Possibilities of using Hadoop and R to analyze large arrays of geospatial data
Вантажиться...
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
Альтернативна назва
Анотація
The main problems associated with the processing of Big Data, in particular arrays containing geospatial data, are analyzed. The Hadoop platform is considered one of the basic approaches to the analysis of large data arrays and the possibility of its integration with the R environment. The potential possibilities of using the Hadoop platform for solving practical problems in the process of analyzing geospatial and spatiotemporal data are analyzed.
Проаналізовані основні проблеми пов’язані з обробкою Big Data, зокрема масивів, що містять геопросторові дані. Розглянуто платформу Hadoop, як один з базових підходів до аналізу великих масивів даних та можливості її інтеграції з середовищем R. Проаналізовано потенційні можливості використання платформи Hadoop для вирішення практичних задач в процесі аналізу геопросторових та просторово-часових даних.
Проаналізовані основні проблеми пов’язані з обробкою Big Data, зокрема масивів, що містять геопросторові дані. Розглянуто платформу Hadoop, як один з базових підходів до аналізу великих масивів даних та можливості її інтеграції з середовищем R. Проаналізовано потенційні можливості використання платформи Hadoop для вирішення практичних задач в процесі аналізу геопросторових та просторово-часових даних.
Опис
Ключові слова
УДК
Тип документа
Мова
Є частиною
ISSN
Посилання на публікацію
https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/620
Оптико-електронні інформаційно-енергетичні технології. № 2 : 49-54.
Оптико-електронні інформаційно-енергетичні технології. № 2 : 49-54.
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Possibilities of using Hadoop and R to analyze large arrays of geospatial data [Text] / M. V. Talakh, Yu. Ya. Tomka, Yu. O. Ushenko, I. V. Soltys // Оптико-електронні інформаційно-енергетичні технології. – 2022. – № 2. – С. 49-54.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (22)
- Li DR Theory and Application of Spatial Data Mining (fisrt edition) / DR Li, SLWang, DY Li. - Beijing: Science Press, 2006. - 344 p.
- Roberts, D.R.; Bahn, V.; Ciuti, S.; Boyce, M.S.; Elith, J.; Guillera-Arroita, G.; Hauenstein, S.; Lahoz-Monfort, J.J.; Schröder, B.; Thuiller, W.; et al. Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure. Ecography 2017, 40, 913–929.
- Jhummarwala A. Parallel and Distributed GIS for Processing Geo-data: An Overview / A. Jhummarwala, MB Potdar, P. Chauhan // International Journal of Computer Applications. - 2014. - Vol. 106.–No.16. - R. 9-16.
- Guhaniyogi R, Banerjee S. Multivariate spatial meta kriging. Stat Probab Lett. 2019;144:3–8.
- Kousar H, Babu BP. Multi-Agent based MapReduce Model for Efficient Utilization of System Resources. Indones JElectr Eng Comput sci. 2018;11(2):504–514.
- Grossner K. Defining a digital earth system. / K. Grossner, M. Goodchild, K. Clarke // Transactions in GIS. - 2008. - Vol. 12. - No 1. - R. 145-160.
- Zhang L, Datta A, Banerjee S. Practical Bayesian modeling and inference for massive spatial data sets on modest computing environments. Stat Anal Data Min. 2019;12(3):197–209.
- Lee XJ, Hainy M, McKeone JP, Drovandi CC, Pettitt AN. ABC model selection for spatial extremes models applied to South Australian maximum temperature data. Comput Stat Data Anal. 2018;128:128–144.
- Izbicki R, Lee AB, Pospisil T. ABC–CDE: Toward Approximate Bayesian Computation With Complex HighDimensional Data and Limited Simulations. J Comput Graph Stat. 2019;p. 1–20.
- White T. Hadoop: Definitive Guide. – 3nd edition. - Sebastopol: O'Reilly Media, 2012. - 688 p.