CC BY
26
Сравнение моделей и методов интеллектуальной обработки геопространственных данных на основе семантической технологии
аспирант А. В. Кикоть Петербургский государственный университет путей сообщения Императора Александра I
Санкт-Петербург, Россия a.v.kikot@yandex.ru
Аннотация. Выполнено исследование современных методов интеллектуальной обработки геопространственных данных, сделан вывод о преобладании семантической технологии. Рассмотрены и оценены модель c предположением инъекции, модель с предположением сюръекции и модель на основе достижения инъекции множества GeoSPARQL-запросов на множество SQL-запросов. Сделан вывод о необходимости применения комплексного подхода на основе виртуализации данных.
Ключевые слова SPARQL, GeoSPARQL, Linked Data, СУБД, геопространственные данные, инфраструктура геопространственных данных.
Введение
Современная наука накопила большое количество различных методов интеллектуальной обработки данных. Наиболее активным направлением сейчас является применение методов машинного обучения, лежащих в парадигме нейросетевого моделирования, например [1]. Также активно изучаются методы автоматического выявления зависимостей, позволяющих получать новые факты на основе больших массивов информации. Основу математического аппарата данных методов составляет теория вероятностей, статистика, теория массового обслуживания, методы математического программирования и другие.
Вместе с тем существует альтернативный подход, основывающийся на теории множеств, математической логике, теории графов и топологии — семантическая технология и технология связанных данных (Linked Data).
Интеллектуальная обработка
ГЕОПРОСТРАНСТВЕННЫХ ДАННЫХ
Поисковый анализ этого направления по индексируемым отечественным и зарубежным научным исследованиям с глубиной 5 лет определил 88 целевых ключевых слов общей частотностью применения — 257 185. Во время поиска выявленные ключевые слова после исключения дублирования дополнительно фильтровались с применением Закона рассеяния информации Брэдфорда в соответствии с [2]. То есть, совокупность ключевых слов, ранжированных по убыванию частотности, разбивалась на три группы таким образом, чтобы соблюдалось условие
где А — частотность ключевого слова, а И,., Б,,., О,,,. — частотность ключевых слов, попавших в I, II и III группы соответственно. Результат кластеризации приведен на рисунке 1.
Ю,. = ZDUi = ZD,,
(1)
Рис. 1. Перечень групп отобранных ключевых слов
Группы, вносящие наибольший вес, показывают высокую заинтересованность бизнеса, государства и особенно медицины в области интеллектуальной обработки данных. С точки зрения обработки геопространственных данных (ГПД) они не представляют интерес. Для оставшихся групп распределение частотности ключевых слов приведено на рисунке 2.
Данная диаграмма может быть интерпретирована следующим образом: в настоящее время наибольший интерес представляет семантическая обработка текстовых данных с хранением в базах данных, обеспечением соответствующего языка запросов и конкурентного доступа к ним.
Исследования с одновременным применением ключевых слов geospatial, model, query, semantic и database в настоящее время обладают средней частотностью. Результаты научных исследований за рубежом по тематике интеллектуальной обработки ГПД в основном могут быть отнесены к одной из следующих четырех групп:
- применение интеллектуальной обработки ГПД для тематических задач, например [3-7];
- разработка онтологий представления ГПД, например [8];
Рис. 2. Частоты употребления ключевых слов в области интеллектуальной обработки данных
- разработка архитектуры информационных систем для обработки ГПД, например [9-11];
- разработка механизмов хранения ГПД и их тестирования, например [12-15].
В обобщенном виде с множеством допущений приведенные работы формируют набор сценариев интеллектуальной обработки ГПД, приведенный на рисунке 3.
В России также выполняются исследования в обсуждаемой предметной области с аналогичным распределением работ по вышеописанным группам. В частности, архитектурные вопросы рассматриваются в [16-18], а разработка онтологий — в работах [19, 20]. Ряд работ посвящен конкретным изделиям с уже реализованной интеллектуальной обработкой ГПД (например система «ГеоМета» [21, 22]).
Общая модель системы интеллектуальной ОБРАБОТКИ ГПД
Ограничиваясь неполной индукцией для приведенных выше научных исследований, можно сделать ключевой вывод: современные и перспективные методы интеллектуальной обработки данных строятся на парадигме
OBDA (Ontology Based Data Access), заключающейся в построении дополнительного концептуального уровня абстракции над данными (таблица 1), позволяющего манипулировать ими при выборке.
Таблица 1
Уровни абстракции над данными
Уровень абстракции Вариант метода реализации Пример реализации
М2 - Метамодель Онтологическая модель Поддержка SPARQL-запросов с отображением на реляционную схему
М1 - Модель Реляционная модель Поддержка реляционной схемы в СУБД и языка запросов SQL к ней
М0 - Данные База данных Разработка СУБД
Формально OBDA-система задается тройкой следующего вида:
O = (T, S, M), (2)
Рис. 3. Основные подходы к обработке GeoSPARQL-запросов
где T — интенсиональный уровень онтологии, в терминах дескрипционной логики — терминологический компонент (TBox);
S — реляционная база данных, в рамках которой реализуется хранение и обработка целевых данных; M — набор правил преобразования, таких, что для каждого правила выполняется F(x) ^ V(x), где F(x) — запрос из S, возвращающий кортежи значений для х, а V(x) — запрос из T, сформированный на основе х.
Таким образом, любая реализация OBDA-системы заключается в последовательном переходе с заданного уровня абстракции к уровню данных. То есть интеллектуальный запрос сначала семантически, а затем лексически преобразуется к запросу, принимаемому на вход системой управления базами данных. Пример такого преобразования для SPARQL-запроса с привязкой по обозначениям к формуле (2) приведен на рисунке 4.
Вывод 1. Интеллектуальность обработки геопространственных данных должна достигаться применением языка запросов SPARQL и, в частности, его пространственного расширения GeoSPARQL.
Продолжая рассматривать обсуждаемую систему в качестве «черного ящика», необходимо определиться с механизмом хранения данных. Анализ современных решений по манипуляции данными [23] и способов организации баз знаний (в частности, проекты SAP OrientDB, Neo4j, AllegroGraph, DataStax, ArangoDB, TigerGraph, Cambridge Semantics, Stardog и ряд других) позволяет сформировать перечень применяемых механизмов хранения, приведенных на рисунке 5.
Одновременно со сказанным следует принимать во внимание доступность механизмов централизованного накопления и обработки данных, содержащих пространственную компоненту. Безусловно, одним из наиболее развитых и доступных для детального анализа решением
Рис. 4. Пример преобразования SPARQL-запроса
является объектная надстройка PostGIS для реляционной системы управления базами данных PostgreSQL. PostGIS, как расширение, внедренное в огромное количество публичных и коммерческих проектов, указывает на ключевую роль объектно-реляционной схемы данных для задачи хранения и обработки ГПД.
Вывод 2. В качестве механизма хранения должна применяться объектно-реляционная схема данных, а разрабатываемая система должна поддерживать векторно-топологический метод представления ГПД.
Объединение выводов 1 и 2 позволяет перейти к моделированию с применением UML. В частности, обобщенное описание системы интеллектуальной обработки ГПД в терминах прецедентов использования примет вид, приведенный на рисунке 6.
вовлеченность в семантическую технологию Рис. 5. Применяемость СУБД для организации систем хранения знаний
Рис. 6. Диаграмма прецедентов использования для системы интеллектуальной обработки ГПД
Варианты реализации системы
ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ГПД Прецедент «Взаимодействие» на рисунке 6, скрывающий в себе всю сложность системы, в соответствии с рисунком 3 может быть декомпозирован несколькими базовыми вариантами, приведенными на рисунке 7.
Очевидно, что «Взаимодействие» должно завершаться успешно проходящим все необходимые проверки SQL-запросом. Наиболее простой «Вариант 1» возмо-
жен только для заранее определенного перечня исходных SPARQL-запросов, так как прямое отображение между двумя этими языками без значительных затрат невозможно [24]. Поэтому данный вариант нежелателен.
«Вариант 2» в общем виде подразумевает трансформацию SPARQL-запроса во множество SQL-запросов, каждый из которых генерируется и выполняется по мере необходимости. Такое решение позволит поддерживать большее количество типов SPARQL-запросов, но сложно формализуемо и проверяемо для вложенных запросов [25].
В «Варианте 3» применяется внешняя для целевой база данных с предварительно приспособленной для запросов RDF-триплетов структурой. Такая архитектура позволит поддерживать все множество SPARQL-запросов, но со значительным дублированием данных. Отдельная вычислительно емкая задача будет заключаться в поддержании механизма ACID (атомарность, согласованность, изолированность и стойкость).
Рассматривая совокупность возможных конструкций GeoSPARQL и SQL в качестве множеств, приведенные три варианта могут быть представлены следующим образом:
Обозначим SP — множество всех языковых конструкций SPARQL, а SQ — множество всех языковых конструкций SQL. В таком случае, искомой является функция отображения вида
f: SP ^SQ.
(3)
В соответствии с (3) приведенные на рисунке 7 варианты могут рассматриваться с применением одного из трех подходов.
Подход 1 — поиск инъекции («Вариант 1»): предполагаем SP с SQ = true, тогда искомое отображение f для SPARQL-запроса q должно удовлетворять условию вида:
Vqu q2 Е SP, qi Ф q2,3q[, q'2 E SQ : f(4i) = q'i, /(to) = Ч'г, 4i Ф Ч'г
(4)
СУБД PoslgreSQL
Система хранения RDF-трнплетоЕ
Рис. 7. Варианты декомпозиции прецедента «Взаимодействие»
Подход 2 — поиск сюръекции («Вариант 1»): предполагаем SQ с SP = true, тогда искомое отображение /для SPARQL-запроса q должно удовлетворять условию
Vq Е SP, 3q' Е SQ : f(q') = q. (5)
Подход 3 — достижение инъекции («Вариант 2» и «Вариант 3»): предполагаем SP с SQ = false, SQ с SP = false. Тогда вводится дополнительное множество MDL, такое, что отображение у: SP ^ MDL и отображение z: MDL ^ SQ дополняют отображение f до инъ-ективного.
Принимая во внимание порядок обработки SPARQL-запроса [26], может быть сделан вывод о невозможности предположений SP с SQ = true и SQ с SP = true, что приводит к невозможности «Варианта 1» целиком. «Вариант 2» и «Вариант 3» в силу вышеприведенных рассуждений сложны в реализации.
Вывод 3. Анализ возможных технических реализаций рассмотренных вариантов показывает, что наиболее производительным и расширяемым будет решение, построенное с применением комплексирования.
В качестве примера подхода с комплексированием может быть отмечена технология Ontop [27]. Наиболее важной интерфейсной особенностью данной технологии является организация полноценной GeoSPARQL-точки доступа, скрывающей от пользователя все необходимые преобразования его запроса, и в то же время за счет виртуализации данных поддерживающей на уровне хранения широкий перечень реляционных систем управления базами данных.
Выводы
Выполненный поиск подхода к организации системы интеллектуальной обработки ГПД позволяет сделать следующие выводы:
1. Применение семантической технологии для интеллектуальной обработки ГПД является перспективным и вычислительно достижимым.
2. Интеллектуальность может быть достигнута применением GeoSPARQL в качестве языка манипулирования данными и описания конструкций логического вывода.
3. Архитектура информационной системы с поддержкой GeoSPARQL-запросов носит комбинированный характер с применением слоя виртуализации данных, а ее выбор требует отдельного мотивированного вывода.
ЛИТЕРАТУРА
1. Integration of Big Data Processing Tools and Neural Networks for Image Classification / N. E. Kosykh, A. D. Kho-monenko, A. P. Bochkov, A. V. Kikot // Proceedings of Models and Methods of Information Systems Research Workshop 2019 (MMISR 2019). CEUR Workshop Proceedings. 2020. Vol. 2556. Pp. 52-58.
2. Налимов В. В. Наукометрия. Изучение науки как информационного процесса / В. В. Налимов, З. М. Муль-ченко. — М.: Наука. Гл. ред. физ.-мат. лит., 1969. — 192 с. — (Физико-математическая библиотека инженера).
3. A Geospatial Decision Support System to Assist Olive Growing at the Landscape Scale / P. Manna, A. Bonfante, A.
Basile, et al. // Computers and Electronics in Agriculture. 2020. Vol. 168. Article 105143. 11 p. Published online at December 26, 2019. DOI: 10.1016/j.compag.2019.105143.
4. Heterogeneous Integrated Dataset for Maritime Intelligence, Surveillance, and Reconnaissance / C. Ray, R. Dreo,
C. Iphar, et al. // Data in Brief. 2019. Vol. 25. Article 104141. 17 p. Published online at June 11, 2019.
DOI: 10.1016/j.dib.2019.104141.
5. Daras G. A Spatial Data Pre-Processing Tool to Improve the Quality of the Analysis and to Reduce Preparation Duration / G. Daras, B. Agard, B. Penz // Computers & Industrial Engineering. 2018. Vol. 119. Pp. 219-232.
DOI: 10.1016/j.cie.2018.03.025.
6. Deeken H. Grounding Semantic Maps in Spatial Databases / H. Deeken, T. Wiemann, J. Hertzberg // Robotics and Autonomous Systems. 2018. Vol. 105. Pp. 146-165.
DOI: 10.1016/j.robot.2018.03.011.
7. Rule-Based Topology System for Spatial Databases to Validate Complex Geographic Datasets / J. Martinez-Llario, E. Coll, M. Nunez-Andres, C. Femenia-Ribera // Computers & Geosciences. 2017. Vol. 103. Pp. 122-132.
DOI: 10.1016/j.cageo.2017.03.013.
8. Ontology-Based Data Access for Maritime Security / S. Brüggemann, K. Bereta, G. Xiao, M. Koubarakis // The Semantic Web. Latest Advances and New Domains: Proceedings of 13th International European Semantic Web Conference (ESWC 2016) (Heraklion, Greece, May 29-June 2, 2016) / H. Sack, E. Blomqvist, et al. (eds) // Lecture Notes in Computer Science. Vol. 9678. Pp.741-757.
DOI: 10.1007/978-3-319-34129-3_45.
9. Firemap: A Dynamic Data-Driven Predictive Wildfire Modeling and Visualization Environment / D. Crawl, J. Block, K. Lin, I. Altintas // Procedia Computer Science. 2017. Vol. 108. Pp. 2230-2239. DOI: 10.1016/j.procs.2017.05.174.
10. A New Methodology for the Retrieval and Evaluation of Geographic Coordinates within Databases of Scientific Plant Collections / U. R. Magdalena, L. A. Esteväo da Silva, R. O. Lima, et al. // Applied Geography. 2018. Vol. 96. Pp. 11-15. DOI: 10.1016/j.apgeog.2018.05.002.
11. de Jong K. A Physical Data Model for SpatioTemporal Objects / K. de Jong, D. Karssenberg // Environmental Modelling and Software. 2019. Vol. 122. Article 104553. 15 p. DOI: 10.1016/j.envsoft.2019.104553.
12. GeoTriples: Transforming Geospatial Data into RDF Graphs Using R2RML and RML Mappings / K. Kyzirakos,
D. Savva, I. Vlachopoulos, et al. // Journal of Web Semantics. 2018. Vol. 52-53. Pp. 16-32.
DOI: 10.1016/j.websem.2018.08.003.
13. A complete Translation from SPARQL into Efficient SQL / B. Elliott, E. Cheng, C. Thomas-Ogbuji, Z. Meral Ozsoyoglu // Proceedings of the 13th International Database Engineering & Applications Symposium (IDEAS'09), (Cetra-ro, Calabria, Italy, September 16-18, 2009). — New York, USA, 2009. — Pp. 31-42.
DOI: 10.1145/1620432.1620437.
14. STypeS: Nonrecursive Datalog Rewriter for Linear TGDs and Conjunctive Queries / S. Kikot, R. Kontchakov, S. Rapisarda, M. Zakharyaschev // On the Move to Meaningful Internet Systems: Proceedings of the Confederated International Conference (OTM 2018), (Valetta, Malta, October 22-26,
2018). Part 2 / H. Panetto, C. Debruyne, et al. (eds) // Lecture Notes in Computer Science. Vol. 11230. Pp. 441-460. DOI: 10.1007/978-3-030-02671-4_27.
15. Garbis G. Geographica: A Benchmark for Geospatial RDF Stores (Long Version) / G. Garbis, K. Kyzirakos, M. Koubarakis // The Semantic Web: Proceedings of 12th International Semantic Web Conference (ISWC 2013), (Sydney, Australia, October 21-25, 2013). Part 2 / H. Alani, L. Kagal, et al. (eds) // Lecture Notes in Computer Science. Vol. 8219. Pp. 343-359. DOI: 10.1007/978-3-642-41338-4_22.
16. Комосов Ю. А. Необходимость, сущность и пути реализации новой модели представления пространственных данных // Геодезия и картография. 2009. № 11. C. 26-32.
17. Лядова Л. Н. Подходы к описанию вертикальных и горизонтальных трансформаций метамоделей / Л. Н. Лядова, А. П. Серый, А. О. Сухов // Математика программных систем: межвузовский сборник научных статей. Выпуск 9 / под ред. А. И. Микова и Л. Н. Лядовой. — Пермь, Изд-во ПГНИУ, 2012. — С. 33-49.
18. Блискавицкий А. А. Семантика геопространственных объектов, функциональная грамматика и интеллектуальные ГИС // Известия высших учебных заведений. Геология и разведка. 2014. № 2. C. 62-69.
19. Беляков С. Л. Обновление информационной основы ГИС с использованием онтологий / С. Л. Беляков, Я. А. Коломийцев // Известия Южного федерального университета. Технические науки. 2012. № 4 (129). C. 251-255.
20. Динь Ле Дат. Разработка и реализация формальных онтологий пространственных данных и сервисов: дис. ... канд. физ.-мат. наук: 05.13.11. — Москва, 2008. — 196 с.
21. Кошкарев А. В. Инфраструктура распределенной среды хранения, поиск и преобразования пространственных данных / А. В. Кошкарев, В. М. Ряховский, В. А. Серебряков // Открытое образование. 2010. № 5. C. 61-73.
22. Среда интеграции пространственных данных «ГеоМета» / О. М. Атаева, К. А. Кузнецов, В. А. Серебряков, В. И. Филиппов // Интернет и современное общество: Сборник научных статей. Материалы XIV Всероссийской объединенной конференции (IMS-2011) (Санкт-Петербург,12-14 октября 2011 г.). — СПб.: ООО «Муль-тиПроджектСистемСервис», 2011. — C. 11-16.
23. Модели и методы исследования информационных систем: Монография / А. Д. Хомоненко, В. П. Бубнов, А. В. Забродин [и др.]; под ред. А. Д. Хомоненко. — СПб.: Лань, 2019. — 204 с. — (Учебники для вузов. Специальная литература).
24. A Direct Mapping of Relational Data to RDF. W3C Recommendation 27 September 2012. // W3C.
URL: http://www.w3.org/TR/rdb-direct-mapping (дата обращения 01.06.2020).
25. R2RML: RDB to RDF Mapping Language. W3C Recommendation 27 September 2012. // W3C.
URL: http://www.w3.org/TR/r2rml (дата обращения 01.06.2020).
26. RDF Database Systems: Triples Storage and SPARQL Query Processing / O. Curé, G. Blin (eds). — Morgan Kaufmann, 2015. — 256 p. DOI: 10.1016/C2013-0-14009-3.
27. Bereta K. Ontop-spatial: Ontop of Geospatial Databases / K. Bereta, G. Xiao, M. Koubarakis // Journal of Web Semantics: Science, Services and Agents on the World Wide Web. 2019. Vol. 58. Article 100514.
DOI: 10.1016/j.websem.2019.100514.
Comparison of Models and Methods for Geospatial Data Intelligent Processing Based
on Semantic Technology
PhD student A. V. Kikot Emperor Alexander I St. Petersburg State Transport University Saint Petersburg, Russia a.v.kikot@yandex.ru
Abstract. The article investigates modern methods of geospatial data intelligent processing and makes a conclusion about the semantic technology predominance. A model with an injection assumption, a model with a surjection assumption, and a model based on achieving the injection of a GeoSPARQL queries set on a SQL queries set are considered and evaluated. It is concluded that it is necessary to apply a comprehensive approach based on data virtualization.
Keywords: SPARQL, GeoSPARQL, Linked Data, DBMS, geospatial data, geospatial data infrastructure.
References
1. Kosykh N. E., Khomonenko A. D., Bochkov A. P., Kikot A. V. Integration of Big Data Processing Tools and Neural Networks for Image Classification, Proceedings of Models and Methods of Information Systems Research Workshop 2019 (MMISR 2019), CEUR Workshop Proceedings, 2020, Vol. 2556, Pp. 52-58.
2. Nalimov V. V., Mulchenko Z. M. Scientometrics. Study of science as an information process [Naukometriya. Izuchenie nauki kak informatsionnogo protsessa], Moscow, Nauka Publishers, 1969, 192 p.
3. Manna P., Bonfante A., Basile A., et al. A Geospatial Decision Support System to Assist Olive Growing at the Landscape Scale, Computers and Electronics in Agriculture, 2020, Vol. 168, article 105143, 11 p. Published online at December 26, 2019. DOI: 10.1016/j.compag.2019.105143.
4. Ray C., Dréo R., Iphar C., et al. Heterogeneous Integrated Dataset for Maritime Intelligence, Surveillance, and Reconnaissance, Data in Brief, 2019, Vol. 25, article 104141, 17 p. Published online at June 11, 2019.
DOI: 10.1016/j.dib.2019.104141.
5. Daras G., Agarad B., Penz B. A Spatial Data PreProcessing Tool to Improve the Quality of the Analysis and to Reduce Preparation Duration, Computers & Industrial Engineering, 2018, Vol. 119, Pp. 219-232.
DOI: 10.1016/j.cie.2018.03.025.
6. Deeken H., Wiemann T., Hetzberg J. Grounding Semantic Maps in Spatial Databases, Robotics and Autonomous Systems, 2018, Vol. 105, Pp. 146-165.
DOI: 10.1016/j.robot.2018.03.011.
7. Martinez-Llario J., Coll E., Nùnez-Andrés M., Femenia-Ribera C. Rule-Based Topology System for Spatial Databases to Validate Complex Geographic Datasets, Computers & Geo-sciences, 2017, Vol. 103, Pp. 122-132.
DOI: 10.1016/j.cageo.2017.03.013.
8. Bruggemann S., Bereta K., Xiao G., Koubarakis M. Ontology-Based Data Access for Maritime Security. In: Sack H., Blomqvist E. (eds) The Semantic Web. Latest Advances and
New Domains: Proceedings of 13th International European Semantic Web Conference (ESWC 2016), Heraklion, Greece, May 29-June 2, 2016. Lecture Notes in Computer Science, Vol. 9678, Pp.741-757. DOI: 10.1007/978-3-319-34129-3_45.
9. Crawl D., Block J., Lin K., Altintas I. Firemap: A Dynamic Data-Driven Predictive Wildfire Modeling and Visualization Environment, Procedia Computer Science, 2017, Vol. 108, Pp. 2230-2239. DOI: 10.1016/j.procs.2017.05.174.
10. Magdalena U. R., Estevâo da Silva L. A., Lima R. O., et al. A New Methodology for the Retrieval and Evaluation of Geographic Coordinates within Databases of Scientific Plant Collections, Applied Geography, 2018, Vol. 96, Pp. 11-15. DOI: 10.1016/j.apgeog.2018.05.002.
11. de Jong K., Karssenberg D. A Physical Data Model for Spatio-Temporal Objects, Environmental Modelling and Software, 2019, Vol. 122, article 104553, 15 p.
DOI: 10.1016/j.envsoft.2019.104553.
12. Kyzirakos K., Savva D., Vlachopoulos I., et al. GeoTriples: Transforming Geospatial Data into RDF Graphs Using R2RML and RML Mappings, Journal of Web Semantics, 2018, Vol. 52-53, Pp. 16-32.
DOI: 10.1016/j.websem.2018.08.003.
13. Elliott B., Cheng E., Thomas-Ogbuji C., Meral Ozsoyoglu Z. A complete Translation from SPARQL into Efficient SQL. In: Proceedings of the 13th International Database Engineering & Applications Symposium (IDEAS'09), Cetraro, Calabria, Italy, September 16-18, 2009, New York, USA, 2009, Pp. 31-42. DOI: 10.1145/1620432.1620437.
14. Kikot S., Kontchakov R., Rapisarda S., Zakharyaschev M. STypeS: Nonrecursive Datalog Rewriter for Linear TGDs and Conjunctive Queries. In: Panetto H., Debruyne C., et al. (eds) On the Move to Meaningful Internet Systems: Proceedings of the Confederated International Conference (OTM 2018), Valetta, Malta, October 22-26, 2018, Part 2. Lecture Notes in Computer Science, Vol. 11230. Pp. 441-460.
DOI: 10.1007/978-3-030-02671-4_27.
15. Garbis G., Kyzirakos K., Koubarakis M. Geographica: A Benchmark for Geospatial RDF Stores (Long Version). In: Alani H., Kagal L., et al. (eds) The Semantic Web: Proceedings of 12th International Semantic Web Conference (ISWC 2013), Sydney, Australia, October 21-25, 2013, Part 2. Lecture Notes in Computer Science, Vol. 8219, Pp. 343-359. DOI: 10.1007/978-3-642-41338-4_22.
16. Komosov Yu. A. Necessity, Essence and Ways to Implement a New Model of Spatial Data Representation [Ne-obkhodimost', sushchnost' i puti realizatsii novoy modeli pred-
HHmmneKmyanbHbie техноnогии Ha mpaHcnopme. 2020. № 2
34
stavleniya prostranstvennykh dannykh], Geodesy and Cartography [Geodeziya i kartografiya], 2009, No. 11, Pp. 26-32.
17. Lyadova L. N., Seryy A. P., Sukhov A. O. Approaches to the Description of Vertical and Horizontal Transformations and Metamodels [Podkhody k opisaniyu verticaTnykh i gori-zontalnykh transformatsiy metamodeley], Mathematics of Software Systems: Intercollegiate Collection of Scientific Articles. Issue 9 [Matematika programmnykh sistem: mezhvuzov-skiy sbornik nauchnykh statey. Vypusk 9], Perm, Perm State University, 2012, Pp. 33-49.
18. Bliskavitsky A. A. The Semantics of The Geospatial Objects, Functional Grammar and Intellectual GIS [Semantika geo-prostranstvennykh ob''ektov, funktsional'naya grammatika i intel-lektual'nye GIS], Proceedings of Higher Educational Establishments. Geology and Exploration [Izvestiya vysshikh uchebnykh zavedeniy. Geologiya i razvedka], 2014, No. 2, Pp. 62-69.
19. Beliacov S. L., Kolomiytsev Ya. A. Updating of the Information Base of the GIS Using Ontologies [Obnovlenie in-formatsionnoy osnovy GIS s ispol'zovaniem ontologiy], Izvestiya Southern Federal University. Engineering Science [Izvestiya Yuzhnogo federal'nogo universiteta. Tekhnich-eskie nauki], 2012, No. 4 (129), Pp. 251-255.
20. Dinh Le Dat Metadata Model Ontology for Geospatial Data and Services [Razrabotka i realizatsiya formalnykh ontologiy prostranstvennykh dannykh i servisov] : diss. on competition of a scientific degree Ph.D. (Physico-math.), Moscow, 2008, 196 p.
21. Koshkarev A. V., Ryakhovsky V. M., Serebiyakov V. A. Infrastructure of Distributed Environment of Spatial Data Storage, Search and Processing [Infrastruktura raspredelennoy sredy khraneniya, poisk i preobrazovaniya prostranstvennykh
dannykh], Open Education [Otkrytoe obrazovanie], 2010, No. 5, Pp. 61-73.
22. Ataeva O. M., Kuznetsov K. A., Filippov V. I., Sere-briakov V. A. Spatial Data Integration Environment «GeoMe-ta» [Sreda integratsii prostranstvennykh dannykh «GeoMe-ta»], «Internet and Modern Society»: Proceedings of the XIV All-Russian Scientific Conference [Internet i sovremennoe obshchestvo: Sbornik nauchnykh statey. Materialy XIV Vse-rossiyskoy ob"edinennoy konferentsii] (IMS-2011), Saint Petersburg, October 12-14, 2011, Saint Petersburg, MultiPro-jectSystemService LLC, 2011, Pp. 11-16.
23. Khomonenko A. D., Bubnov V. P., Zabrodin A.V., et al. Models and methods of research of information systems: Monograph [Modeli i metody issledovaniya infor-matsionnykh system: Monografiya], St. Petersburg, LAN Publishing House, 2019, 204 p.
24. A Direct Mapping of Relational Data to RDF. W3C Recommendation 27 September 2012.
Available at: http://www.w3.org/TR/rdb-direct-mapping (accessed 01 Jun 2020).
25. R2RML: RDB to RDF Mapping Language. W3C Recommendation 27 September 2012.
Available at: http://www.w3.org/TR/r2rml (accessed 01 June 2020).
26. Curé O., Blin G. (eds) RDF Database Systems: Triples Storage and SPARQL Query Processing, Morgan Kaufmann, 2015, 256 p. DOI: 10.1016/C2013-0-14009-3.
27. Bereta K., Xiao G., Koubarakis M. Ontop-spatial: Ontop of Geospatial Databases, Journal of Web Semantics: Science, Services and Agents on the World Wide Web, 2019, Vol. 58, article 100514.
DOI: 10.1016/j.websem.2019.100514.
HHmmneKmyaxbHbie техноnогии Ha mpaHcnopme. 2020. № 2
35
