Особенности подготовки будущих инженеров технического профиля к применению искусственного интеллекта в области геоинформатики
https://doi.org/10.32517/0234-0453-2025-40-5-37-48
Аннотация
Отличительной чертой Industry 4.0 является цифровая трансформация всех отраслей экономики, сопровождающаяся экспоненциальным ростом объема данных. Среди этих данных значительную долю составляют пространственные данные (геоданные). Искусственный интеллект (англ. Artificial Intelligence, AI) становится ключевым фактором внедрения передовых технологий и цифровых инструментов в области геоинформатики с использованием алгоритмов машинного обучения (англ. Machine Learning, ML). Это создает актуальный запрос на подготовку студентов к использованию искусственного интеллекта в этой области как со стороны современного рынка труда, так и в контексте инженерного образования.
Статья посвящена изучению особенностей подготовки будущих инженеров технического профиля, чьи профессиональные функции связаны с управлением геоданными посредством искусственного интеллекта. В работе раскрывается технологический потенциал искусственного интеллекта для эффективного управления геоданными, а также рассматриваются значимость и перспективы применения искусственного интеллекта в геоинформатике. Предлагаются методические рекомендации по интеграции искусственного интеллекта в основные образовательные программы будущих инженеров, а также разработано содержание дисциплин, направленных на освоение искусственного интеллекта и машинного обучения с учетом особенностей геоданных и пространственного анализа. Это позволит обеспечить качественную подготовку будущих кадров инженерно-технического профиля к применению искусственного интеллекта для решения задач анализа и обработки геоданных в их профессиональной деятельности.
Об авторе
Н. А. МоисееваРоссия
Моисеева Наталья Александровна, канд. пед. наук, доцент, доцент кафедры «Прикладная математика и фундаментальная информатика», факультет информационных технологий и компьютерных систем
г. Омск
Список литературы
1. Черемисина Е. Н., Любимова А. В., Толокнова К. В., Кирпичева Е. Ю. Актуальные требования к цифровым компетенциям выпускника для нефтегазогеологической отрасли. Геоинформатика. 2022;(1):58–66. EDN: ZQPYSP. DOI: 10.47148/1609-364X-2022-1-58-66.
2. Майоров А. А. Пространственные большие данные и современное российское образование в области геоинформатики. Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2015;(6):105–108. EDN: VDOLDH.
3. Карачевцева И. П., Дубов С. С., Андреев М. В., Гаров А. С., Зубарев А. Э., Надеждина И. Е., Козлова Н. А., Слодарж Н. А. Открытые пространственные данные для исследования территорий и цифровые сервисы доступа к ним. Космические аппараты и технологии. 2023;7(2(44)):142–152. EDN: HDCBWW. DOI: 10.26732/j.st.2023.2.07.
4. Белогурова Е. Б., Воробьев В. Е., Гвоздев О. Г. Пространственные данные: потребности экономики в условиях цифровизации. М.: НИУ ВШЭ; 2020. 128 с.
5. Черемисина Е. Н., Любимова А. В., Крейдер О. А. Геоинформационные технологии в подготовке кадров в сфере управления природопользованием. Геоинформатика. 2018;(3):111–115. EDN: XZIFFR.
6. Eldawy A., Mokbel M. F. The Era of Big Spatial Data. Proc. of the VLDB Endowment. 2017;10(12):1992–1995. DOI: 10.14778/3137765.3137828.
7. Sankarrao L., Ghose D. K., Rathinsamy M. Predicting land-use change: Intercomparison of different hybrid machine learning models. Environmental Modelling & Software. 2021;145:105207. DOI: 10.1016/j.envsoft.2021.105207.
8. Кудж С. А. Интеграция методов геоинформатики и искусственного интеллекта. Науки о Земле. 2020;(2):55–64. EDN: WLIKYK.
9. Gaur L., Garg P. K. Emerging trends, techniques and applications in geospatial data science. Hershey, IGI Global; 2023. 309 p.
10. Корюкин Е. А., Бобаков В. С., Буторова А. С., Сергеев А. П. Получение ретроспективных данных о состоянии урбанизированного ландшафта методами компьютерного зрения на примере строительных работ. Геоинформатика. 2024;(2):54–63. EDN: KTOXWH. DOI: 10.47148/1609-364X-2024-2-54-63.
11. Кошкарев А. В. Терминология геоинформатики и картографии в цифровую эпоху. Геодезия и картография. 2023;84(2):54–63. EDN: IPEEOG. DOI: 10.22389/0016-7126-2023-992-2-54-63.
12. Цветков В. Я. Основы геоинформатики. СПб.: Лань; 2023. 188 с.
13. Gospodinov S. G. Geoinformatics as a science of space. European Journal of Technology and Design. 2022;10(1):3–8. DOI: 10.13187/ejtd.2022.1.3.
14. Stathopoulos N., Tsatsaris A., Kalogeropoulos K. Geoinformatics for geosciences. Advanced geospatial analysis using RS, GIS and soft computing. India, Elsevier; 2023. 404 p.
15. Миронова Ю. Н. Место геоинформатики в системе наук. Вестник Сыктывкарского университета. Серия 1: Математика. Механика. Информатика. 2020;(1(34)):35–46. EDN: VFZGVN.
16. Abigail L., Joni A. D. Machine learning in geography — Past, present, and future. Geography Compass. 2021;15(5):e12563. DOI: 10.1111/gec3.12563.
17. Manzhu Y., Qunying H., Zhenlong L. Deep learning for spatiotemporal forecasting in Earth system science: A review. nternational Journal of Digital Earth. 2024;17(1):2391952. DOI: 10.1080/17538947.2024.2391952.
18. Lei M., Wenyan C., Chao Zh., Xiao L. A new approach to dividing the tectonic setting of igneous rocks: Machine learning and GeoTectAI software. Earth Science Informatics. 2024;17:4183–4196. DOI: 10.1007/s12145-024-01385-5.
19. Berhanu Ye., Schröder D., Wodajo B. T., Alemayehu E. Machine learning for predictions of road traffic accidents and spatial network analysis for safe routing on accident and congestion-prone road networks. Results in Engineering. 2024;(23):102737. DOI: 10.1016/j.rineng.2024.102737.
20. Zhou Y., Harris R., Tranos E. Where is the geography? A study of the predictors of obesity using UK biobank data and machine learning. Journal of Geovisualization and Spatial Analysis. 2023;7:17. DOI: 10.1007/s41651-023-00142-4.
21. Вестра Э. Разработка геоприложений на Pandas. М.: ДМК Пресс; 2017. 446 с.
22. Грекусис Дж. Методы и практика пространственного анализа. Описание, исследование и объяснение с использованием ГИС. М.: ДМК Пресс; 2021. 500 с.
23. Bahgat K. Python geospatial development essentials. Birmingham — Mumbai, Packt Publishing; 2024. 192 p.
24. Korstanje J. Machine learning on geographical data using Python. Introduction into geodata with applications and use cases. Berkeley, CA, Apress; 2022. 328 p.
25. Rey S., Arribas-Bel D., Wolf L. J. Geographic data science with Python. New York, Chapman and Hall/CRC; 2023. 410 p.
26. Galety M., Natarajan A., Gedefa T., Lemma T. Ethics, machine learning, and Python in geospatial analysis. Hershey, IGI Global; 2024. 339 p.
27. Faruque F. Geospatial technology for human wellbeing and health. Cham, Springer; 2022. 417 p.
28. Останин В. А. Разработка методики эмпирического научного исследования с применением стандартных библиотек автоматического машинного обучения на примере прогноза нефтегазоносности территории Томской области. Геоинформатика. 2024;(1):4–18. EDN: JIKLMQ. DOI: 10.47148/1609-364X-2024-1-4-18.
29. Моисеева Н. А. Значимость сквозных цифровых технологий в подготовке будущих инженеров (на примере искусственного интеллекта). Инженерное образование. 2024;(35):74–86. EDN: OUGOJC. DOI: 10.54835/18102883_2024_35_7.
Рецензия
Для цитирования:
Моисеева Н.А. Особенности подготовки будущих инженеров технического профиля к применению искусственного интеллекта в области геоинформатики. Информатика и образование. 2025;40(5):37-48. https://doi.org/10.32517/0234-0453-2025-40-5-37-48
For citation:
Moiseeva N.A. Some features of training future technical engineers for the application of artificial intelligence in the field of geoinformatics. Informatics and education. 2025;40(5):37-48. (In Russ.) https://doi.org/10.32517/0234-0453-2025-40-5-37-48























