CC BY
54
КАРТОГРАФИЯ И ГЕОИНФОРМАТИКА
УДК 528, 51-7, 165, 004
ГЕОПРОСТРАНСТВЕННЫЙ ДИСКУРС ОПЕРЕЖАЮЩЕГО И ПРОРЫВНОГО МЫШЛЕНИЯ
Александр Петрович Карпик
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, доктор технических наук, профессор, ректор, тел. (383)343-39-37, e-mail: rector@ssga.ru
Дмитрий Витальевич Лисицкий
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, доктор технических наук, профессор, директор Научно-исследовательского института стратегического развития, тел. (383)344-35-62, e-mail: dlis@ssga.ru
Константин Станиславович Байков
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, доктор биологических наук, ведущий научный сотрудник Научно-исследовательского института стратегического развития, тел. (383)343-35-62, e-mail: kbaikov2017@mail.ru; Центральный сибирский ботанический сад СО РАН, 630090, Россия, г. Новосибирск, ул. Золотодолинская, 101, главный научный сотрудник
Алексей Григорьевич Осипов
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, доктор исторических наук, профессор, заместитель директора Научно-исследовательского института стратегического развития, тел. (383)344-35-62, e-mail: a.g.osipov@ssga.ru
Вячеслав Николаевич Савиных
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, кандидат экономических наук, доцент, старший научный сотрудник Научно-исследовательского института стратегического развития, тел. (383)344-35-62, e-mail: savinslav@inbox.ru
Определено содержание геоинформационного дискурса в опережающем и прорывном мышлении как фактора обеспечения первенства в исследованиях и разработках, высоких темпов получения новых знаний и инновационных продуктов. Раскрыта роль научной и инженерной интуиции, сформулированы принципы прорывного мышления в получении знаний в сфере геокогнитивных технологий. Показано, что прорывное мышление реализуется на базе аппаратно-программных систем, обеспечивающих сбор данных из разнородных
источников, автоматизации процессов обработки и кластеризации информации, формировании баз данных с распределенным доступом к ним. Предлагается понятие системы опережающего мышления как нераздельной совокупности методических приемов, логических схем анализа и предполагаемых технологических решений, которая еще не реализована в научно-исследовательском и образовательном процессах и направлена на скорейшую выработку новых знаний.
Введен и определен новый термин «геокогнитивная технология» как частный случай когнитивно-информационных технологий, отражающий особенности использования геопространственных данных в цифровой экономике, а также новый термин «агрогеоматика», образованный сочетанием известного термина «геоматика» и приставки «агро», обозначающий новый кластер, объединяющий методы и данные агропромышленного производства и геопространственной деятельности.
Сформулирован принцип опережающего научного мышления в геопространственном дискурсе, суть которого заключается в переходе геопространственной деятельности с уровня информационной функциональности на более высокий уровень аналитической функциональности, базирующийся на формировании пространственных знаний о территории и интеллектуализации подготовки инновационных геопространственных решений для рационального использования всех видов территориальных ресурсов.
Показано, что технические и геотехнологические решения необходимо дополнять математическим моделированием лимитирующих факторов, приоритеты определять путем обработки мнений компетентных экспертов по методу анализа иерархий. Применение вышеназванных типов мышления проиллюстрировано материалами биолого-геопространственных исследований.
Ключевые слова: геопространственный дискурс, прорывное мышление, геоинформационная среда, геокогнитивные технологии, геоэкология, биогеоценоз, коридор лимитирующих факторов, метод анализа иерархий, координированный кластер территории, математическая модель, стратегическая и статистическая игры с природой.
Прорывное и опережающее мышление - факторы обеспечения первенства в исследованиях и разработках, высоких темпов освоения новых знаний и создания инновационной продукции в соответствии с требованиями научно-технологической стратегии страны [1]. Отметим, однако, что понятийный аппарат «прорывного» и «опережающего» мышления нуждается в дальнейшей проработке, в том числе и под углом геопространственного дискурса.
Безусловно, и в прорывном, и в опережающем мышлении большую роль играют логическое мышление, способы и приемы образования понятий, законы логики. При этом под системой опережающего научного мышления (СОНМ) или системой умных и скоростных путей в научно-образовательном процессе авторы понимают такую нераздельную совокупность методических приемов, логических схем анализа и предполагаемых технологических решений, которая еще не реализована в научно-исследовательском и образовательном процессах и направлена на скорейшую выработку новых знаний. Именно направленность системы опережающего мышления на скоростную выработку новых знаний определяет в ее конфигурации гибкую смену приоритетов между компонентами СОНМ. Методические приемы, исследовательская программа и готовые технологические решения в разное время и на разных этапах реализации СОНМ мо-
гут изменять свой статус и становиться приоритетными. Однако опыт познавательной деятельности показывает, что логика часто оказывается недостаточной для решения фундаментальных научных проблем, а процесс производства принципиально новой информации не может быть сведен ни к индуктивно, ни к дедуктивно развертываемому мышлению. Особое место здесь занимает научная интуиция, придающая процессу познания новый импульс и направление движения. В свое время Альберт Эйнштейн даже утверждал: «Если не согрешить против логики, то вообще ни к чему нельзя прийти», а подлинной ценностью является, в сущности, только интуиция [2, 3]. В этой связи опережающее, и в значительной мере прорывное мышление, можно определить как получение нового знания, нередко вопреки устоявшейся научной логике и соответствующим мыслительным процедурам.
Вместе с тем, прорывное мышление, на наш взгляд, в отличие от опережающего мышления, хотя и опирается на новейшие достижения науки, но использует их для прорыва на традиционных участках научно-технологического поиска. В этом смысле для прорывного мышления характерен и тип интуиции. Это так называемая стандартизированная интуиция, поскольку при такой интуиции применяется определенный паттерн. Прорывное мышление можно рассматривать как своеобразную практику применения достижений опережающего мышления в фундаментальных науках и для решения крупных научно-прикладных задач. Здесь, на наш взгляд, целесообразно использовать постулаты, наработанные такими исследователями, как Д. Надлер и Ш. Хибино, которые ввели в теорию управления инновациями понятие прорыва (Breakthrough). Прорывом они назвали появление оригинальной творческой идеи, которая позволяет решить проблему; шаг, который позволяет достичь результатов значительно более полных, чем другие решения; доведение идеи до практической реализации.
Мышление прорыва - это когнитивный продукт, помогающий находить новые решения в постоянно меняющихся условиях и который сам непрерывно развивается и совершенствуется. На этой основе Д. Надлер и Ш. Хибино сформулировали универсальные принципы прорывного мышления, применимые к любой, в том числе и геоинформационной, среде:
1) уникальность. Каждая проблема является уникальной и требует для своего решения своих собственных подходов и методов;
2) целенаправленность. Должны быть правильно сформулированы глобальные и конкретные цели;
3) опора на проверенные практикой решения;
4) системность. Каждая проблема - это часть более крупной проблемы и решается с ее учетом;
5) границы сбора информации. Для решения проблемы целесообразно ограничиться сбором только той информации, которая необходима для решения конкретной проблемы;
6) своевременность обновления. Необходимо быть постоянно готовым к переменам и оперативно использовать усовершенствования.
Таким образом, прорывное мышление - это процесс поэтапного поиска решений и нахождение среди них оптимального решения. Поэтому мышление прорыва представляет собой новый вид универсального «решателя» проблем и, по мнению авторов, каждый инноватор представляет собой новый, более эффективный инструмент решения различных задач.
В становлении современного геопространственного дискурса прорывное мышление реализуется на базе научно-технического прогресса в сфере аппаратно-программных систем, обеспечивающих сбор данных из разнородных источников, автоматизации процессов обработки и распознавания информации, а также формирования баз данных с распределенным доступом к ней. В частности, основу информационного обеспечения в единой автоматизированной системе управления составляет картина реальной обстановки, где координаты объектов определены с помощью различных методов и систем (например, ГЛОНАСС-ОРБ), а данные о содержательных характеристиках объектов координирования поступают от различных источников. Состояние территории в геопространственном отношении характеризуется созданным и функционирующим геоинформационным пространством [4], а уже на его основе формируются 3Б [5] пространственные и 4Б [6] пространственно-временные модели местности. Актуальная картина местности отображается в виде картографических моделей, представленных в различных, в первую очередь цифровой, формах.
Возможности прорывного геопространственного мышления также тесно связаны с прогрессом космических и информационных технологий, которые стали принципиально новым инструментом с методологической точки зрения -они не добавились еще одним звеном к существующему ряду дисциплин, а объединили их, став их общей методологической платформой. Возникновение Интернета, а затем и Интернета вещей колоссально расширило возможность коммуникаций. Космические технологии и связанные с ними смежные технологии дистанционного зондирования Земли (в том числе и с использованием беспилотных авиационных систем) обеспечили практическое решение проблемы оперативного получения геопространственной информации.
Таким образом, прорывное геопространственное мышление обеспечило и поддерживает на уровне современности основную функцию геопространственной деятельности, которая сводится и ограничивается сбором и предоставлением пользователям геоинформации о территории и связанных с ней объектах (геоинформационная функциональность). В определенной степени этот подход удовлетворял до недавнего времени основным потребностям экономики и жизнедеятельности общества.
Однако наступающий технологический уклад, переход к цифровой экономике, «большие вызовы» для России требуют наращивания исследований процессов, происходящих в природе и обществе, развития природоподобных, в том числе когнитивных технологий. При этом интеллектуализация цифровой экономики, использующая понятия и термины «умный» - умные данные, умные модели, умная среда обитания (организация передвижений людей с ограничен-
ными физическими возможностями, заказы и доставка товаров и осуществление услуг через Интернет и др.), умные производства (умные заводы, умный транспорт и др.), умные территории (умный регион, умный город, умный квартал, умный перекресток и др.), порождает принципиально новые требования и ставит принципиально новые задачи перед геопространственой деятельностью [7]. Решение этих задач уже требует применения опережающего мышления.
В этой связи прогностическая ценность современных геопространственных моделей приобретает новое значение, поскольку позволяет решать широкий круг исследовательских задач в сфере рационального природопользования, геоэкологии, комплексной оценки негативного воздействия человеческой деятельности на объекты окружающей среды, осуществлять поиск эффективных экономических решений и развитие цифровой экономики. Использование параметрических метрик, созданных на их основе интегральных показателей, представление об изменяющихся долях факторов среды, закономерностях изменений нагрузки факторов, региональной специфике таких изменений позволят принципиально по-новому выстроить цепочки исследовательских программ, достигнуть высокого уровня новизны и точности измерений, разработать паттерны геопространственных решений.
Элементы рационализации научно-исследовательского процесса применительно к кластеру геопространственных и биогеоценотических данных уже содержатся в ряде современных геоинформационных программ визуализации пространственных данных, например Global Mapper [8]. В то же время ключевые компоненты СОНМ применительно к геопространственной деятельности пока не нашли отражения в научных исследованиях.
Новый геопространственный подход ориентирован на роль интегрального инструмента для сборки элементов опережающего научного мышления в единую аналитическую систему, направлен на учет взаимодействия факторов и объектов в каждой точке метрического пространства, приобретает функции установления доминирующих и вспомогательных факторов (с возможностью выделения среди вспомогательных факторов таких, которыми можно пренебречь в рамках решаемой исследовательской задачи). Это позволяет спланировать, осуществить и проконтролировать оптимальную организацию территории, обеспечить межотраслевое взаимодействие, выводит геопространственную деятельность на более высокий уровень воздействия на функционирование социально-экономического комплекса территориального образования любого уровня.
С позиции системы опережающего научного мышления в сфере геопространственной деятельности должен быть осуществлен ее вывод на уровень производительной силы. Суть предлагаемого подхода заключается в формировании новых, управляемых экспертами, гибких аналитических схем, использующих актуальную, высокоинформативную матрицу параметрических данных и обеспечивающих возможность работы с Big Data [9]. В геопространственном дискурсе этот подход базируется на анализе больших пространственно привязанных данных (Big Spatial Data). По сути дела предлагаемый подход подразумевает передачу
приоритета от геоинформации к геознаниям, которые, в свою очередь, становятся основой для новых когнитивных технологий, связанных с восприятием и использованием геопространства. В связи с этим, на наш взгляд, целесообразно ввести новое понятие «геокогнитивные технологии», отражающее особенности использования геопространственных данных в цифровой экономике, входящих в особый класс когнитивно-информационных технологий.
Развивая приведенные рассуждения, принцип опережающего научного мышления в геопространственном дискурсе можно сформулировать следующим образом.
Опережающее научное мышление в сфере геопространственной деятельности заключается в достижении принципиально нового технологического уровня в части информационно-аналитической поддержки функционирования социально-экономического комплекса территориального образования РФ на основе геоинформационных и геокогнитивных технологий, анализа больших геопространственных данных, формирования пространственных знаний о территории, интеллектуализации подготовки инновационных геопространственных решений для рационального использования всех видов территориальных ресурсов.
Новая функция геопространственной деятельности (аналитическая функциональность) на базе принципов опережающего и прорывного мышления рельефно просматривается на примере получения знаний и основанных на них технолого-управленческих решений в агропромышленной сфере.
В основе данного подхода лежит создание кластера, объединяющего методы и данные агропромышленного производства и геопространственной деятельности. Поскольку в мировой практике часто для обозначения области деятельности, основанной на интеграции средств сбора, обработки и распространения цифровых пространственных данных, применяют термин «геоматика», целесообразно обозначить созданный кластер новым термином «агрогеоматика».
Рассмотрим несколько примеров решения задач методами агрогеоматики.
В качестве исходных матриц данных географического и геоэкологического характера для целей агропрома могут служить гидротермические изолинии разного разрешения, характеризующие основные градиенты изменения температуры и влажности раздельно для воздушной и почвенной сред обитания наземных растений. Правила расчета этих показателей представляются в виде многофакторных региональных моделей, отражающих основные климатические сценарии (крайне сухой сезон, сухой, нормальный, влажный, избыточно влажный) и переходные между ними состояния.
По сгущению изолиний других типов можно находить и выделять полосы резких изменений показателей, которые обычно соответствуют заметным перепадам высот в рельефе местности (на равнине это могут быть борта речных долин), при отсутствии заметных перепадов высот - границе лесных и безлесных территорий, береговых участков и морских акваторий, озер. Следовательно, второй группой высокоинформативных матриц координатно-привязанных дан-
ных выступают ландшафтные модели и цифровые модели (карты) рельефа местности. В этом направлении уже имеются важные научные наработки и обобщения [10].
Точность ландшафтных моделей и цифровых моделей рельефа (десятиметровая, пятиметровая, двухметровая или метровая) повышает информативность результатов исследований, но существенно ограничивает территориальный охват местности. Для решения основного круга исследовательских задач субъекта РФ в сфере агрогеоматики достаточно 30-метрового разрешения, для некоторых задач - еще меньше.
Кроме того, востребованы и другие группы высокоинформативных матриц для агропрома, требующих пространственной привязки, например, содержащих температурно-влажностные характеристики атмосферы и подстилающей поверхности, показатели процессов оттаивания/замерзания деятельного слоя арктических территорий, пространственно-временные характеристики состояния талых и мерзлых почв [11].
Для получения гарантированного минимального урожая важно понимание того, из чего складывается результат и какие существуют лимитирующие факторы. Если, например, поставить задачу создания научно обоснованного прогноза урожайности зерновой культуры (овес, ячмень, пшеница, рожь), то принципиально важным становится оценка всех этапов ростовых процессов зерновых в сезонном коридоре лимитирующих факторов, в том числе и пространственного расположения. Понятие о сезонном коридоре лимитирующих факторов до сих пор отсутствует даже в научно-исследовательских процессах, однако, по нашему мнению, оно должно быть включено в СОНМ как составной элемент нового знания.
Предлагаемые технические и геотехнологические решения можно обосновать математическим моделированием сезонного коридора лимитирующих факторов. Для этого необходимо установить приоритетность факторов воздушной и почвенной сред обитания для жизнеспособности наземных растений данного региона. Приоритеты можно определить, используя обработку мнений компетентных экспертов по современным версиям метода анализа иерархий [12]. Предположим, что на основе этого метода отобраны в порядке убывания степени важности 5 лимитирующих факторов (/1,..., /,..., /).
С другой стороны, пусть на территории региона сформирована репрезентативная выборка из К закоординированных точек, для которых с использованием прикладного математического инструментария (в том числе, анализа временных рядов, полученных методами дендрохронологии) найдены прогнозируемые числовые значения лимитирующих факторов | /°1,..., /°,..., |, к = 1, К.
Эти значения находятся в пределах коридора исторически наблюдаемых минимумов и максимумов /тт < /к0 < /т ах, к = 1, К, / = 1,5.
Чтобы использовать в СОМН моделирование процесса выращивания сельскохозяйственных культур в регионе, следует провести кластеризацию
достаточно большого числа К территориальных площадок по критерию близости прогнозируемых значений их лимитирующих факторов, используя «умную» обработку большого количества данных [13].
Разбиение региона на кластеры, сформированные такими методами, позволит проводить адресную (т. е. пространственно определенную) политику растениеводства для каждого кластера в условиях рискованного земледелия. Здесь может пригодиться большой опыт использования моделей стратегических и статистических игр с природой лицами, принимающими решения (ЛПР).
Например, можно рассмотреть стратегическую матричную игру с природой в пределах какого-либо кластера, которую представим данными таблицы. Если взять всю площадь кластера, пригодную для земледелия, за единицу, то Б1 будет обозначать решение «занять всю площадь культурой под номером I». Смешанную стратегию поведения ЛПР в такой игре будет представлять вектор
__т _
Б = (¿1,d2,..., ^,..., d т ), £ ¿I = 1, ^ > 0, I = 1,т,
I=1
где ¿1 - доля всей площади кластера, отводимая под 1-ю культуру.
Данные стратегической игры с природой в пределах любого территориального кластера
^\Природа ЛПР S1 S 2 Sj Sn
»1 Г11 г12 Г1] г1п
Б 2 Г21 г22 Г2] г2п
»I Г11 Г12 Г] г 'т
Б т гт1 гт2 г ■ т] г 'тп
С другой стороны, любую реально возможную комбинацию числовых значений лимитирующих факторов можно рассмотреть как состояние природы
Sj, ] = т.
Стоимостная оценка в прогнозируемых ценах за тонну 1-й культуры для величины ожидаемого урожая при решении Б1 и наступившем состоянии природы Sj обозначена в таблице как г].
Для того, чтобы в рамках стратегической игры вычислить стоимостную оценку гарантированного минимального урожая для данного кластера, нужно рассмотреть оптимизационную модель предположительного «агрессивного» поведения природы как задачу линейного программирования [14].
Эта задача отражает стремление природы реализовать такую стратегию вероятностного выбора из полной группы своих состояний (Si, S2,..., Sj,..., Sn ),
а именно: смешанную стратегию Q = (q\,q2,...,qj,...,qn), которая минимизирует ожидаемую среднюю стоимость урожая, полученного ЛПР (Z = r ^ min) при любом им принятом решении из набора (Di, D2,..., Di,..., D m ), т. е. при выполнении следующих ограничений задачи:
riiqi + ri2^2 +... + rij4j +... + rin4n -r; rn4\ + ri2Ч2 +... + rtj4j +... + rtn4n -r;
rmiqi + rm 2Я2 +... + rmjqj + ... + rmnqn - r;
n _
X qj = l qj > 0, j = i, n.
j=i
Соответственно можно рассчитать для ЛПР смешанную стратегию оптимального разделения всей площади кластера между рассматриваемыми культурами D* = (d*, d2, ..., d*, ..., d*m ), гарантирующую в среднем максимум
стоимости полученного урожая Z min в условиях полной неопределенности состояний природы.
Для расчета стратегий, повышающих гарантированный в среднем максимум стоимости ожидаемого урожая в условиях риска вероятных состояний природы, нужно уже использовать математический аппарат статистических игр [i5].
В пределах биоклиматического оптимума вероятность остановки ростовых эпигенетических программ будет минимальной, но не нулевой, поскольку возможно негативное влияние факторов, не связанных с биоклиматикой. Поэтому актуально создание системы пространственного позиционирования агробиоин-дустрии, которая учитывала бы воздействия лимитирующих факторов. На этой основе возможно «умное» управление АПК на базе IT-технологий рационального природопользования.
Например, в исследовании процессов биогеоценоза, по нашему мнению, следует, в частности, учитывать, что у зерновых шансы на выживание содержатся в действии, в росте. И лимитирующих факторов три: как начать в условиях весеннего дефицита тепла (проросток должен выйти из семени, при этом зародышевый стебелек должен обязательно выйти на дневную поверхность, развернуть первые листья и начать заряжать себя энергией солнца, а зародышевый корешок должен обязательно вступить в контакт с влагой почвенной среды и начать напитывать росток водой с растворенными в ней минеральными и органическими веществами); как закончить в условиях осеннего дефицита тепла (успеть завершить все основные физиологические процессы до опасных
заморозков); что делать, когда ситуация выходит из под контроля (наблюдается «стресс», вызванный дефицитом влаги в начале летней вегетации, на пике ростовых процессов). Поэтому действие, соразмерное обстоятельствам, - единственный способ не прогореть раньше времени и выжить. При этом, только успешное прохождение всего коридора лимитирующих факторов (поздние весенние заморозки, приходящиеся на начало вегетации + дефицит влаги на пике ростовых процессов + температурный стресс от высоких температур на ранних стадиях созревания зерна + избыточное увлажнение после созревания зерна, в фазе тяжелого колоса, сопровождающееся развитием грибковых заболеваний и полеганием побегов) обеспечивает хороший урожай зерна.
В этих условиях для прохождения каскада лимитирующих факторов требуются региональные пространственно-временные модели на каждый сценарий для планирования агротехнических мероприятий on-line. Необходимо также применение мультимодальной стратегии: альтернативные схемы выращивания зерновых как кормовых культур, их выращивание на силос при резком нарушении нормального графика созревания зерна в сторону задержки сроков. Следовательно, аграрий должен быть обеспечен мультисценарной дорожной картой развития каждой зерновой культуры (овес, ячмень, пшеница, рожь) для каждого пространственно-определенного биоклиматического сектора той или иной территориальной локализации.
В разработке таких дорожных карт и их последующем тестировании и корректировке необходимо прямое участие агрономов. Опыт агротехники должен быть грамотно вплетен в мультисценарную модель «умного» поля, подобно тому, как почвенно-агрохимические и геопространственные данные включаются в систему агротехнических показателей поля [16].
Агроиндустрия нуждается в таких высоких технологиях для опережающего воздействия на развитие АПК. Необходимы разработки основ точного биоземледелия как новой парадигмы сельскохозяйственного производства и повышения плодородия почв [17], в том числе использующей ведение точного земледелия, опирающегося на геопространственое моделирование [18].
Для формирования геопространственной модели агроландшафта важно принимать во внимание биоклиматические фильтры, которые представляют собой новую технологию выделения природных зон для возделывания зерновых и кормовых культур сельскохозяйственных растений, с оценкой рисков выращивания, рассчитанных по уровням стрессированности растений. В частности, причиной стрессового характера развития пшеницы, ячменя, овса и других хлебных злаков во многих районах Сибири выступают низкие температуры воздуха и особенно почв в начале вегетации, возникновение дефицита влаги на стадии колошения, избыточное атмосферное увлажнение в период созревания зерна. Следовательно, необходима разработка новых региональных схем агротехники применительно к каждому биоклиматическому сектору. Следует принимать во внимание, что основные параметры биоклиматического сектора реализуются не на всех его землях: пограничные полосы нередко характеризуются
промежуточными значениями температуры, влажности, длительности безморозного периода. Так, между метеостанциями нет строго усредненных полос -все климатические показатели варьируют непрерывно (континуально) и неравномерно, хотя могут быть рассчитаны с высокой, более 85 %, степенью вероятности. Рассчитать же точное значение, например, среднегодовой температуры приземного слоя воздуха в каждой точке пространства можно только с использованием температурных моделей, полученных методом компьютерной интерполяции многолетних метеоданных и их посадки в конкретную точку ландшафта [17].
Негативное влияние источников засоления, промышленного загрязнения можно рассчитывать на основании удаленности анализируемой точки от соответствующих источников, как условно точечных, так и имеющих значительную протяженность. Для таких калькуляций можно рекомендовать автоматизированный способ регистрации границ картографируемых контуров тематических объектов - типов растительности, почв, озер и др. [19]. В этом случае можно рассчитать мультипликативную нагрузку факторов в каждой точке геопространства и хранить ее в специализированных банках данных [20]. Наработка региональной обучающей выборки позволяет повышать индекс поддержки каждого точечного значения и определять нелинейные зависимости одних факторов от других. Региональная матрица числовых значений климатических параметров - очередной элемент СОНМ в вопросах биоклиматического зонирования. Не границы, но полосы раздела климатических секторов должны стать предметом тщательного изучения.
Биоиндикация климатической обстановки теперь стала возможной с помощью дендрохронологических датировок [21, 22]. Для многих сельскохозяйственных районов такой информационной системой биоиндикации почвенно-климатической ситуации может стать ноу-хау Betula Reference (Бетула Рефе-ренс). В кольцах годичного прироста она отражает почвенно-климатическую ситуацию последних 50 лет, а методами гистометрии возможно не только установить сумму положительных температур каждого года, но и сезонную динамику хода температур в теплый период года, с мая по сентябрь, в соответствии с динамикой ростовых процессов, отображенной в размерах клеток древесины. Геоинформационные технологии здесь призваны зафиксировать пространственно-координатные параметры этого явления.
Таким образом, опережающее научное мышление в области геопространственной деятельности позволяет переключить акценты с информационной функциональности на функциональность аналитическую. Это обусловлено тем, что геоинформационное обеспечение экономики и жизнедеятельности общества, основанное на спутниковой навигации, дистанционном зондировании, геоинформационных технологиях, цифровой картографии уже не может удовлетворять растущим потребностям постиндустриальной эпохи и цифровой экономики. В настоящее время все возрастающую роль начинает играть прогностическое обеспечение экономики и общества, основанное на сборе и анализе больших геопространственных данных, уточнение пространственных знаний о территории, моделировании и выработке интеллектуальных пространственных
решений с помощью геокогнитивных технологий. Представляется перспективным использование инфраструктуры пространственных данных с применением СОНМ для гармонизации геопространственной информации из различных источников и обеспечения открытого доступа к ней всех заинтересованных пользователей [23].
Такой переход меняет миссию, характер и значимость геопространственной деятельности, обеспечивает ее переход от позиционирования как вспомогательного, информационно обеспечивающего фактора к становлению как относительно самостоятельного кластера производительных сил.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. О Стратегии научно-технологического развития Российской Федерации : указ Президента РФ от 01.12.2016 № 642 // Собрание законодательства РФ. - 2016. - № 49. - Ст. 6887.
2. Эйнштейн А. Собр. науч. трудов. Т. IV. - М., 1967. - C. 572.
3. Кляус Е. М. Альберт Эйнштейн // Эйнштейн А. Физика и реальность. - М., 1965. - С. 337.
4. Карпик А. П. Методологические и технологические основы геоинформационного обеспечения территории : монография. - Новосибирск : СГГА, 2004. - 260 с.
5. Лисицкий Д. В., Бугаков П. Ю., Нгуен Ань Тай. Трехмерная компьютерная картография: монография. - Новосибирск : СГУГиТ, 2016. - 179 с.
6. Мультимедийные средства и технологии в картографии / Д. В. Лисицкий, Е. В. Комиссарова, А. А. Колесников, Т. С. Молокина : монография. - Новосибирск : СГУГиТ, 2016. - 182 с.
7. Lisitsky D. V. Cartography in the era of informatization: New problems and possibilities. Geography and Natural Resources. - 2016. - Vol. 37 (4). - P. 296-301.
8. Global Mapper Software Version 18.1 Blue Marble Geographies. - 2017.
9. Сизов О. С. Вопросы практического внедрения Big Geo Data на примере технологий дистанционного зондирования // Геоматика. - 2015. - № 3. - С. 16-25.
10. Дитц Л. Ю. Использование аэрокосмической информации при изучении структурной организации почвенного покрова экосистем Западной Сибири // Вычислительные технологии. - 2007. - Т. 12, спец. вып. 2. - С. 31-41.
11. Retrieving Soil Moisture and temperature using SMOS observations at a test site in the Yamal Peninsular / K. V. Muzalevskiy, M. I. Mikhailov, V. L. Mironov, Z. Ruzicka // Geoscience and Remote Sensing Symposium (IGARSS), 2016 IEEE International (2016, July). - 2016. -P.4932-4935.
12. Xu Z., Liao H. Intuitionistic fuzzy analytic hierarchy process. IEEE Transactions on Fuzzy Systems. - 2014. - Vol. 22(4). - P. 749-761.
13. Foreman J. W. Data smart: using data science to transform information into insight. -John Wiley & Sons, 2013.
14. Савиных В. Н. Математическое моделирование производственного и финансового менеджмента. - М. : Кнорус, 2015. - 192 с.
15. Hatunoglu E. E. A Game Theory Approach to Agricultural Support Policies. - 2014.
16. Капустянчик С. Ю. Агроэкологическая оценка сельскохозяйственных земель лесостепи Новосибирского Приобья : автореф. дис. ... канд. биол. наук. - Новосибирск, 2013.
17. Биоземледелие - новая парадигма сельскохозяйственного производства и повышения плодородия почв / Ю. С. Ларионов, О. А. Ларионова, Е. И. Баранова, Б. В. Селезнев : монография в 2 т. - Новосибирск : СГУГиТ, 2016.
18. Computer modelling average annual temperature in the ground layer of air for the southern part of Western Siberia (Russia) / N. A. Shergunova, S. V. Solovev, K. S. Baykov, Yu. V. Chernenko, Ya. G. Poshivaylo // Journal of Geoscience and Environment Protection. -2014. - Vol. 2(5). - P. 8-12.
19. Automated thematic contours border registration as an example of digital soil map for Novosibirsk region and creation of analytical information retrieval system for the development of agro-industrial clusters in Siberia / K. S. Baykov, Ya. G. Poshivaylo, V. N. Nikitin, N. A. Shergunova, S. V. Solovev, A. A Zverev, Yu. V. Chernenko etc. // Global Geospatial Information and High Resolution Global Land Cover. Land Use Mapping. - Novosibirsk, 2015. - P. 72-78.
20. Создание региональных банков данных и справочно-аналитических систем нового поколения для оценки почвенных и растительных ресурсов Западной Сибири / К. С. Байков, С. Я. Кудряшова, А. В. Чичулин, А. С. Чумбаев, С. В. Соловьев, Н. А. Шергунова, Г. Ф. Миллер, А. Н. Безбородова // Почвенные и земельные ресурсы: состояние, оценка, использование. - М., 2014. - С. 71-75.
21. Автоматизированный способ регистрации границ контуров в структуре почвенного покрова / Я. Г. Пошивайло, В. Н. Никитин, К. С. Байков, С. В. Соловьев, Н. А. Шергунова, А. А. Зверев, Ю. В. Черненко // Геодезия и картография. - 2015. - № 8. - С. 24-28.
22. Методы дендрохронологии. Сбор и получение древесно-кольцевой информации / С. Г. Шиятов, Е. А. Ваганов, А. В. Кирдянов, В. Б. Круглов, B. C. Мазепа, М. М. Наурзбаев, P. M. Хантемиров : учеб.-метод. пособие. - Красноярск : КрасГУ, 2000.- 80 с.
23. Карпик А. П., Осипов А. Г., Мурзинцев П. П. Управление территорией в геоинформационном дискурсе : монография. - Новосибирск : СГГА, 2010. - 280 с.
Получено 05.09.2017
© А. П. Карпик, Д. В. Лисицкий, К. С. Байков, А. Г. Осипов, В. Н. Савиных, 2017
GEOSPACIAL DISCOURSE OF FORWARD-LOOKING AND BREAKING-THROUGH WAY OF THINKING
Alexander P. Karpik
Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Dr. Sc., Professor, Rector, phone: (383)343-39-37, e-mail: rector@ssga.ru
Dmitry V. Lisitsky
Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Dr. Sc., Professor, Director of Scientific Research Institute of Strategic Development, phone: (383)344-35-62, e-mail: dlis@ssga.ru
Konstantin S. Baykov
Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Dr. Sc., Leader Researcher, Scientific Research Institute of Strategic Development, phone: (383)343-35-62, e-mail: kbaikov2017@mail.ru; Central Siberian Botanical Garden SB RAS, 630090, Russia, Novosibirsk, 101 Zolotodolinskaya St., Chief Researcher
Aleksey G. Osipov
Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Dr. Sc., Professor, Deputy Director, Scientific Research Institute of Strategic Development, phone: (383)344-35-62, e-mail: a.g.osipov@ssga.ru
Vyacheslav N. Savinykh
Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Ph. D., Associate Professor, Senior Research Officer, Scientific Research Institute of Strategic Development, phone: (383)344-35-62, e-mail: savinslav@inbox.ru
There has been defined the content of geoinformational discourse in forward-looking and breaking-through thinking as a factor providing the leadership in research and development, high rate of obtaining new knowledge and innovative products. The role of scientific and engineering intuition is revealed, the principles of breaking-through thinking in obtaining knowledge in the sphere of geocognitive technologies are formulated. It is shown that breaking-through thinking is realized on the basis of hard- and software systems, providing data collection from heterogeneous sources, data processing and clustering automation, data base formation with distributed data access.
Suggested is the notion of forward-looking thinking system as inseparable set of methodical procedures, logical schemes of analysis and supposed technological solutions, which is not yet realized in scientific research and educational processes and is aimed at the quickest elaboration of new knowledge.
Introduced and determined are: the new term "geocognitive technology", as a particular case of cognitive informative technologies, reflecting the peculiarities of geospatial data use in digital economy; also the new term "agrogeomatics" formed by the combination of the known term "geomatics"and the prefix "agro", denoting new cluster, combining methods and data of agro-industrial production and geospatial activity.
Formulated is the principle of forward-looking scientific thinking in geospatial discourse, the essence of which is the transfer of geospatial activity from informational functionality level to analytical functionality level, based on formation of spatial knowledge of territory and intellectualiza-tion of innovative geospatial solutions for rational use of all kinds of territorial resources.
It is shown that technical and geotechnological solutions should be complemented by mathematical modelling of limiting factors, the priorities be determined by the hierarchy analysis method of competent experts views. The application of aforementioned thinking types is highlighted by the materials of biological geospatial investigations.
Key words: geospatial discourse, breaking-through thinking, geoinformational environment, geocognitive technologies, geoecology, biogeocenosis, limiting factors corridor, hierarchy analysis method, coordinated cluster of territory, mathematical model, strategic and static games with nature.
REFERENCES
1. Strategy of scientific and technology development of the Russian Federation: decree of the Russian President of 01.12.2016 No. 642. (2016). Sobranie zakonodatel'stva RF [Collection of the legislation of the Russian Federation], No. 49, Art. 6887 [in Russian].
2. Einstein A. (1967). Sobranie nauchnyh trudov: T. 4 [Collection of scientific works: Vol. 4]. Moscow: Nauka [in Russian].
3. Klyaus E. M. (1965). Albert Einstein In Fizika i real'nost' [Einstein A. Physics and reality]. Moscow: Nauka [in Russian].
4. Karpik A. P. (2004). Metodologicheskie i tehnologicheskie osnovy geoinformacionnogo obespechenija territorii [Methodological and technology bases of geoinformation support of merritory]. Novosibirsk: SSGA [in Russian].
5. Lisitsky, D. V., Bugakov, P. Ju., & NGuen, An Taj. (2016). Trehmernaja kompjuternaja kartografija [Three-dimensional computer cartography]. Novosibirsk: SSUGT [in Russian].
6. Lisitsky, D. V., Komissarova, E. V., Kolesnikov, A. A., & Molokina, T. S. (2016). Mul'timedijnye sredstva i tehnologii v kartografii [Multimedia means and technologies in cartography] . Novosibirsk: SSUGT [in Russian].
7. Lisitsky, D. V. (2016). Cartography in the era of informatization: New problems and possibilities. Geography and Natural Resources, 37(4), 296-301.
8. Global Mapper Software Version 18.1 Blue Marble Geographies. (2017).
9. Sizov, O. S. (2015). Questions of practical implementation Big Geo Data on the example of technologies of remote sensing. Geomatika [Geomatika], 3, 16-25 [in Russian].
10. Ditc, L. Ju. (2007). Use of space information when studying the structural organization of a soil cover of ecosystems of Western Siberia. Vychislitel'nye tehnologii [Computing technologies], 12(2), 31-41 [in Russian].
11. Muzalevskiy, K. V., Mikhailov, M. I., Mironov, V. L., & Ruzicka, Z. (2016, July). Retrieving Soil Moisture and temperature using SMOS observations at a test site in the Yamal Peninsular. In Geoscience and Remote Sensing Symposium (IGARSS), 2016 IEEE International (pp. 4932-4935). IEEE.
12. Xu, Z., & Liao, H. (2014). Intuitionistic fuzzy analytic hierarchy process. IEEE Transactions on Fuzzy Systems, 22(4), 749-761.
13. Foreman, J. W. (2013). Data smart: using data science to transform information into insight. John Wiley & Sons.
14. Savinykh, V. N. (2015). Matematicheskoe modelirovanie proizvodstvennogo i finansovogo menedzhmenta [Mathematical modeling of production and financial management]. Moscow: Knorus [in Russian].
15. Hatunoglu, E. E. (2014). A Game Theory Approach to Agricultural Support Policies.
16. Kapustjanchik, S. Ju. (2013). Agroecological assessment of farmlands of the forest-steppe of Novosibirsk Priobya. Extended abstract of candidate's thesis. Novosibirsk [in Russian].
17. Larionov, Ju. S., Larionova, O. A., Baranova, E. I., & Seleznev B. V. (2016). Biozemledelie - novaja paradigma sel'skohozjajstvennogo proizvodstva i povyshenija plodorodija pochv [Bioagriculture - new paradigm of farm-production and increase of fertility of soils]. Novosibirsk: SSUGT [in Russian].
18. Shergunova, N. A., Solovev, S. V., Baykov, K. S., Chernenko, Yu. V., & Poshivaylo, Ya. G. (2014). Computer modelling average annual temperature in the ground layer of air for the southern part of Western Siberia (Russia). Journal of Geoscience and Environment Protection, 2(5), 8-12.
19. Baykov, K. S., Poshivaylo, Ya. G., Nikitin, V. N., Shergunova, N. A., Solovev, S. V., Zverev, A. A.,...Chernenko, Yu. V. (2015). Automated thematic contours border registration as an example of digital soil map for Novosibirsk region and creation of analytical information retrieval system for the development of agro-industrial clusters in Siberia. In Global Geospatial Information and High Resolution Global Land Cover /Land Use Mapping (pp. 72-78). Novosibirsk. Russia.
20. Baykov, K. S., Kudrjashova, S. Ja., Chichulin, A. V., Chumbaev, A. S., Solovev, S. V., Shergunova, N. A., Miller, G. F., & Bezborodova, A. N. (2014). Creation of regional data banks and help and analytical systems of new generation for assessment of soil and vegetable resources of Western Siberia. In Sbornik materialov Pervoj Vserossijskoj otkrytoj konferencii: Pochvennye i zemel'nye resursy: sostojanie, ocenka, ispol'zovanie [Proceedings of First All-russian Open Conference: Soil and Land Resources: State, Assessment, Use] (pp. 71-75). Moscow [in Russian].
21. Poshivaylo, Ja. G., Nikitin, V. N., Baykov, K. S., Solovev, S. V., Shergunova, N. A., Zverev, A. A., & Chernenko, Ju. V. (2015). The automated way of registration of borders of circuits in structure of a soil cover. Geodezija i kartograf ja [Geodesy and Cartography], 8, 24-28 [in Russian].
22. Shijatov, S. G., Vaganov, E. A., Kirdjanov, A. V., Kruglov, V. B., Mazepa, B. C., Naurzbaev, M. M., & Hantemirov, P. M. (2000). Metody dendrohronologii. Sbor i poluchenie drevesno-kol'cevoj informacii [Dendrochronology methods. Collecting and obtaining wood and ring information]. Krasnoyarsk: KrasGU [in Russian].
23. Karpik, A. P., Osipov, A. G., & Murzintsev, P. P. (2010). Upravlenie territoriei v geoinformatsionnom diskurse [Territory Management in geoinformation discourse]. Novosibirsk: SSGA [in Russian].
Received 05.09.2017
© A. P. Karpik, D. V. Lisitsky, K. S. Baykov, A. G. Osipov, V. N. Savinykh, 2017
