DOI: 10.69803/3083-6034-2025-2-246

УДК 004.77:528.8

 

Ю. В. Синявіна, канд. екон. наук, доцент

jusin2016@gmail.com

https://orcid.org/0000-0002-2015-810X

Державний біотехнологічний університет

 

О. М. Кульбака, канд. екон. наук, доцент

olesya.kulbaka@gmail.com

 kulbaka.olesia@pdaba.edu.ua

https://orcid.org/0000-0002-6066-8112

Український державний університет науки і технологій

ННІ «Придніпровська державна академія будівництва та архітектури»

 

В. М. Кульбака, канд. екон. наук, доцент

 kulbaka.viktor@pdaba.edu.ua

https://orcid.org/0000-0003-3634-4334

Український державний університет науки і технологій

ННІ «Придніпровська державна академія будівництва та архітектури»

 

СУЧАСНІ ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ ДЛЯ АНАЛІЗУ ГЕОПРОСТОРОВИХ BIG DATA

 

У статті досліджено сучасні інформаційні технології обробки та аналізу геопросторових Big Data, які стають невід’ємним компонентом наукових досліджень, бізнес-процесів та державного управління. Актуальність роботи зумовлена стрімким зростанням обсягів даних, що генерують супутники, дрони, IoT-пристрої, кадастрові та геоінформаційні системи. Це створює нові виклики для збирання, зберігання, обробки та аналізу даних, які не можна ефективно подолати лише завдяки традиційним ГІС.

У дослідженні розглянуто перехід від класичних геоінформаційних систем до сучасних хмарних платформ, технологій розподілених обчислень та методів штучного інтелекту, які забезпечують високу продуктивність і масштабованість аналізу геопросторових даних.

Систематизовано та схарактеризовано три основних класи технологічних рішень: розподілені обчислювальні фреймворки (Apache Spark та розширення), спеціалізовані просторово-часові бази даних (GeoMesa) та хмарні платформи (Google Earth Engine).

Особливу увагу надано Big Data-платформам Google Earth Engine, AWS та Microsoft Planetary Computer, а також інтеграції спеціалізованих інструментів (PostGIS, Hadoop, Spark + GeoSpark), що дають змогу здійснювати ефективну просторову обробку даних.

Обґрунтовано переваги та вади кожного підходу, а також визначено оптимальні сфери їх застосування. Доведено, що вибір оптимальної технології є нетривіальним завданням, що залежить від специфіки задачі: Spark – для кастомної аналітики, GeoMesa – для оперативного моніторингу, GEE – для глобального аналізу растрових даних.

Підкреслено, що подальший розвиток цієї галузі пов’язаний з удосконаленням алгоритмів обробки Big Data, інтеграцією геоаналітики з технологіями штучного інтелекту й створенням найефективніших інтерфейсів візуалізації, та висновувано, що сучасні інформаційні технології аналізу геопросторових Big Data є стратегічним інструментом для виконання актуальних наукових і практичних завдань, який відіграє ключову роль у забезпеченні сталого розвитку, ефективного управління ресурсами та гарантуванні екологічної безпеки.

Сформульовано перспективи подальших досліджень у напрямі інтеграції методів штучного інтелекту (GeoAI) для виявлення прихованих закономірностей, розвитку технологій обробки геопросторових даних у реальному часі.

Результати дослідження можуть слугувати методологічною основою для подальших робіт й упровадження інноваційних підходів у моніторингу, аналізі й управлінні просторовими ресурсами.

 

Ключові слова: Big Data, геопросторові дані, Apache Spark, Google Earth Engine, GeoMesa, розподілені обчислення, ГІС, хмарні платформи.

 

 

Список використаних джерел:

  1. Shekhar, S., Jiang, Z., Ali, R.Y., Eftelioglu, E., Tang, X., Gunturi, V.M.V. and Zhou, X. (2015) Spatiotemporal Data Mining: A Computational Perspective. ISPRS International Journal of Geo-Information, 4, 2306-2338. https://doi.org/10.3390/ijgi4042306
  2. Арзубов М. В., Батюк А. Є. Аналіз рішень та підходів кластеризації геопросторових даних для оптимізації продуктивності веб-карти та взаємодії користувача. Український журнал інформаційних технологій. 2023. Т. 5. № 2. С. 88–96.
  3. Yang, C., et al., Utilizing Cloud Computing to address big geospatial data challenges, Computers, Environment and Urban Systems (2016), http://dx.doi.org/10.1016/j.compenvurbsys.2016.10.010
  4. Yu J., Wu J., Sarwat M. GeoSpark: A Cluster Computing Framework for Processing Big Spatial Data. Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems. 2015. P. 1–4. https://doi.org/10.1145/2820783.2820860
  5. Fox A., Eichelberger C., Hughes J. and S. Lyon. Spatio-temporal indexing in non-relational distributed databases. 2013 IEEE International Conference on Big Data, Silicon Valley, CA, USA, 2013, pp. 291-299, doi: 10.1109/BigData.2013.6691586.
  6. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment. 2017. Vol. 202. P. 18–27. https://doi.org/10.1016/j.rse.2017.06.031
  7. Goodchild M.F. Citizens as sensors: the world of volunteered geography. GeoJournal 69, 211–221 (2007). https://doi.org/10.1007/s10708-007-9111-y
  8. Zhang, C., Li, W., & Travis, D. (2017). GBDX: A Scalable Platform for Geospatial Big Data. ISPRS International Journal of Geo-Information, 6(9), 294. https://doi.org/10.3390/ijgi6090294
  9. Li, S., Dragicevic, S., Castro, F. A., Sester, M., Winter, S., Cöltekin, A., Pettit, C., et al. (2016). Geospatial big data handling theory and methods: A review and research challenges. ISPRS Journal of Photogrammetry and Remote Sensing, Volume115, 2016, Pages 119–133. https://doi.org/10.1016/j.isprsjprs.2015.10.012
  10. Google Earth Engine: веб-платформа [Електронний ресурс] / Google. URL: https://earthengine.google.com/.
  11. Microsoft Planetary Computer: веб-платформа [Електронний ресурс] / Microsoft. URL: https://planetarycomputer.microsoft.com/ .
  12. Amazon Web Services: офіційний веб-сайт [Електронний ресурс] / Amazon. URL: https://aws.amazon.com/.
  13. Apache Hadoop: офіційний сайт проєкту [Електронний ресурс] / The Apache Software Foundation. URL: https://hadoop.apache.org/ .
  14. Apache Spark: офіційний сайт проєкту [Електронний ресурс] / The Apache Software Foundation. URL: https://spark.apache.org/ .
  15. Apache Sedona: офіційний сайт проєкту [Електронний ресурс] / The Apache Software Foundation. URL: https://sedona.apache.org/ .
  16. PostGIS Spatial and Geographic Objects for PostgreSQL: офіційний вебсайт [Електронний ресурс]. URL: https://postgis.net/ .
  17. Oracle Spatial and Graph: офіційна вебсторінка [Електронний ресурс] / Oracle. URL: https://www.oracle.com/database/spatial-database/ .
  18. GeoMesa : офіційний сайт проєкту [Електронний ресурс]. URL: https://www.geomesa.org/
  19. OpenGeoAI: вебсайт [Електронний ресурс]. URL: https://opengeoai.org/.
  20. Чабанюк В. С., Дишлик О. П. Сучасні підходи до розроблення електронних атласів у контексті «великих даних». Український географічний журнал. 2015. № 4. С. 49–57. URL: http://jnas.nbuv.gov.ua/article/UJRN-0000533216

 

References

  1. Shekhar, S., Jiang, Z., Ali, R.Y., Eftelioglu, E., Tang, X., Gunturi, V.M.V. and Zhou, X. (2015) Spatiotemporal Data Mining: A Computational Perspective. ISPRS International Journal of Geo-Information, 4, 2306-2338. https://doi.org/10.3390/ijgi4042306
  2. Arzubov, M. V., & Batyuk, A. Ye. (2023). Solutions and approaches analysis for geospatial data clustering to optimize performance and user experience of web maps. Ukrainian Journal of Information Technologies, 5(2), 88–96. https://doi.org/10.23939/ujit2023.02.08
  3. Yang, C., et al., Utilizing Cloud Computing to address big geospatial data challenges, Computers, Environment and Urban Systems (2016), http://dx.doi.org/10.1016/j.compenvurbsys.2016.10.010
  4. Yu J., Wu J., Sarwat M. GeoSpark: A Cluster Computing Framework for Processing Big Spatial Data. Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems. 2015. P. 1–4. https://doi.org/10.1145/2820783.2820860
  5. Fox A., Eichelberger C., Hughes J. and S. Lyon. Spatio-temporal indexing in non-relational distributed databases. 2013 IEEE International Conference on Big Data, Silicon Valley, CA, USA, 2013, pp. 291-299, doi: 10.1109/BigData.2013.6691586.
  6. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment. 2017. Vol. 202. P. 18–27. https://doi.org/10.1016/j.rse.2017.06.031
  7. Goodchild M.F. Citizens as sensors: the world of volunteered geography. GeoJournal 69, 211–221 (2007). https://doi.org/10.1007/s10708-007-9111-y
  8. Zhang, C., Li, W., & Travis, D. (2017). GBDX: A Scalable Platform for Geospatial Big Data. ISPRS International Journal of Geo-Information, 6(9), 294. https://doi.org/10.3390/ijgi6090294
  9. Li, S., Dragicevic, S., Castro, F. A., Sester, M., Winter, S., Cöltekin, A., Pettit, C., et al. (2016). Geospatial big data handling theory and methods: A review and research challenges. ISPRS Journal of Photogrammetry and Remote Sensing, Volume115, 2016, Pages 119–133. https://doi.org/10.1016/j.isprsjprs.2015.10.012
  10. Google Earth Engine: веб-платформа [Електронний ресурс] / Google. URL: https://earthengine.google.com/.
  11. Microsoft Planetary Computer: веб-платформа [Електронний ресурс] / Microsoft. URL: https://planetarycomputer.microsoft.com/ .
  12. Amazon Web Services: офіційний веб-сайт [Електронний ресурс] / Amazon. URL: https://aws.amazon.com/.
  13. Apache Hadoop: офіційний сайт проєкту [Електронний ресурс] / The Apache Software Foundation. URL: https://hadoop.apache.org/ .
  14. Apache Spark: офіційний сайт проєкту [Електронний ресурс] / The Apache Software Foundation. URL: https://spark.apache.org/ .
  15. Apache Sedona: офіційний сайт проєкту [Електронний ресурс] / The Apache Software Foundation. URL: https://sedona.apache.org/ .
  16. PostGIS Spatial and Geographic Objects for PostgreSQL: офіційний веб-сайт [Електронний ресурс]. URL: https://postgis.net/ .
  17. Oracle Spatial and Graph: офіційна веб-сторінка [Електронний ресурс] / Oracle. URL: https://www.oracle.com/database/spatial-database/ .
  18. GeoMesa : офіційний сайт проєкту [Електронний ресурс]. URL: https://www.geomesa.org/
  19. OpenGeoAI: веб-сайт [Електронний ресурс]. URL: https://opengeoai.org/.
  20. Chabaniuk V. S., Dyshlyk O. P. Modern approaches to electronic atlases development in the context of "big data". Ukrainian Geographical Journal. 2015. No. 4. P. 49-57. URL: http://jnas.nbuv.gov.ua/article/UJRN-0000533216

 

Synyavina YU.V., Kulbakа O. M., Kulbakа V. M. Modern information technologies for the analysis of geospatial BIG DATA The article is devoted to the study of modern information technologies for processing and analyzing geospatial Big Data, which are becoming an integral component of scientific research, business processes, and public administration. The relevance of this work is determined by the rapid growth of data volumes generated by satellites, drones, IoT devices, cadastral systems, and geographic information systems. This creates new challenges for data collection, storage, processing, and analysis, which cannot be effectively addressed by traditional GIS alone. The study examines the transition from classical geographic information systems to modern cloud platforms, distributed computing technologies, and artificial intelligence methods that provide high performance and scalability in geospatial data analysis. Three main classes of technological solutions are systematized and characterized: distributed computing frameworks (Apache Spark and its extensions), specialized spatio-temporal databases (GeoMesa), and cloud platforms (Google Earth Engine). Special attention is paid to Big Data platforms such as Google Earth Engine, AWS, and Microsoft Planetary Computer, as well as to the integration of specialized tools (PostGIS, Hadoop, Spark + GeoSpark) that enable efficient spatial data processing. The advantages and limitations of each approach are justified, and their optimal application areas are identified. It is shown that the choice of the most appropriate technology is a non-trivial task and depends on the specificity of the problem: Spark for customized analytics, GeoMesa for operational monitoring, and GEE for global raster data analysis. It is emphasized that the further development of this field is associated with the improvement of Big Data processing algorithms, the integration of geospatial analytics with artificial intelligence technologies, and the creation of more effective visualization interfaces. Thus, modern information technologies for analyzing geospatial Big Data are a strategic tool for addressing pressing scientific and practical challenges, playing a key role in ensuring sustainable development, environmental security, and efficient resource management. The perspectives of further research are formulated in the direction of integrating artificial intelligence methods (GeoAI) for detecting hidden patterns, and advancing real-time geospatial data processing technologies.

 

Keywords: Big Data, geospatial data, Apache Spark, Google Earth Engine, GeoMesa, distributed computing, GIS, cloud platforms.

 


:  Переглянути (завант.: 18) [1001.51 Kb]