Россия
Россия
УДК 004 Информационные технологии. Компьютерные технологии. Теория вычислительных машин и систем
В статье предлагается математическая модель представления лексических данных, предназначенная для автоматизированной классификации ландшафтов на основе неструктурированных текстовых описаний растительности. Разработанная модель базируется на синтезе онтологического подхода и гипервекторной алгебры, позволяя учитывать как семантику отдельных таксонов, так и синтаксическую структуру предложений. Вводится формальное описание морфолого-лексического, синтаксического и семантического уровней обработки текста. Предложен алгоритм формирования признакового пространства, инвариантного к лексической вариативности естественного языка. Особенностью подхода является возможность интеграции полученного семантического вектора с признаками, извлеченными из графических данных, что критически важно для комплексных геоинформационных систем. В качестве основы для модели используется синтез онтологического подхода и гипервекторной алгебры, что позволяет учитывать как семантику отдельных таксонов, так и синтаксическую структуру предложений. В работе вводится формальное описание морфолого-лексического, синтаксического и семантического уровней обработки текста. Предложенный алгоритм формирования признакового пространства обеспечивает инвариантность к лексической вариативности естественного языка, эффективно решая проблемы синонимии и омонимии. Ключевой особенностью подхода является возможность бесшовной интеграции полученного семантического вектора с признаками, извлеченными из графических данных, что критически важно для комплексных геоинформационных систем. Модель позволяет не только классифицировать ландшафты по текстовым описаниям, но и уточнять результаты анализа за счет совместного использования визуальной и текстовой информации, повышая общую достоверность и точность геоэкологического мониторинга.
математическая модель, обработка естественного языка, гипервекторная алгебра, классификация ландшафтов, онтология, семантический анализ, анализ лексических данных.
1. Kanerva P. Hyperdimensional computing: An introduction to computing in distributed representation with high-dimensional random vectors // Cognitive Computation. - 2009. - V. 1. - № 2. - P. 139–159.
2. Большакова Е.И., Клышинский Э.С., Ландэ Д.В., Носков А.А. Автоматическая обработка текстов на естественном языке и компьютерная лингвистика. - М.: МИЭМ, 2011. - 272 с.
3. Devlin J., Chang M.W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics. - 2019. - P. 4171–4186.
4. Лукашевич Н.В. Тезаурусы в задачах информационного поиска. - М.: Изд-во МГУ, 2011. - 512 с.
5. Скворцов А.В., Миронов В.Г. Интеграция онтологических моделей в современные геоинформационные системы // Вестник компьютерных и информационных технологий. - 2021. - № 4. - С. 22–31.
6. Гаврилова Т.А., Муромцев Д.И. Интеллектуальные технологии в менеджменте: инструменты и системы. - СПб.: Высшая школа менеджмента, 2007. - 488 с.
7. Воронцов К.В. Математические методы обучения по прецедентам. - М.: МФТИ, 2013. - 141 с.
8. Ayzel, G. V. Deep neural networks in hydrology: the new generation of universal and efficient models / G. V. Ayzel // Vestnik of Saint Petersburg University. Earth Sciences. – 2021. – Vol. 66, No. 1. – P. 5-18. – DOIhttps://doi.org/10.21638/spbu07.2021.101. – EDN MAKJUF.
9. Application of Artificial Intelligence in National Mandatory Health Insurance Systems: Review of Opportunities and Payment Practices / T. Dautov, V. Polushkin, K. Lopatin [et al.] // Astana Medical Journal. – 2025. – No. 1(125). – P. 20-26. – DOIhttps://doi.org/10.54500/2790-1203-2025-125-1-20-26. – EDN MRRAOV.
10. Intelligent Fault Detection and Isolation Based on NARX Neural Networks / M. A. Atmane, H. Zatla, B. Tolbi [et al.] // Informatics and Automation. – 2026. – Vol. 25, No. 2. – P. 410-444. – DOIhttps://doi.org/10.15622/ia.25.2.6. – EDN NTDNUC.
11. Громов, Ю. Ю. Применение искусственного интеллекта в задачах обработки данных дистанционного мониторинга / Ю. Ю. Громов, И. Н. Ищук, В. В. Родионов // Труды Международной конференции по компьютерной графике и зрению "Графикон". – 2023. – № 33. – С. 727-735. – DOIhttps://doi.org/10.20948/graphicon-2023-727-735. – EDN RDPRTJ.
12. Валиев, В. С. Сравнение методов сегментации растровых изображений и их нейросетевая классификация / В. С. Валиев, Р. Р. Хасанов, Д. В. Иванов // Российский журнал прикладной экологии. – 2024. – № 3(39). – С. 49-54. – DOIhttps://doi.org/10.24852/2411-7374.2024.3.49.54. – EDN OKVJYQ.
13. Агеева, Е. А. Интеллектуальный поиск в цифровых архивах на основе технологий искусственного интеллекта / Е. А. Агеева, Э. И. Мотина, Д. А. Федоров // Экономика строительства. – 2026. – № 4. – С. 377-379. – EDN POSYYA.
14. Pushpalatha, C., Sivasankari, B., Ahilan, A. et al. Landscape Classification Using an Optimized Ghost Network from Aerial Images. J Indian Soc Remote Sens 53, 3115–3126 (2025). https://doi.org/10.1007/s12524-024-01910-5
15. Meles, M.B., Guertin, D.P., Burns, I.S. et al. From expert knowledge to data-driven landscape classification: mapping ecological site groups across climatic and edaphic gradients. Landsc Ecol 41, 105 (2026). https://doi.org/10.1007/s10980-026-02385-0
