукова. — 2-е изд. — Москва : ИНТУИТ, 2016. — 470 с. — ISBN 978-5-94774-819-2. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100582 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

  • Dittrich, K. R., & Geppert, A. (2001). Component Database Systems. Morgan Kaufmann.
  • Leondes, C. T. (2002). Database and Data Communication Network Systems, Three-Volume Set : Techniques and Applications. Academic Press.

Авторы

  • Медведев Андрей Александрович