ПОРІВНЯЛЬНИЙ АНАЛІЗ ХМАРНИХ СЕРВІСІВ ДЛЯ ОБРОБКИ ГЕОІНФОРМАЦІЙНИХ ДАНИХ
DOI:
https://doi.org/10.31649/1999-9941-2023-57-2-50-57Ключові слова:
хмарні сервіси, геоінформаційні системи, обробка геоінформаційних даних, аналіз зображень, обробка супутникових даних, вартість, безпека, масштабованість, ефективність, продуктивність, рекомендаціїАнотація
Анотація. Стаття присвячена порівняльному аналізу хмарних сервісів для обробки геоінформаційних даних. У ній детально розглядаються сервіси - Google Cloud, Amazon Web Services та Microsoft Azure, що надають засоби для зберігання, обробки та аналізу великих обсягів географічних даних. Також наведено параметри геоінформаційних сервісів, алгоритм доступу та приклади програмного коду для обробки супутникових даних. У статті описуються такі можливості та обмеження використання хмарних сервісів, як автоматизованість, безпека та масштабованість. Надано висновки та рекомендації для подальшого розвитку систем обробки геоінформаційних даних на основі хмарних сервісів. Сервіси Amazon Web Services (AWS), Microsoft Azure та Google Cloud Platform (GCP), пропонують різноманітні рішення для зберігання геоданих. Ці рішення включають об'єктні сховища, такі як Amazon S3, Azure Blob Storage та Google Cloud Storage, а також геопросторові бази даних, наприклад, Amazon RDS, Azure Cosmos DB та Google Cloud Firestore. Крім того, кожен з цих сервісів надає набір сервісів для аналізу та обробки геоінформаційних даних. Наприклад, AWS пропонує такі сервіси, як Amazon Athena, Amazon Redshift та AWS Glue, які дозволяють виконувати SQL-запити, проводити аналітику та інтегрувати геодані з іншими сервісами. Azure має в своєму арсеналі сервіси, такі як Azure SQL Database, Azure Databricks та HDInsight, які забезпечують можливості для обробки та аналізу геоінформаційних даних. GCP також надає сервіси, такі як BigQuery, Dataflow та Dataproc, які дозволяють виконувати аналітичні операції та обробку великих обсягів геоданих. Підтримка сервісами інтеграції з різноманітними геоінструментами є важливою для аналізу, наприклад, AWS, Amazon Location Service, Amazon Ground Truth та Amazon Rekognition - дозволяють працювати з геоданими на різних рівнях складності. Azure має Azure Maps, який надає сервіси для геокодування, маршрутизації та візуалізації геоданих. GCP також пропонує Google Maps Platform, який надає широкі можливості для інтеграції з географічними технологіями, такими як маршрутизація, геокодування та візуалізація карт. Усі ці процеси дозволять ефективніше обробляти дані.
Посилання
Carillo, K. D., & White, D. (2020). Cloud Computing: Concepts, Technology, and Architecture. Morgan Kaufmann.
Kuo, M. F. (2020). Geographic Information Science: Fundamentals and Applications. CRC Press.
Chen, M., & Zhang, Y. (2020). Cloud Computing for Geospatial Data Analysis and Applications. Springer.
Kolodziej, J., & González-Vélez, H. (Eds.). (2020). Cloud Computing for Science and Engineering. Wiley.
Li, X., & Karimi, H. A. (2020). Geospatial Data Science Techniques and Applications. Springer.
Fan, Y., et al. (2021). Geospatial Machine Learning for Urban Research and Planning. Springer.
Ahmed, N., & Sheng, Q. Z. (2021). Security and Privacy in Cloud Computing for Geospatial Data Services. Springer.
Deng, Z., et al. (2020). Cloud Computing for Geoengineering: Concepts, Applications, and Perspectives. Springer.
Laplante, P. A. (2020). Requirements Engineering for Software and Systems. CRC Press.
Vögler, M., & Gartner, G. (2021). User-Centric Requirements Engineering in the Cloud. Springer.
Li, M., & Zhang, Z. (2020). Cloud Testing: Fundamentals, Techniques, and Tools. Springer.
Balalaie, A., et al. (2020). Microservices Architecture: Aligning Principles, Practices, and Culture. O'Reilly Media.
Frappier, M., & Bahrami, M. (2020). Advances in Geo-Information Science. Springer.
Liu, C., & Zhou, M. (2020). Intelligent Big Geospatial Data Analytics: Deep Learning and Neural Networks. CRC Press.
##submission.downloads##
-
PDF
Завантажень: 157
