Статья посвящена оценке текущего состояния лесного фонда в провинции Донг Най, Вьетнам, с использованием данных, собранных с помощью технологий дистанционного зондирования Земли (ДЗЗ).
Исследование направлено на применение методов дистанционного зондирования для получения данных о площади лесов, видовом разнообразии и изменениях в лесной среде.
Методы обработки снимков и классификации наземного покрова на основе данных ДЗЗ объединены на платформе Google Earth Engine для эффективной оценки изменений в лесном фонде под воздействием различных факторов, таких как урбанизация, лесозаготовка, изменение климата, лесовосстановительные и прочие работы, политика местных органов власти.
Путем интеграции данных ДЗЗ и методов классификации объектов с использованием алгоритмов машинного обучения проведена оценка текущего состояния наземного покрова через определение вегетационного индекса NDVI.
Статья представляет собой всеобъемлющий обзор состояния лесного фонда в провинции Донг Най. Результаты анализа данных показывают, что с 2010 по 2020 год площадь смешанных лесов увеличилась на 20 632 га (12,17 %), а широколиственных лесов — на 23 263 га (29,15 %), в то время как площадь других категорий наземного покрова имеет тенденцию к снижению, что свидетельствует о положительных результатах в сфере сохранения, защиты и развития лесов.
Результаты исследования не только предоставляют информацию о площади и распределении лесов, но и являются базой данных для планирования мероприятий по управлению и сохранению лесного фонда провинции Донг Най в условиях антропогенного воздействия и изменения климатических условий.
Предпросмотр статьи
Идентификаторы и классификаторы
Лес — природный ресурс, который играет важную роль в регулировании состояния атмосферы и сохранении биологического разнообразия экосистем [1, 2]. Сокращение площади лесных земель и проблемы в области охраны окружающей среды ставят перед Министерством сельского хозяйства и сельского развития Вьетнама задачу по оценке состояния лесного фонда страны.
Список литературы
1. Narayan K., Khanindra P., Abhisek C., et al. Forest health assessment for geo-environmental planning and management in hilltop mining areas using Hyperion and Landsat data // Ecological Indicators. 2019. Vol. 106. P. 105471. 10.1016/j.ecolind.2019.105471. (https://www.sciencedirect.com/science/article/abs/pii/S1470160X1930456X). DOI: 10.1016/j.ecolind.2019.105471.( EDN: SFXIWR
2. Paal T., Zobel K., Liira J. Standardized response signatures of functional traits pinpoint limiting ecological filters during the migration of forest plant species into wooded corridors // Ecological Indicators. 2020. Vol. 108. P. 105688. 10.1016/j.ecolind.2019.105688. (https://www.sciencedirect.com/science/article/abs/pii/S1470160X19306818). DOI: 10.1016/j.ecolind.2019.105688.( EDN: YGPNUC
3. Pham V.T., Do T.A.T., Tran D.H., Do T.N.A. Classifying forest cover and mapping forest fire susceptibility in Dak Nong province, Vietnam utilizing remote sensing and machine learning // Ecological Informatics. 2023. Vol. 79. P. 102392. https://www.sciencedirect.com/science/article/pii/S1574954123004211?via%3Dihub). DOI: 10.1016/j.ecoinf.2023.102392.(
4. Баникевич Т.Д., Быкова Е.Н. Кадастровая оценка земель сельскохозяйственного использования и оценка качества почв: взаимосвязь и перспективы // Journal of Agriculture and Environment. 2023. T. 33. № 5. 10.23649/JAE.2023.33.6. (https://jae.cifra.science/archive/5-33-2023-may/10.23649/JAE.2023.33.6). DOI: 10.23649/JAE.2023.33.6.(
5. Матрохина К.В., Трофимец В.Я., Мазаков Е.Б. и др. Развитие методологии сценарного анализа инвестиционных проектов предприятий минерально-сырьевого комплекса // Записки Горного института. 2023. № 259. С. 112-124. 10.31897/PMI.2023.3. (https://pmi.spmi.ru/index.php/pmi/article/view/15829?setLocale=ru_RU). DOI: 10.31897/PMI.2023.3.( EDN: DBXKMW
6. Лепихина О.Ю., Правдина Е.А. Вариативный учет ценообразующих факторов при кадастровой оценке земель (на примере города Санкт-Петербурга) // Известия Томского политехнического университета. Инжиниринг георесурсов. 2019. T. 2. №330. С. 65-74. 10.18799/24131830/2019/2/94. (https://izvestiya.tpu.ru/archive/article/view/94). DOI: 10.18799/24131830/2019/2/94.( EDN: YXZNJB
7. Бузмаков С.А., Санников П.Ю., Кучин Л.С. др. Применение беспилотной аэрофотосъемки для диагностики техногенной трансформации природной среды при эксплуатации нефтяного месторождения // Записки Горного института. 2023. Т. 260. С. 180-193. 10.31897/PMI.2023.22 (https://pmi.spmi.ru/pmi/article/view/16039?setLocale=ru_RU). DOI: 10.31897/PMI.2023.22( EDN: OYQTDS
8. Ковязин В.Ф., Нгуен Ч.А., Нгуен Т.Ч. Мониторинг земель лесного фонда провинции Кон Тум Вьетнама по данным дистанционного зондирования Земли // Геодезия и картография. 2023. Т. 84. №8. С. 57-64. 10.22389/0016-7126-2023-998-8-57-64. (https://geocartography.ru/scientific_article/2022_6_54-63). DOI: 10.22389/0016-7126-2023-998-8-57-64.( EDN: ZNMITL
9. Chepyzhova A.V., Pravdina E.A., Lepikhina O.Y. Comparative evaluation of the effectiveness of the laser scanning and aerial photography systems using unmanned aerial vehicles // Journal of Physics: Conference Series. 2019. Vol. 1333. P. 032064. 10.1088/1742-6596/1333/3/032064. (https://iopscience.iop.org/article/10.1088/1742-6596/1333/3/032064). DOI: 10.1088/1742-6596/1333/3/032064.( EDN: MYWWLK
10. Bykowa E., Skachkova M., Raguzin I., et al. Automation of Negative Infrastructural Externalities Assessment Methods to Determine the Cost of Land Resources Based on the Development of a “Thin Client” Model // Sustainability. 2022. Vol.14. P. 9383. 10.3390/su14159383. (https://www.mdpi.com/2071-1050/14/15/9383). DOI: 10.3390/su14159383.( EDN: VSQVOJ
11. Потехин Д.В., Галкин С.В. Применение технологии машинного обучения при моделировании распределения литотипов на пермокарбоновой залежи нефти Усинского месторождения // Записки Горного института. 2023. Т. 259. С. 41-51. 10.31897/PMI.2022.101. (https://pmi.spmi.ru/pmi/article/view/15935?setLocale=ru_RU). DOI: 10.31897/PMI.2022.101.( EDN: ANYBFD
12. Baltyzhakova T.L., Romanchikov A. Spatial analysis of subway passenger traffic in Saint Petersburg // Geodesy and Cartography. 2021. Vol.47. P. 10-20. 10.3846/gac.2021.11980. (https://journals.vilniustech.lt/index.php/GAC/article/view/11980). DOI: 10.3846/gac.2021.11980.(
13. Rossi F., Breidenbach J., Puliti S., et al. Assessing Harvested Sites in a Forested Boreal Mountain Catchment through Global Forest Watch // Remote Sensing. 2019. Vol. 11. P. 543. 10.3390/rs11050543. (https://www.mdpi.com/2072-4292/11/5/543). DOI: 10.3390/rs11050543.(
14. Данг В.Х., Фан В.З., Потокин А.Ф. Разнообразие лекарственных растений в составе лесной растительности на территории заповедника «Донг Най», Вьетнам // Известия Санкт-Петербургской лесотехнической академии. 2019. №227. С. 107-122. 10.21266/2079-4304.2019.227.107-122. (https://www.researchgate.net/publication/344795101_Diversity_of_medicinal_plants_in_the_composition_forestry_vegetation_on_the_territory_of_reserve_Dong_Nai_Vietnam). DOI: 10.21266/2079-4304.2019.227.107-122.( EDN: YHJYTK
15. Verma S., Soni M., Kumar H., et al. Characterizing aerosols during forest fires over Uttarakhand region in India using multi-satellite remote sensing data // Advances in Space Research. 2022. Vol.70. P. 947-960. 10.1016/j.asr.2022.05.051. (https://www.sciencedirect.com/science/article/abs/pii/S027311772200432X). DOI: 10.1016/j.asr.2022.05.051.( EDN: GIMLFY
16. Camarretta N., Harrison P., Bailey T., et al. Monitoring forest structure to guide adaptive management of forest restoration: a review of remote sensing approaches // New Forests. 2020. Vol. 51. P. 573-596. 10.1007/s11056-019-09754-5. (https://link.springer.com/article/10.1007/s11056-019-09754-5). DOI: 10.1007/s11056-019-09754-5.( EDN: JJCRWP
17. Paudyal K., Samsudin Y.B., Baral H., et al. Spatial Assessment of Ecosystem Services from Planted Forests in Central Vietnam // Forests. 2020. Vol. 11. P. 822. 10.3390/f11080822. (https://www.mdpi.com/1999-4907/11/8/822). DOI: 10.3390/f11080822.( EDN: UUGPFR
18. Корнилов Ю.Н., Романчиков А.Ю., Боголюбова А.А. Оценка деформационных процессов фотограмметрическим способом в Agisoft Metashape // Геодезия и картография. 2023. №10. С. 2-11. 10.22389/0016-7126-2023-1000-10-2-11. (https://geocartography.ru/sites/default/files/gik/2023.10.pdf). DOI: 10.22389/0016-7126-2023-1000-10-2-11.( EDN: DUKIWN
19. Chen N., Tsendbazar N.E., Hamunyela E., et al. Sub-annual tropical forest disturbance monitoring using harmonized Landsat and Sentinel-2 data // International Journal of Applied Earth Observation and Geoinformation. 2021. Vol. 102. P. 102386. 10.1016/j.jag.2021.102386. (https://www.sciencedirect.com/science/article/pii/S0303243421000933). DOI: 10.1016/j.jag.2021.102386.(
20. Arévalo P., Baccini A., Woodcock C.E., et al. Continuous mapping of aboveground biomass using Landsat time series // Remote Sensing of Environment. 2023. Vol. 288. P. 113483. 10.1016/j.rse.2023.113483. (https://www.sciencedirect.com/science/article/abs/pii/S0034425723000342). DOI: 10.1016/j.rse.2023.113483.( EDN: GVGIFB
21. Li H., Zhang G., Zhong Q., et al. Prediction of Urban Forest Aboveground Carbon Using Machine Learning Based on Landsat 8 and Sentinel-2: A Case Study of Shanghai, China // Remote Sensing. 2023. Vol. 15. P. 284. 10.3390/rs15010284. (https://www.mdpi.com/2072-4292/15/1/284). DOI: 10.3390/rs15010284.(
22. Zeng Y., Wang S., Zhao T., Wang J. An application of tree species classification using high-resolution remote sensing image based on the rough set theory // Multimedia Tools and Applications. 2017. Vol. 76. P. 22999-23015. 10.1007/s11042-016-4210-8. (https://link.springer.com/article/10.1007/s11042-016-4210-8). DOI: 10.1007/s11042-016-4210-8.(
23. Zhao J., Peng H., Yang J., et al. Response of winter wheat to different drought levels based on Google Earth Engine in the Huang-Huai-Hai Region, China // Agricultural Water Management. 2024. Vol. 292. P. 108662. 10.1016/j.agwat.2023.108662. (https://econpapers.repec.org/article/eeeagiwat/v_3a292_3ay_3a2024_3ai_3ac_3as0378377423005279.htm). DOI: 10.1016/j.agwat.2023.108662.( EDN: WIICTK
24. Zurqani H.A. The first generation of a regional-scale 1-m forest canopy cover dataset using machine learning and google earth engine cloud computing platform: A case study of Arkansas, USA // Data in Brief. 2024. Vol. 52. P. 109986. 10.1016/j.dib.2023.109986. (https://pubmed.ncbi.nlm.nih.gov/38293581/). DOI: 10.1016/j.dib.2023.109986.( EDN: MRXHQC
25. Prasad P., Loveson V.J., Chandra P., Koth M. Evaluation and comparison of the earth observing sensors in land cover / land use studies using machine learning algorithms // Ecological Informatics. 2022. Vol. 68. P. 101522. 10.1016/j.ecoinf.2021.101522. (https://colab.ws/articles/10.1016/j.ecoinf.2021.101522). DOI: 10.1016/j.ecoinf.2021.101522.( EDN: DITQUG
26. Sanchez L.M., See L., Yordanov M., et al. Automatic classification of land cover from LUCAS in-situ landscape photos using semantic segmentation and a Random Forest model // Environmental Modelling & Software. 2024. Vol. 172. P. 105931. 10.1016/j.envsoft.2023.105931. (https://www.sciencedirect.com/science/article/pii/S1364815223003171?via%3Dihub). DOI: 10.1016/j.envsoft.2023.105931.(
27. Li M., Gao Q., Yu T. Using appropriate Kappa statistic in evaluating inter-rater reliability. Short communication on “Groundwater vulnerability and contamination risk mapping of semi-arid Totko river basin, India using GIS-based DRASTIC model and AHP techniques” // Chemosphere. 2023. Vol. 328. P. 138565. 10.1016/j.chemosphere.2023.138565. (https://pubmed.ncbi.nlm.nih.gov/37011819/). DOI: 10.1016/j.chemosphere.2023.138565.( EDN: IBJVIU
28. Foody G.M. Explaining the unsuitability of the kappa coefficient in the assessment and comparison of the accuracy of thematic maps obtained by image classification // Remote Sensing of Environment. 2020. Vol.239. P. 111630. 10.1016/j.rse.2019.111630. (https://www.sciencedirect.com/science/article/abs/pii/S0034425719306509?via%3Dihub). DOI: 10.1016/j.rse.2019.111630.( EDN: WGFJYS
29. Скачкова М.Е., Гурьева О.С. Мониторинг состояния зеленых насаждений Санкт-Петербурга по материалам дистанционного зондирования // Экология и промышленность России. 2023. Т. 27. № 5. С. 51-57. 10.18412/1816-0395-2023-5-51-57. (https://www.ecology-kalvis.ru/jour/article/view/2380). DOI: 10.18412/1816-0395-2023-5-51-57.( EDN: LKELSR
30. Xu Y., Dai Q.Y., Lu Y.G., et al. Identification of ecologically sensitive zones affected by climate change and anthropogenic activities in Southwest China through a NDVI-based spatial-temporal model // Ecological Indicators. 2024. Vol. 158. P. 111482. 10.1016/j.ecolind.2023.111482. (https://www.sciencedirect.com/science/article/pii/S1470160X23016242?via%3Dihub). DOI: 10.1016/j.ecolind.2023.111482.( EDN: KYHNKL
31. Чукаева М.А., Сапелко Т.В. Оценка экологического состояния водных экосистем по изучению донных отложений озер // Записки Горного института. 2024. С. 1-10.
32. Ma S., He B., Ge X., Luo X. Spatial prediction of soil salinity based on the Google Earth Engine platform with multitemporal synthetic remote sensing images // Ecological Informatics. 2023. Vol. 75. P. 102111. 10.1016/j.ecoinf.2023.102111. (https://www.sciencedirect.com/science/article/abs/pii/S1574954123001401?via%3Dihub). DOI: 10.1016/j.ecoinf.2023.102111.( EDN: GEQNUS
33. Rashid B., Sheik R., Haque E., et al. Salinity-induced change in green vegetation and land use patterns using remote sensing, NDVI, and GIS techniques: A case study on the southwestern coast of Bangladesh // Case Studies in Chemical and Environmental Engineering. 2023. Vol. 7. P. 100314. 10.1016/j.cscee.2023.100314. (https://www.sciencedirect.com/science/article/pii/S2666016423000191?via%3Dihub). DOI: 10.1016/j.cscee.2023.100314.( EDN: STGEIQ
34. Sun Z., Wang G., Li P., et al. An improved random forest based on the classification accuracy and correlation measurement of decision trees // Expert Systems with Applications. 2024. Vol. 237. P. 121549. 10.1016/j.eswa.2023.121549. (https://www.sciencedirect.com/science/article/abs/pii/S0957417423020511?via%3Dihub). DOI: 10.1016/j.eswa.2023.121549.( EDN: UQEUOG
35. Eddine H.K., Saleh S., Hajjar J., et al. Evaluation of the accuracy of new modalities in the assessment and classification of lumbar lordosis: A comparison to Cobb’s angle measurement // Heliyon. 2023. Vol. 9. P. e18952. 10.1016/j.heliyon.2023.e18952. (https://www.cell.com/heliyon/pdf/S2405-8440(23)06160-1.pdf). DOI: 10.1016/j.heliyon.2023.e18952.( EDN: SACXKN
Выпуск
Другие статьи выпуска
Актуальность статьи обусловлена несовершенством существующей информационной обеспеченности государственной кадастровой оценки в отношении земель сельскохозяйственного назначения (ЗСН) в России.
Сложившаяся практика проведения кадастровой оценки ЗСН доказывает, что в отношении земель этой категории имеется дефицит информации о значениях ценообразующих факторов данного сегмента, определенных в действующих методических указаниях.
В рамках исследования на примере земельного участка окрестностей села Баткат Шегарского района Томской области проведен комплекс работ по сбору исходных пространственных данных о ЗСН по аэрофотосъемке (АФС) с применением беспилотных летательных аппаратов, оцифрованы и проанализированы материалы мониторинга, сформирована цифровая база пространственных данных и созданы цифровые тематические карты территории для возможности их использования при проведении кадастровой оценки.
Результаты исследования показали важность геодезического обоснования для проведения АФС и картографического представления данных мониторинга ЗСН в местной системе координат для обеспечения возможности интеграции получаемых данных с кадастровыми данными в Едином государственном реестре недвижимости. В настоящем исследовании продемонстрирован подход усреднения значений агрохимических показателей, полученных в результате мониторинга плодородия почв ЗСН для каждого земельного участка.
Исследование показало, что перечень ценообразующих факторов, определенных в методике кадастровой оценки объектов недвижимости для сельскохозяйственного сегмента, не соотносится с перечнем получаемых на сегодняшний день показателей мониторинга плодородия почв ЗСН как единственного источника получения фактических сведений о состоянии ЗСН.
Для повышения пространственного разрешения и реализации расчетов на современном уровне геоинформационных баз данных проведена модификация методики оценки потенциальной природной уязвимости (ППУ) геосистем, разработанной ранее в ИВЭП ДВО. Предложена методика расчета средствами растровой калькуляции ГИС1 покомпонентного (геолого-геоморфологической, почвенно-криогенной, пирогенной, эрозионно-денудационной) и интегрального показателя уязвимости на основе базового показателя рельефа (вычисляемого на основе индекса векторной кривизны поверхности) и 17 дополнительных коэффициентов, отражающих различные характеристики ландшафтов, определяющих реакцию геосистем на внешнее воздействие. Результат расчетов, выполненных для территории Хабаровского края, представлен пятью отдельными растрами покомпонентной и интегральной уязвимости с уровнем детализации, соответствующим масштабу карты 1: 500 000. Максимальное распространение получили ландшафты с низкими уровнями уязвимости, на долю которых приходится 30–40 % территории, тогда как к высоко- и чрезвычайно высокоуязвимым ландшафтам относится 11,3 % геосистем. Высокая пространственная детальность получаемых данных в результате позволяет не только оценивать фоновую величину ППУ ландшафтного контура, но и проводить анализ рисков на субландшафтном уровне. Использование методов зональной статистики позволило для каждого ландшафтного выдела вычислить характеристики максимальных, средних и преобладающих по площади значений различных компонентов уязвимости и ее интегрального значения, что позволяет проводить статистический анализ показателей по различным группам ландшафтов (по классам рельефа, типам наземного покрова, физико-географическому районированию территории и т. д.).
Задача выделения зданий в контексте семантической сегментации геополей представляет собой задачу перехода от множества геополей собственного и отраженного элементами суши, океана и атмосферы Земли электромагнитного излучения ко множеству геополей пространственного распределения собственного и отраженного объектами класса «Здания» электромагнитного излучения.
Проблематика выделения зданий включает в себя следующие основные проблемы: ложноположительные и ложноотрицательные срабатывания при выделении зданий, выделение отдельных зданий как одного объекта и распознавание объектов класса «Здания» на снимках, имеющих разные яркостные характеристики.
Данные проблемы, в рамках семантической сегментации геополей, рассматриваются с точки зрения снижения точности перехода от исходного множества геополей к результирующему множеству и относятся главным образом к исходному множеству.
Посредством анализа указанных проблем определены основные концептуальные решения в архитектурах нейронных сетей, позволяющие уменьшить их влияние: механизмы внимания и обработка глобальных признаков.
В результате эксперимента с архитектурами нейронных сетей STT, STEB-UNet, U-Net, MF-CNN и MSCFF, реализующими данные концептуальные решения, определены зависимости между временными затратами и конкретной реализацией концептуальных решений и наиболее эффективное с точки зрения обеспечиваемой точности решение — обработка глобальных признаков посредством мультимасштабного слияния признаков, реализуемое MSCFF.
Одним из наиболее проработанных и простых в использовании направлений генеративных моделей с точки зрения оперирования функциональностью для конечных пользователей являются большие языковые модели, позволяющие выполнять различные операции с текстовыми данными. Поскольку современная цифровая картография максимально быстро включает в свой инструментарий последние достижения в области информационных технологий, представляется актуальным рассмотреть основные сферы использования больших языковых моделей применительно к типовым задачам обработки пространственных данных в виде описания сводных показателей атрибутивных значений, формирования элементов географического описания, получения последовательностей выполнения определенных задач в геоинформационных системах, построения запросов к данным на языке SQL, написания фрагментов программного кода отдельных скриптов и модулей для ГИС, генерации картографических изображений по описанию. На основе результатов проведенных экспериментов сделан вывод о том, что большинство перечисленных базовых задач хорошо автоматизируются с помощью больших языковых моделей, но с учетом необходимости проверки и корректировки результатов специалистами в области картографии и геоинформатики.
Цель работы — выявление характера изменения земель, окружающих вулканическую постройку Эбеко в результате негативного воздействия характерных опасных процессов. В статье приведены данные, полученные в ходе исследования распространения вулканогенных отложений на территории, прилегающей к эруптивному центру, и картографические материалы, полученные на основе дешифрирования космических снимков и цифровой аэрофотосъемки (ЦАФС).
В работе использовались материалы полевых исследований вулканогенных отложений, космические снимки, данные ЦАФС. Составление и оформление картографических материалов выполнялось с применением ГИС1 -технологий и компьютерных методов анализа. Дешифрирование материалов космических съемок и ЦАФС, а также анализ информации об изменениях состояния вулкана Эбеко позволили выделить подзоны вулканического воздействия на земли, расположенные на склонах вулканической постройки и вблизи нее.
Проверка достоверности выполнена при проведении полевых экспедиционных исследований.
Результаты дешифрирования аэрокосмических снимков позволили на основе определения пространственного распределения отложений определенной размерности выявить подзоны сильного, среднего и слабого воздействия на земли, расположенные вокруг вулканической постройки Эбеко, и составить карту вулканоопасности.
В статье рассматриваются вопросы анализа устойчивости геодезических пунктов в пространстве-времени.
Первый пример описывает ситуацию с двумя подвижными реперами в нивелирной сети, мобильность которых определяется надежно. Здесь используется вариант МНК1 -оптимизации коррелированных парных данных.
Второй пример иллюстрирует более сложную геопространственную ситуацию на объекте, подверженном деформационным процессам. Этот пример, использующий данные ГНСС2 -наблюдений, анализируется как свободная сеть.
В такой ситуации наглядно проявляются достоинства синтезированного варианта параметрической версии (СВПВ) МНК-оптимизации ГНСС-наблюдений. Центральный блок гиперматрицы коэффициентов СВПВ представляет собой стабилизирующее слагаемое, обеспечивающее регуляризацию решения по А. Н. Тихонову. Кроме того, в теле обратной матрицы коэффициентов автоматически вычисляются элементы регуляризованной псевдообратной матрицы А+ для исходной матрицы плана А. С помощью псевдообратной матрицы А+ вычисляется ранг исходной матрицы А, по которому определяется ее дефект d, используемый при вычислении корректного значения безразмерного масштабного показателя точности данных μ2.
Моделирование деформаций для второго примера потребовало дополнительно воспользоваться переходом от приращений геоцентрических координат к топоцентрическим.
В результате были получены два массива точек фрагмента ГНСС-сети, сопровождаемых соответствующими ковариационными матрицами координат. По этим коррелированным массивам выполнялся их анализ, подтвердивший, что деформация имела место именно на том пункте, где она и моделировалась.
Издательство
- Издательство
- МИИГАиК
- Регион
- Россия, Москва
- Почтовый адрес
- 105064, Москва, Гороховский пер., 4
- Юр. адрес
- 105064, Москва, Гороховский пер., 4
- ФИО
- Камынина Надежда Ростиславовна (Ректор)
- E-mail адрес
- portal@miigaik.ru
- Контактный телефон
- +8 (499) 4041220
- Сайт
- https://miigaik.ru