Во множестве практически значимых задач, решение которых опирается на пространственно-временные свойства явлений, существенны не столько точно измеренные значения базовых показателей, фактов или пространственных отношений, сколько их интегральная, часто принципиально нестрогая характеристика. В тех областях, где деятельности свойственны такие задачи, сложилась практика интегрального представления последних в виде бинарных, балльных, категориальных и непрерывных шкал. В данной работе предлагается формальный аппарат пространственно-временных явлений, позволяющий учесть аспекты, связанные с ограниченной применимостью понятийных аппаратов базовых предметных областей, аспекты пространственной и временной неопределенности явлений, аспекты принципиально нестрогого определения практически значимых понятий. Предложена человеко-машиночитаемая нотация, основанная на грамматике языка программирования Python 3, позволяющая описывать пространственно-временные явления и потенциально способная служить основой для их автоматической идентификации и локализации. Приведен набор примеров применения данной нотации для определения явлений из области метеорологии. Предложенные построения позволяют унифицировать процессы обработки данных о локализации комплексных явлений в пространстве и времени, в том числе в условиях взаимодействия различных предметных областей.
пространственно-временные данные, обработка данных, комплексные явления, пространство-время
1. Dovey K., Woodcock I., Pike L. Isochrone mapping of urban transport: car-dependency, mode-choice and design research // Planning Practice & Research. 2017. Vol. 32. No. 4. P. 402–416. DOIhttps://doi.org/10.1080/02697459.2017.1329487.
2. Reis J.P., Silva E.A., Pinho P. Spatial metrics to study urban patterns in growing and shrinking cities // Urban Geography. 2016. Vol. 37. No. 2. P. 246–271. DOIhttps://doi.org/10.1080/02723638.2015.1096118.
3. DeRubertis D. Recent Trends in Four Common Stability Indices Derived from U.S. Radiosonde Observations // Journal of Climate. 2006. Vol. 19. No. 3. P. 309–323. DOIhttps://doi.org/10.1175/JCLI3626.1.
4. Котяк П.А., Чебыкина Е.В., Воронин А.Н. и др. Изменение токсичности почвы под действием технологий возделывания культур // Вестник Алтайского государственного аграрного университета. 2023. № 8(226). С. 25–33. DOIhttps://doi.org/10.53083/1996-4277-2023-226-8-25-33.
5. Kowalska J.B., Mazurek R., Gąsiorek M., et al. Pollution indices as useful tools for the comprehensive evaluation of the degree of soil contamination – A review // Environmental Geochemistry and Health. 2018. Vol. 40. P. 2395–2420. DOIhttps://doi.org/10.1007/s10653-018-0106-z.
6. Zhang H., Casey T. Verification of Categorical Probability Forecasts // Weather and Forecasting. 2000. Vol. 15. No. 1. P. 80–89. DOIhttps://doi.org/10.1175/1520-0434(2000)015<0080:VOCPF>2.0.CO;2.
7. Koyuncu M. Intelligent fuzzy queries for multimedia databases // International Journal of Intelligent Systems. 2011. Vol. 26. No. 10. P. 930–951. DOIhttps://doi.org/10.1002/int.20507.
8. Moreira J., Duarte J., Dias P. Modeling and representing real-world spatio-temporal data in databases // Proceedings of the 14th International Conference on Spatial Information Theory (COSIT 2019), September 9–13, 2019, Regensburg. Saarbrücken/Wadern: Dagstuhl Publishing, 2019. P. 1–14. DOIhttps://doi.org/10.4230/LIPIcs.COSIT.2019.6.
9. Zhao X., Zhang J., Cao Y., et al. Spatio-temporal knowledge embedding method considering the lifecycle of geographical entities // International Journal of Applied Earth Observation and Geoinformation. 2024. Vol. 131. P. 13. DOIhttps://doi.org/10.1016/j.jag.2024.103967.
10. Howson C. The logic of bayesian probability // Foundations of Bayesianism / ed. by D. Corfield, J. Williamson. Dordrecht: Springer Science + Business Media, 2001. P. 137–159.
11. Пичугин М.К., Гурвич И.А., Баранюк А.В. и др. Разработка диагностического алгоритма идентификации замерзающих осадков на Дальнем Востоке на основе данных реанализа ERA5 и измерений со спутника GPM //
