Научный архив: статьи

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.

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.

Автомобильные дороги являются стратегически необходимой частью инфраструктуры страны, высокие требования к их состоянию обуславливают регулярный контроль качества дорожного полотна. Большая протяженность автомобильных дорог в России и влияние на них погодно-климатических условий (сезонные колебания температур, осадки) подчеркивают актуальность поиска методов неразрушающего контроля при диагностике дорог, обеспечивающих короткие сроки выполнения диагностических работ и использование минимальных ресурсов. Рассмотрены существующие решения для обнаружения повреждений дорожного полотна: применение георадара, лазерного метода, метода анализа вибровоздействий неровностей дорожной поверхности, детекция повреждений по данным лидар-устройств и системы мобильного картографирования. Целью исследования является разработка алгоритма анализа состояния дорожного полотна, позволяющего осуществлять детекцию дефектов дорожного покрытия по снимкам, полученным в процессе диагностики автомобильных дорог аэродромно-дорожной измерительной передвижной лабораторией КП-514-RDT, в комплекте с программным обеспечением IndorRoad и RDT-Line. Разработка алгоритма для обнаружения дефектов покрытия автодороги осуществлялась с применением методов машинного обучения. Выявленные дефекты имеют точную геопривязку по пикетажу измеряемого участка автодороги. В результате разработки получена обученная модель, позволяющая в автоматическом режиме размечать на снимке дефекты разных классов. Разработанный алгоритм интегрирован в программное обеспечение для управления мониторингом состояния региональных и муниципальных дорог. Полный текст статьи в переводе на английский язык публикуется во второй части данного выпуска.

Приводится сравнение моделей сегментации для решения задачи выявления лесных рубок в зимний период по паре космических снимков Sentinel-2. В сравнение попали модели, основанные на свёрточных нейронных сетях из библиотеки segmentation models, разработанной для языка программирования Python. В качестве данных для обучения моделей использовались снимки с 2018 по 2022 г. из открытых источников Европейского космического агентства, которые были сделаны над территорией Ханты-Мансийского автономного округа Югры. Данные снимки были предобработаны для решения задач: проведения атмосферной коррекции снимков, приведения пар снимков к единой проекции, нарезки снимков на кадры. Маски лесных рубок формировались вручную с 2015 г. в центре космических услуг Югорского научноисследовательского института информационных технологий. Для оценки качества моделей использовалась F1-мера, так как требуется оценить, находит ли модель все рубки, насколько точно модель находит рубки, а также F1-мера позволяет учесть ложные срабатывания модели. Лучший результат показала модель UNet++ с оценкой 0.847. Остальные рассмотренные модели показали близкий результат, что говорит о схожести данных моделей применительно к задачам сегментации лесных рубок.

Искусственный интеллект активно проникает в градостроительную отрасль, предлагая новые возможности для оптимизации процессов и повышения эффективности. Технологии машинного обучения, компьютерного зрения и анализа больших данных позволяют автоматизировать проектирование, оптимизировать управление процессом градостроительства, повысить безопасность и снизить затраты на всех этапах жизненного цикла объекта - от проектирования до эксплуатации. Однако широкое внедрение искусственного интеллекта сталкивается с вызовами, такими как необходимость стандартизации, значительных инвестиций, обеспечения кибербезопасности. В статье рассматривается достоинства и недостатки применения вероятностного и детерминированного подхода к искусственному интеллекту для задач строительства и формирования архитектурного облика объектов городской инфраструктуры. Приводится пример разработки базы знаний автоматизированной информационной системы для раскладки облицовочных материалов на фасадах городских зданий.

В статье рассматривается использование алгоритмов машинного обучения для обнаружения аномалий на основе набора данных CICIDS2017, который был специально разработан для имитации реальных сценариев сетевых атак. Особое внимание уделено трем популярным алгоритмам: логистической регрессии, случайному лесу и нейронным сетям. Эти алгоритмы были выбраны благодаря своей способности эффективно обрабатывать большие объемы данных и выявлять сложные паттерны. В рамках статьи проведена серия экспериментов, в которых будут варьироваться объем обучающих данных и оцениваться производительность моделей как на чистых, так и на зашумленных данных. Результаты данного исследования помогут понять, как различные алгоритмы реагируют на изменения в объеме данных и качество входной информации, что является важным аспектом для разработки эффективных систем кибербезопасности.

В статье оцениваются методы машинного обучения для задачи прогнозирования когнитивной нагрузки обучающихся в средах электронного обучения с использованием данных отслеживания взгляда. Основная цель исследования – адаптивное вмешательство в реальном времени для предотвращения когнитивной перегрузки и повышения вовлеченности обучающихся в процесс обучения. В исследовании рассматриваются методы контролируемого обучения, такие как машины опорных векторов (SVM), случайный лес (Random Forest) и логистическая регрессия (Logistic Regression), с использованием симулированных данных отслеживания взгляда обучающихся. Проблема и цели исследования четко определены и сопровождаются всесторонним обзором литературы, в котором рассматривается теория когнитивной нагрузки, отслеживание взгляда и методы машинного обучения в образовательных контекстах. Методология сосредоточена на разработке и обучении моделей с использованием k-кратной перекрестной валидации для обеспечения надежности. Результаты исследования показывают, что Random Forest является самым эффективным методом, демонстрирующим способность улавливать сложные закономерности прогнозирования. Ключевой вклад данного исследования заключается в новом применении интеллектуальных методов для прогнозирования когнитивной нагрузки на основе данных отслеживания взгляда, что повышает прогностические возможности методов машинного обучения. Исследование подчеркивает важность реализации этих методов в реальном времени и проверки на реальных данных обучающихся, а также необходимость решения этических вопросов, связанных с использованием данных отслеживания взгляда в образовательных учреждениях.

Мошенничество с банковскими картами является распространенной и усугубляющейся проблемой в финансовом секторе, требующей инновационных решений для точного и эффективного обнаружения. Традиционные методы обнаружения мошенничества, во многих случаях эффективны, но сегодня они сталкиваются с масштабируемостью и сложностью современных схем мошенничества. Недавние достижения в области квантовых вычислений открыли новые пути для решения этих проблем. В статье представлен квантовый анализ потоков транзакций (QTF A) – инновационная квантовая методология для улучшения обнаружения мошенничества с банковскими картами. QTFA использует принципы квантовой механики, такие как суперпозиция, запутанность и квантовая оптимизация, для моделирования и анализа потоков транзакций в квантовой сети. Представляя транзакции как квантовые состояния, а их отношения как запутанности, QTFA обеспечивает точное обнаружение аномалий с помощью квантовых измерений. Экспериментальные результаты показывают, что QTFA превосходит классические методы машинного обучения, такие как случайные леса и опорные векторные машины (SVM), достигая 98-процентной точности (accuracy), 10-процентного снижения ложных срабатываний и улучшенной полноты (recall). В статье также рассматривается интеграция QTFA в реальные системы, подчеркивается ее потенциал для революционных изменений в обнаружении мошенничества, а также определяются текущие ограничения и направления будущих исследований.

В статье исследуется роль искусственного интеллекта (ИИ) в цифровой трансформации экономики строительства, с акцентом на прогнозирование рисков, оптимизацию ресурсов и обеспечение устойчивого развития. Проанализированы методы машинного обучения, интеграция IoT и BIM-моделирования, а также их влияние на снижение издержек, повышение ROI и минимизацию экологических рисков. Практические проекты российских компаний (ПИК Group, «Газпром строй», «СберСтрой») демонстрируют, как ИИ снижает аварийность на 25-40%, оптимизирует логистику и предотвращает утечки данных. Особое внимание уделено кибербезопасности: алгоритмы ИИ и блокчейн снижают риски атак на IoT-системы на 60%. Исследование выявляет ключевые проблемы цифровизации, включая зависимость от качества данных и необходимость баланса между автоматизацией и экспертным контролем. Показано, что внедрение ИИ требует системного подхода, включающего аудит данных, пилотные проекты и обучение персонала.

Дискуссии о соотношения теории и прогноза в зарубежных изданиях активизировались с 2010-х гг., но в российской литературе эта тематика остается в значительной степени непроблематизированной. Настоящая статья систематизирует выдвигаемые в исследованиях международных отношений оценки роли теории в прогнозировании, выявляя перспективы совмещения прескриптивных, объяснительных, интерпретативных и предиктивных функций науки. Она раскрывает истоки как скепсиса теоретиков относительно прогнозов, так и ответной критики бесплодного теоретизирования. В результате статья выявляет ограничения и доминирующей в дисциплине гипотетико-дедуктивной модели познания, и оппонирующего ей статистического индуктивизма. Анализ начинается с представления различных классов теорий, сформировавшихся в исследованиях международных отношений. Оно демонстрирует, что базовые установки нормативного, деконструирующего и интерпретативного теоретизирования плохо совместимы с прогнозированием. После этого рассматривается амбивалентное отношение к прогнозам сторонников объяснительных теорий, апеллирующих к принципиальной непрогнозируемости социальных взаимодействий. Статья отмечает появление с конца 2000-х гг. расчетов на то, что аккумулирование больших массивов данных вкупе с развитием методов их обработки обеспечит предсказания без опоры на объяснительные умозаключения. Тем не менее повышению прикладной ценности научных разработок способствовало бы совмещение теоретических объяснений и прогнозных исследований. Предпринятый обзор подводит к выводу: для того, чтобы теория могла играть большую роль в прогнозировании, прогнозы должны играть большую роль в теоретизировании. Принципиально разделять заключения/выводы о реальности, которые теоретики, безусловно, делают, и предположения о будущем, которые они в массе своей предлагать отказываются, а стоило бы.

В данной работе рассматривается роль искусственного интеллекта (ИИ) в развитии цифровой экономики. Проанализированы ключевые направления использования ИИ в различных отраслях: от прогнозирования рыночных тенденций и оптимизации производственных процессов до повышения эффективности логистики и финансовых операций. Особое внимание уделено моделям машинного обучения, позволяющим анализировать большие объемы данных для принятия стратегических решений. Также затронуты вызовы, связанные с внедрением ИИ, включая вопросы кибербезопасности, утраты рабочих мест и этических аспектов. В работе представлены практические примеры использования ИИ для анализа рынка и оценки влияния автоматизации на занятость. Итогом исследования стало обобщение, что грамотное внедрение ИИ способствует повышению конкурентоспособности стран, ускорению инноваций и устойчивому экономическому росту в условиях глобальной цифровизации. Материалы и методы. Для анализа рынка с использованием искусственного интеллекта можно применить несколько простых методов на Python, включая анализ данных с помощью библиотек, таких как pandas для обработки данных и scikit-learn для машинного обучения. Один из самых простых вариантов — это анализ трендов с использованием метода регрессии. Вот пример простого кода для анализа рынка с использованием линейной регрессии. Результаты. В конечном итоге мы создаем модель, которая прогнозирует объем продаж на основе цены товара. Мы используем простую линейную регрессию для анализа зависимости между ценой и количеством проданных единиц товара. Код также визуализирует зависимость между ценой и объемом продаж, а также выводит коэффициенты модели. Заключение. Применение методов искусственного интеллекта, таких как линейная регрессия, позволяет эффективно анализировать рыночные тенденции и выявлять зависимости между ключевыми показателями, например, ценой и объемом продаж. Использование библиотек Python, таких как pandas и scikit-learn, упрощает обработку данных и построение прогнозных моделей. Визуализация результатов помогает лучше интерпретировать полученные зависимости, что может быть полезным инструментом для принятия обоснованных управленческих решений и оптимизации маркетинговых стратегий.

Целью исследования является разработка усовершенствованного подхода к решению задачи детектирования недопустимых событий в области информационной безопасности для повышения точности обнаружения инцидентов и снижения числа ложных срабатываний. Недопустимым событием является событие в результате кибератаки, делающее невозможным достижение стратегических целей организации или приводящее к значительному нарушению ее основной деятельности. В основе предложенного решения задачи детектирования недопустимых событий лежит нейросетевой классификатор, обученный на данных о недопустимых событиях, таких как атрибуты, прекурсоры и индикаторы компрометации недопустимых событий. Данное решение обеспечивает всесторонний анализ событий и снижение вероятности пропуска недопустимых событий, что делает его актуальным для защиты критической информационной инфраструктуры. Актуальность данного исследования обусловлена быстрым ростом количества и сложности кибератак, а также необходимостью внедрения автоматизированных методов детектирования угроз, сопровождающимися недопустимыми событиями, которые приводят к негативным последствиям. В условиях увеличивающейся сложности киберугроз и многообразия атак традиционные методы обнаружения становятся недостаточно эффективными, что требует совершенствование существующих технологий для защиты информационных систем. Новизна разработанных предложений заключается в повышении точности детектирования недопустимых событий за счет использования методов машинного обучения и нейросетевого классификатора, а также сокращении времени реагирования с использованием инструмента сбора, обработки, агрегирования и визуализации Elastic Stack.

Материалы и методы исследования. Для решения задачи детектирования недопустимых событий использован инструмент Elastic Stack, обеспечивающий сбор, агрегацию и визуализацию данных о событиях. Основным инструментом анализа является нейросетевой классификатор, обученный на наборе атрибутов, прекурсоров и индикаторов компрометации недопустимых событий. Методы исследования включают применение механизмов корреляции событий, анализа аномалий и машинного обучения, которые интегрируются в единую систему. Результаты: предложено решение задачи детектирования недопустимых событий, основанное на применении выявленных атрибутов, прекурсоров и индикаторов компрометации недопустимых событий информационной безопасности.

Заключение: выявленные атрибуты, прекурсоры и индикаторы компрометации недопустимых событий обеспечивают решение задачи детектирования недопустимых событий. Применение предложенного решения способствует совершенствованию защиты информационных систем и снижению рисков, связанных с кибератаками, что особенно важно для обеспечения безопасности критической информационной инфраструктуры.