Модель хранения пространственных данных тензорных геофизических полей

Введение. Известно, что геофизические поля (геомагнитное, гравитационное и электромагнитное) при их регистрации или моделировании представляют совокупность нескольких векторных составляющих, характеризующих изменение соответствующих параметров в пространстве и во времени. Хранение данных геофизических полей в настоящее время реализуется на основе известных моделей данных, представляющих собой, как правило, реляционную структуру. Анализ известных исследований показал избыточность и неэффективность такого подхода. Это выражается в низкой скорости получения искомых данных при использовании комплексных мультипредикатных запросов. Непрерывно растущие объем и сложность рассматриваемых данных требуют новых подходов к организации их хранения для повышения производительности информационных систем, применяемых для поддержки принятия решений на основе данных геофизических полей.
Метод. В данной работе предлагается и исследуется модель представления и хранения данных геофизических полей, обеспечивающая повышение производительности информационных систем. Представлен анализ специфических особенностей геофизических полей, обусловленных их тензорным характером. Рассмотрены основные компоненты данных, определены перспективные варианты комбинирования известных моделей данных для получения наилучшего результата для повышения производительности соответствующих баз данных.
Основные результаты. Предложена мультиосевая модель данных геофизических полей, учитывающая тензорную многокомпонентную структуру полей и сочетающая особенности иерархической организации данных и элементоцентричной разметки информации. Отличительной особенностью предложенной модели является введение статичной и динамической осей. Такой подход обеспечивает представления метаданных, оперативных и архивных данных, взаимодействие между ними на уровне фоновых процессов с участием программных триггеров с темпоральными предикатами.
Обсуждение. На примере данных геомагнитного поля и его вариаций продемонстрировано увеличение скорости выполнения одно- и мультипредикатных запросов на выборку данных, вставку новых записей в хранилище. Вычислительные эксперименты по сравнению предлагаемого и известных подходов к организации и хранению данных геофизических полей на различных наборах и объемах данных показали, что реализация мультиосевой модели данных дает возможность повысить скорость выполнения однопредикативных запросов на 25,7 %, мультипредикативных запросов на 20,1 %, запросов на вставку новых записей на 21,3 %. Это позволяет сделать вывод о целесообразности применения предложенного решения.

1. Reay S.J., Herzog D.C., Alex S., Kharin E.P., McLean S., Nosé M., Sergeyeva N.A. Magnetic observatory data and metadata: types and availability // Geomagnetic Observations and Models. 2011. V. 5. P. 149–181. https://doi.org/10.1007/978-90-481-9858-0_7

2. St-Louis B. Intermagnet Technical Reference Manual. Version 4.6. Edinburgh: INTERMAGNET, BGS, 2012. 100 p.

3. Califf S., Alken P., Chulliat A., Anderson B., Rock K., Vines S., Barnes R., Liou K. Investigation of geomagnetic reference models based on the Iridium® constellation // Earth, Planets and Space. 2022. V. 74. N 1. P. 37. https://doi.org/10.1186/s40623-022-01574-w

4. Lazzeri C., Samsonov A., Forsyth C., Branduardi-Raymont G., Bogdanova Y. A statistical study of the properties of, and geomagnetic responses to, large, rapid southward turnings of the interplanetary magnetic field // Journal of Geophysical Research: Space Physics. 2 0 2 4 . V. 129. N 9. P. e2023JA032160. https://doi.org/10.1029/2023JA032160

5. Gjerloev J.W. The SuperMAG data processing technique // Journal of Geophysical Research: Space Physics. 2012. V. 117. N 9. P. A09213. https://doi.org/10.1029/2012JA017683

6. Janzhura A.S., Troshichev O.A. Determination of the running quiet daily geomagnetic variation // Journal of Atmospheric and Solar Terrestrial Physics. 2008. V. 70. N 7. P. 962–972. https://doi.org/10.1016/j.jastp.2007.11.004

7. Peng Z., Laramee S. Higher dimensional vector field visualization. a survey // Proc. of the Theory and Practice of Computer Graphics (TPCG ‘09). 2009. P. 149–163.

8. Hergl C., Blecha C., Kretzschmar V., Raith F., Gunther F., Stommel M., Jankowai J., Hotz I., Nagel T., Scheuermann G. Visualization of tensor fields in mechanics // Computer Graphics Forum. 2021. V. 40. N 6. P. 135–161. https://doi.org/10.1111/cgf.14209

9. Jilesh V., Pournami A. On a generalization of Laplace distribution with applications // International Journal of Data Science and Analytics. 2025. in press. https://doi.org/10.1007/s41060-024-00706-7

10. He Z., Hu X., Teng Y., Zhang X., Shen X. Data agreement analysis and correction of comparative geomagnetic vector observations // Earth, Planets and Space. 2022. V. 74. N 1. P. 29. https://doi.org/10.1186/s40623-022-01583-9

11. Huang Y., Wu L., Li D. Theoretical research on full attitude determination using geomagnetic gradient tensor // The Journal of Navigation. 2015. V. 68. N 5. P. 951– 961. https://doi.org/10.1017/S0373463315000259

12. Oliva P., Xu C. On the Herbrand functional interpretation // Mathematical Logic Quarterly. 2020. V. 66. N 1. P. 91–98. https://doi.org/10.1002/malq.201900067

13. Воробьев А.В., Воробьева Г.Р. Индуктивный метод восстановления временных рядов геомагнитных данных // Труды СПИИРАН. 2018. № 2(57). С. 104–133. https://doi.org/10.15622/sp.57.5

14. Воробьев А.В., Воробьева Г.Р. Оценка влияния геомагнитной активности на метрологические характеристики инклинометрических информационно-измерительных систем // Измерительная техника. 2017. № 6. С. 21–24.

15. Воробьев А.В., Воробьева Г.Р., Юсупова Н.И. Концепция единого пространства геомагнитных данных // Труды СПИИРАН. 2019. Т. 18. № 2. С. 390–415. https://doi.org/10.15622/sp.18.2.390-415

16. Muhammad A., Minhaj K. Enhancing XML data parsing and querying performance on multi-core architectures // Journal of Statistics, Computing and Interdisciplinary Research. 2024. V. 6. N 1. P. 75–89. https://doi.org/10.52700/scir.v6i1.158

17. Воробьев А.В., Воробьева Г.Р. Подход к обнаружению и устранению артефактов пространственных изолиний в приложениях Веб-ГИС // Компьютерная оптика. 2023. Т. 47. № 1. С. 126–136. https://doi.org/10.18287/2412-6179-CO-1127

18. Воробьев А.В., Воробьева Г.Р. Подход к динамической визуализации разнородных геопространственных векторных изображений // Компьютерная оптика. 2024. Т. 48. № 1. С. 123–138. https://doi.org/10.18287/2412-6179-CO-1279

19. Shene J., Chnoor R., Mzhda A. XML schema validation using Java API for XML processing // UKH Journal of Science and Engineering. 2022. V. 6. N 1. P. 33–41. https://doi.org/10.25079/ukhjse.v6n1y2022

20. Chen R., Wang Z., Su H., Xie S., Wang Z. Parallel XPath query based on cost optimization // The Journal of Supercomputing. 2022. V. 78. N 4. P. 5420–5449. https://doi.org/10.1007/s11227-021-04074-y

21. Areces C., Fervari R. Axiomatizing Hybrid XPath with data // Logical Methods in Computer Science. 2021. V. 17. N 3. P. 5. https://doi.org/10.46298/lmcs-17(3:5)2021

22. Chernenkiy V.M., Gapanyuk Y.E., Kaganov Y.T., Dunin I.V., Lyaskovsky M.A., Larionov V.S. Storing metagraph model in relational, document-oriented, and graph databases // CEUR Workshop Proceedings. 2018. V. 2277. P. 82–89.

23. Terekhov V., Gapanyuk Y., Kanev A. Metagraph representation for overcoming limitations of existing knowledge bases // Proc. of the 28th Conference of Open Innovations Association (FRUCT). 2021. P. 458–464. https://doi.org/10.23919/fruct50888.2021.9347601

24. Zichar M. Geovisualization based upon KML // Journal of Agricultural Informatics. 2012. V. 3. N 1. P. 19–26. https://doi.org/10.17700/jai.2012.3.1.49

25. Ortínez-Alvarez A., Ruiz-Suárez L.G., Luis G., Ortega E., García-Reynoso A., Peralta O., López-Gaona A., Castro, T., Martínez-Arroyo A. Emission inventory point source visualization on Google Earth and integrated with HYSPLIT model // Atmósfera. 2021. V. 34. N 2. P. 143–156. https://doi.org/10.20937/ATM.52834