Машинное обучение в решении пространственных задач в магистратуре факультета географии и геоинформационных технологий НИУ ВШЭ

DOI: 10.35595/2414-9179-2025-3-31-414-427

Посмотреть или загрузить статью (Rus)

Об авторах

Е.С. Подольская

Национальный исследовательский университет «Высшая школа экономики»,
ул. Мясницкая, д. 20, Москва, Россия, 101000,
E-mail: epodolskaya@hse.ru

М.А. Сакиркина

Национальный исследовательский университет «Высшая школа экономики»,
ул. Мясницкая, д. 20, Москва, Россия, 101000,
E-mail: masakirkina@gmail.com

Аннотация

Статья представляет содержание и опыт проведения курса по машинному обучению (МО) в решении пространственных задач, прочитанного в магистратуре по пространственным данным и прикладной геоаналитике первого года обучения Факультета географии и геоинформационных технологий НИУ ВШЭ в 2025 г. Авторы курса систематизировали свои образовательные и производственные наработки в использовании методов и технологий МО для студентов Факультета. Курс состоит из лекций и практических семинарских заданий, охватывающих методы и геоприложения современного МО с использованием нейросетей, и включает 14 пар занятий. В курсе рассмотрены место МО в науке о данных и искусственном интеллекте, приложения и актуальное развитие МО, математические основы и типы МО-задач. В классическом МО представлен блок занятий по кластерному анализу, классификации и регрессии с примерами в геоинформатике. Далее следует тема деревьев решений и ансамблей алгоритмов. Отдельное внимание уделяется обзору современных нейросетей как развития МО, алгоритмов и архитектур их работы, особенностей и отличий с актуальными примерами в геоинформатике. Продолжением курса является производственное использование методов МО. Изучаются наборы данных в МО с вариантами как готового использования, так и самостоятельного создания. Вводится понятие модели МО и рассматриваются Python-фреймворки для классического МО (Pandas, Scikit-learn, NumPy, ансамбли деревьев), затем глубокого обучения (ГО), такие как Keras, TensorFlow и PyTorch. В развитии курса обсуждается создание и оптимизация МО-модели на Python, являющейся частью МО-проекта; организация и интеграция МО-проекта в производственные процессы. Для того, чтобы показать студентам возможности МО, используются научные публикации по решению задач с пространственными данными: примеры в сельском хозяйстве, прогнозировании рисков и природных явлений, геомаркетинге. Дается обзор современного программного обеспечения с функциями МО в геоинформатике. Рассмотрение этики и права в МО-проектах завершает курс. В списке литературы курса — исследования 2019–2025 гг. Материалы курса планируется дополнять и актуализировать с использованием новостей разных источников, статей, учебников и профильных конференций по гео-искусственному интеллекту.

Ключ. слова

гео-искусственный интеллект, машинное обучение, учебный курс, магистерская программа, пространственные данные

Список литературы

  1. Бахрамхан Я.О., Ермаков Д.М., Подольская Е.С. Опыт разработки алгоритма выделения лесных просек под линиями электропередач в лесных ландшафтах на основе данных Sentinel-2. XXII Международная конференция «Современные проблемы дистанционного зондирования Земли из космоса». Тезисы доклада. 11–15 ноября 2024. М.: ИКИ РАН, 2024.
  2. Беляков С.Л., Розенберг И.Н. Интеллектуальные геоинформационные системы. Железнодорожный транспорт, 2011. № 4. С. 32–37.
  3. Варламова Ю.А., Корнейченко Е.Н. Искусственный интеллект в российских регионах. Russian Journal of Economics and Law, 2024. № 18 (3). С. 641–662. DOI: 10.21202/2782-2923.2024.3.641-662.
  4. Гохберг Л.М., Яцкин Д.В., Гребенюк А.Ю. Топ-20 фронтиров мировой науки: 2024. М.: Институт статистических исследований и экономики знаний НИУ ВШЭ. Электронный ресурс: https://issek.hse.ru/news/1021755371.html (дата обращения 07.07.2025).
  5. Ендовицкий Д.А., Гайдар К.М. Университетская наука и образование в контексте искусственного интеллекта. Высшее образование в России, 2021. Т. 30. № 6. С. 121–131. DOI: 10.31992/0869-3617-2021-30-6-121-131.
  6. Иванов В.М. Интеллектуальные системы: учебное пособие для вузов. М.: Юрайт, 2022. 91 с.
  7. Иванова А.П. Роль искусственного интеллекта в решении проблемы изменения климата (Обзорная статья). Социальные и гуманитарные науки. Отечественная и зарубежная литература. Серия 4: Государство и право, 2024. № 1. С. 178–188. DOI: 10.31249/iajpravo/2024.01.12.
  8. Платонов А.В. Машинное обучение: учебное пособие для вузов. М.: Юрайт, 2023. 85 с.
  9. Подольская Е.С. Методы и ГИС-инструменты машинного обучения с открытым кодом в лесном транспортном моделировании. Вопросы лесной науки, 2023. Т. 6. № 3. С. 1–10. DOI: 10.31509/2658-607x-202363-130.
  10. Подольская Е.С. Геоинформационные технологии в интеллектуальных системах как дисциплина в программе подготовки студентов по специальности «Картография и геоинформатика». Геодезия и картография, 2024a. № 8. С. 51–60. DOI: 10.22389/0016-7126-2024-1010-8-51-60.
  11. Подольская Е.С. Опыт подготовки и проведения учебного курса по интеллектуальным геоинформационным системам для студентов вузов. Материалы Первой международной научно-практической конференции «Цифровая реальность: новые вызовы в картографии, ГИС и ДЗЗ». Алматы, 2024b. С. 146–149. DOI: 10.13140/RG.2.2.35745.62563.
  12. Подольская Е.С., Кокуркин А.Д. Результаты тестирования архитектур нейросетей для распознавания дорог. Региональные проблемы дистанционного зондирования Земли. Материалы XI Международной научной конференции. Красноярск: СФУ, 2024. С. 323–326.
  13. Подольская Е.С., Шайахметов А.Р. Современные нейросети для распознавания объектов инфраструктуры лесного хозяйства. Тезисы IX Всероссийской (с международным участием) конференции «Аэрокосмические методы и геоинформационные технологии в лесоведении, лесном хозяйстве и экологии». М., 2025.
  14. Факур М., Груздев А. Причинно-следственный анализ для смелых и честных. М.: ДМК Пресс, 2025. 594 с.
  15. Afroosheh S., Askari M. Fusion of Deep Learning and GIS for Advanced Remote Sensing Image Analysis. Computer Vision and Pattern Recognition, 2024. P. 1–9. DOI: 10.48550/arXiv.2412.19856.
  16. Benaich N. State of AI Report. Air Street Capital. October 2024. Web resource: https://www.stateof.ai/ (accessed 07.07.2025).
  17. Binetti M.S., Massarelli C., Uricchio V.F. Machine Learning in Geosciences: A Review of Complex Environmental Monitoring Applications. Machine Learning and Knowledge Extraction, 2024. No. 6. P. 1263–1280. DOI: 10.3390/make6020059.
  18. Boutayeb A., Lahsen-cherif I., El Khadimi A. A Comprehensive GeoAI Review: Progress, Challenges and Outlooks. ArXiv.org, 2024. arXiv:2412.11643. P. 1–50. DOI: 10.48550/arXiv.2412.11643. Web resource: https://arxiv.org/abs/2412.11643 (accessed 02.06.2025).
  19. Candrasari R., Makulua J., Noviasmy Y., Makulua K., Siminto S. GPT Chat: Useful or Not in Supporting Learning in Higher Education. International Journal of Language and Ubiquitous Learning, 2024. No. 2 (2). P. 113–125. DOI: 10.70177/ijlul.v2i2.963.
  20. Chatterjee P., Yazdani M., Fernandez-Navarro F., Perez-Rodriguez J. Machine Learning Algorithms and Applications in Engineering (1st ed.). CRC Press, 2023. 328 p. DOI: 10.1201/9781003104858.
  21. Diehr J., Ogunyiola A., Dada O. Artificial Intelligence and Machine Learning-Powered GIS for Proactive Disaster Resilience in a Changing Climate. Annals of GIS, 2025. P. 1–14. DOI: 10.1080/19475683.2025.2473596.
  22. Gao S., Hu Y., Li W. Handbook of Geospatial Artificial Intelligence (1st ed.). CRC Press, 2023. 468 p. DOI: 10.1201/9781003308423.
  23. Gong J., Yue P., Woldai T., Tsai F., Vyas A., Wu H., Gruen A., Wang L., Musikhin I. Geoinformatics Education and Outreach: Looking Forward. Geo-Spatial Information Science, 2017. No. 20 (2). P. 209–217. DOI: 10.1080/10095020.2017.1337319.
  24. Gultom A.M., Ashadi A., Fatnalaila F., Azizah S.N., Rosyidah D.M. The Use of Chat GPT for Academic Writing in Higher Education. Formosa Journal of Sustainable Research, 2024. No. 3 (8). P. 1713–1730. DOI: 10.55927/fjsr.v3i8.10162.
  25. Habib M., Okayli M. An Overview of Modern Cartographic Trends Aligned with the ICA’s Perspective. RIG, 2023. P. 1–16. DOI: 10.32604/rig.2023.043399.
  26. Janowicza K., Gaob S., McKenziec G., Hud Y., Bhadurie B. GeoAI: Spatially Explicit Artificial Intelligence Techniques for Geographic Knowledge Discovery and Beyond. International Journal of Geographical Information Science, 2020. No. 34 (4). P. 625–636.
  27. Juhasz L., Mooney P., Hochmair H.H., Guan B. ChatGPT as a Mapping Assistant: A Novel Method to Enrich Maps with Generative AI and Content Derived from Street-Level Photographs. Spatial Data Science Symposium. Paper Proceedings. UC Santa Barbara Center for Spatial Studies, 2023. P. 1–13. DOI: 10.25436/E2ZW27.
  28. Lansley G., De Smith M., Goodchild M., Longley P. Big Data and Geospatial Analysis. Geospatial Analysis: A Comprehensive Guide to Principles, Techniques and Software Tools. Edinburgh: The Winchelsea Press, 2019. P. 547–570.
  29. Lee H., Li W. Geospatial Artificial Intelligence for Satellite-Based Flood Extent Mapping: Concepts, Advances, and Future Perspectives. ArXiv, 2025. arXiv:2504.02214v1. P. 1–11. DOI: 10.48550/arXiv.2504.02214. Web resource: https://arxiv.org/abs/2504.02214 (accessed 02.06.2025).
  30. Lunga D., Hu Y., Newsam S., Gao S., Martins B., Yang L., Deng X. GeoAI at ACM SIGSPATIAL: The New Frontier of Geospatial Artificial Intelligence Research. SIGSPATIAL Special, 2022. No. 13 (3). P. 21–32.
  31. Mai G., Xie Y., Jia X., Lao N., Rao J., Zhu Q., Liu Z., Chiang Y.-Y., Jiao J. Towards the Next Generation of GeoAI. International Journal of Applied Earth Observation and Geoinformation, 2025. V. 136. P. 1–21. DOI: 10.1016/j.jag.2025.104368.
  32. Mooney P., Cui W., Guan B., Juhasz L. Towards Understanding the Geospatial Skills of ChatGPT: Taking a Geographic Information Systems (GIS) Exam. GeoAI’23: Proceedings of the 6th ACM SIGSPATIAL International Workshop on AI for Geographic Knowledge Discovery, 2023. P. 85–94.
  33. Openshaw S., Openshaw C. Artificial Intelligence in Geography. Chichester: Wiley, 1997. 352 p.
  34. Wang A., Liu L., Chen H., Lin Z., Han J., Ding G. YOLOE: Real-Time Seeing Anything. ArXiv, 2025. arXiv:2503.07465v1. P. 1–15. DOI: 10.48550/arXiv.2503.07465. Web resource: https://arxiv.org/abs/2503.07465 (accessed 02.06.2025).
  35. Zhang Y., He Z., Li J., Lin J., Guan Q., Yu W. MapGPT: An Autonomous Framework for Mapping by Integrating Large Language Model and Cartographic Tools. Cartography and Geographic Information Science, 2024. P. 1–25. DOI: 10.1080/15230406.2024.2404868.
  36. Zhang Y., Wei C., He Z., Yu W. GeoGPT: An Assistant for Understanding and Processing Geospatial Tasks. International Journal of Applied Earth Observation and Geoinformation, 2024. No. 131. P. 1–21.

Для цитирования: Подольская Е.С., Сакиркина М.А. Машинное обучение в решении пространственных задач в магистратуре факультета географии и геоинформационных технологий НИУ ВШЭ. ИнтерКарто. ИнтерГИС. M.: Географический факультет МГУ, 2025. Т. 31. Ч. 3. С. 414–427. DOI: 10.35595/2414-9179-2025-3-31-414-427

For citation: Podolskaia E.S., Sakirkina M.A. Machine learning in solving spatial problems in the master’s program at the Faculty of Geography and Geoinformation Technologies of the Higher School of Economics. InterCarto. InterGIS. Moscow: MSU, Faculty of Geography, 2025. V. 31. Part 3. P. 414–427. DOI: 10.35595/2414-9179-2025-3-31-414-427 (in Russian)