АНАЛІЗ БІБЛІОТЕК МОВИ PYTHON З МЕТОЮ ОЦІНЮВАННЯ ГЕОГРАФІЧНИХ ДАНИХ

Анотація

Нині значного поширення отримали системи, які містять різноманітну інформацію щодо географічних і топографічних даних. Такі системи називаються геоінформаційними системи (ГІС). За їхньою допомого вирішують питання, пов’язані з обробленням і аналізом інформації. Для вирішення цього завдання на сучасному етапі застосовують різноманітні методи штучного інтелекту, статистичного аналізу, машинного навчання та роботи з «великими даними». Для застосування цих методів на основі мов програмування розроблені різноманітні спеціалізовані бібліотеки, що дозволяють створювати призначені для користувача програми. Метою роботи є вибір інструментарію для аналізу даних у геоінформаційних системах. Завданнями дослідження є аналіз бібліотека для оброблення й аналізу географічних даних. У статті аналізують відповідний інструментарій мови Python. На основі аналізу конкретних джерел можна дійти висновку, що інтелектуалізацією ГІС є впровадження до її складу методів та інструментів штучного інтелекту. Також на сьогодні розроблено велику кількість інструментарію для інтелектуального аналізу даних і машинного навчання. Це дає можливість для створення інтегрованих систем зберігання та структуризації геоінформації і систем її аналізу. Особливістю побудови геоінформаційних систем є необхідність поділу карти за функціональними верствами. Для вирішення цього завдання можна використовувати різноманітні методи розпізнавання образів, що дозволить виокремити на картах різноманітні об’єкти та поділити їх за функціональним призначенням. Сучасні системи розпізнавання образів є набором спеціальних математичних методів, які дозволяють в отриманому зображенні знайти потрібний об’єкт. Найбільш розповсюдженими на сьогодні є штучні нейронні мережі (ШНМ). До переваг застосування ІНС належать:
− можливість вирішення великого кола завдань, пов’язаних із розпізнаванням образів;
− можливість використання будь-яких типів об’єктів (як двовимірних, так і лінійних);
– одна мережа може розпізнавати одночасно декілька образів;
– можливість навчання в процесі роботи;
– можливість роботи з зашумленими даними;
– маштабованість.
Найбільш поширеними інструментами для роботи з аналізом великих даних на сьогоднішні є мови програмування R і Python, а також набір пов’язаних з цими мовами бібліотек машинного навчання і роботи з даними, зокрема бібліотека scikit-learn і нова, але вже досить популярна спеціалізована бібліотека для роботи з геоданими eo-learn.
Все це дає можливість для створення систем аналізу на основі застосування бібліотек машинного навчання.