Информационные технологии в дистанционном зондировании Земли

МЧС России активно применяет результаты дистанционного зондирования для обеспечения защиты населения и территорий от чрезвычайных ситуаций. Наблюдающийся рост объѐма получаемых данных требует обеспечения гарантированного хранения данных, а также обеспечить оперативную обработку данных. При прогнозировании и реагировании на чрезвычайные ситуации требуется в кратчайшее время принять меры по недопущению человеческих жертв и нанесения материального ущерба населению, объектам экономики и окружающей среде. Это может быть достигнуто только сокращением времени от момента обнаружения угрозы до начала проведения необходимых мероприятий. Для решения данной проблемы в статье предлагается модель построения распределѐнной файловой системы и распределѐнной многопоточной обработки данных, получаемых Системой космического мониторинга МЧС России. Предлагаемая модель позволяет обеспечить гарантированное хранения данных, сократить время на обработку данных, а также обеспечить гибкое масштабирование аппаратных средств.

Литература:

[1] Rozenberg I.N. Space Monitoring. Slavyanskii forum, 2016, № 2, pp. 216-222. (In Russian).
[2] Toth C., Jóźków G. Remote Sensing Platforms and Sensors: A Survey. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, Т. 115, pp. 22-36. DOI: 10.1016/j.isprsjprs.2015.10.004.
[3] Giri C. P. Remote Sensing of Land Use and Land Cover: Principles and Applications. CRC Press, 2016. DOI: 10.1201/b11964.
[4] Fakhmi Sh.S., Kryukova M.S., Alekseenko Ya.V., Salem Ali, Video System of Space Monitoring of Emercom of Russia for Managerial Decision Making. Technologies for Constructing Transport systems, 2018, pp. 236-243. (In Russian).
[5] Yu.I. Shokin et al. An information system for acquisition, processing and access to satellite data and its applications in environmental monitoring. Computational Technologies, 2015, 20 (5). (In Russian).
[6] Kolesenkov A. N. Modern Approaches to the Processing of Data in the Construction of Information Systems of Environmental Monitoring. Izvestiya Tula State University, 2016, №9. (In Russian).
[7] Hoque M. A. A. et al. Tropical cyclone disaster management using remote sensing and spatial analysis: A review. International journal of disaster risk reduction, 2017, Т. 22, pp. 345-354. DOI: 10.1016/j.ijdrr.2017.02.008.
[8] Liu Y., Wu L. Geological Disaster Recognition on Optical Remote Sensing Images Using Deep Learning. Procedia Computer Science, 2016, Т. 91, pp. 566-575. DOI: 10.1016/j.procs.2016.07.144.
[9] Fakhmi Sh.S., Almahrouk Muhib Muhamed, Kryukova M.S., Alekseenko Ya.V. Model of Distributed Processing and Storage of Space Pictures. Technologies for Constructing Transport systems, 2018, pp. 231-236. (In Russian).
[10] Shvachko K. V. et al. Distributed File System Using Consensus Nodes : patent. 9424272 USA, 2016.
[11] Ramakrishnan R. et al. Azure Data Lake Store: a Hyperscale Distributed File Service for Big Data Analytics. Proceedings of the 2017 ACM International Conference on Management of Data. – ACM, 2017, pp. 51-63. DOI: 10.1145/3035918.3056100.
[12] Kakoulli E., Herodotou H. OctopusFS: A Distributed File System With Tiered Storage Management. Proceedings of the 2017 ACM International Conference on Management of Data. – ACM, 2017, pp. 65-78. DOI: 10.1145/3035918.3064023.
[13] Sherstnev V. S. et al. Development of Distributed File System for Storing Weather Data. 22nd International Symposium on Atmospheric and Ocean Optics: Atmospheric Physics. – International Society for Optics and Photonics, 2016, Т. 10035, pp. 100350G. DOI: 10.1117/12.2249248.
[14] Mori K. I. et al. Design of a Local Parallel Pattern Processor for Image Processing. Special Computer Architectures for Pattern Processing. – CRC Press, 2018, pp. 197-210. DOI: 10.1109/AFIPS.1978.71.
[15] Ma Y. et al. Parallel Programing Templates for Remote Sensing Image Processing on GPU Architectures: Design and Implementation. Computing, 2016, Т. 98, №. 1-2, pp. 7-33. DOI: 10.1007/s00607-014-0392-y.
[16] Tan K. et al. GPU Parallel Implementation of Support Vector Machines for Hyperspectral Image Classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, Т. 8, №. 10, pp. 4647-4656. DOI: 10.1109/JSTARS.2015.2453411.
[17] Li W. et al. GPU Parallel Implementation of Isometric Mapping for Hyperspectral Classification. IEEE Geoscience and Remote Sensing Letters, 2017, Т. 14, №. 9, pp. 1532-1536. DOI: 10.1109/LGRS.2017.2720778.
[18] Rathore M. M. U. et al. Real-Time Big Data Analytical Architecture for Remote Sensing Application. IEEE journal of selected topics in applied earth observations and remote sensing, 2015, Т. 8, № 10, pp. 4610-4621. DOI: 10.1109/JSTARS.2015.2424683.

Информационные технологии в дистанционном зондировании Земли - RORSE 2018

Электронный сборник статей 16-й конференции (12-16 ноября 2018 г., Москва, Россия)

Информационные системы для работы с данными дистанционного мониторинга