АНАЛИЗ БОЛЬШИХ ГЕОПРОСТРАНСТВЕННЫХ ДАННЫХ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ПРИ ОЦЕНКЕ АНТРОПОГЕННОГО ВОЗДЕЙСТВИЯ ГОРНОГО ПРОИЗВОДСТВА НА ПРИРОДНЫЕ ЭКОСИСТЕМЫ : научное издание
Библиографическое описание:АНАЛИЗ БОЛЬШИХ ГЕОПРОСТРАНСТВЕННЫХ ДАННЫХ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ПРИ ОЦЕНКЕ АНТРОПОГЕННОГО ВОЗДЕЙСТВИЯ ГОРНОГО ПРОИЗВОДСТВА НА ПРИРОДНЫЕ ЭКОСИСТЕМЫ : научное издание / С. О. Курашкин, М. Н. Степанцевич, О. С. Ермолаева, К. С. Музалев. - Текст : непосредственный // Известия Тульского государственного университета. Науки о Земле. - 2026. - № 1. - С. 118-123. - ISSN 2218-5194.
Аннотация:Рассматриваются возможности применения методов анализа больших геопространственных данных и алгоритмов машинного обучения для оценки антропогенного воздействия горного производства на природные экосистемы. В качестве исходных данных использованы мультиспектральные спутниковые изображения системы дистанционного зондирования Sentinel-2. Проведена предварительная обработка изображений, включающая географическую привязку, атмосферную коррекцию и расчет спектрального индекса растительности NDVI. Для автоматизированного выявления техногенно нарушенных территорий применен алгоритм машинного обучения случайный лес. Анализ результатов показал наличие значительных различий спектральных характеристик между природными и техногенно преобразованными ландшафтами. Точность классификации составила 87,2 %, что подтверждает эффективность использования методов машинного обучения при обработке геопространственной информации. Полученные результаты демонстрируют перспективность интеграции спутниковых данных и интеллектуальных методов анализа для мониторинга экологического состояния территорий, подвергающихся воздействию горнодобывающей деятельности.
The paper examines the possibilities of applying big geospatial data analysis and machine learning methods to assess the anthropogenic impact of mining activities on natural ecosystems. Multispectral satellite imagery from the Sentinel-2 remote sensing system was used as the primary data source. The preprocessing stage included georeferencing, atmospheric correction, and calculation of the NDVI vegetation index. A Random Forest machine learning algorithm was applied to automatically identify technogen i-cally disturbed areas. The analysis revealed significant differences in spectral characteristics between natural landscapes and mining-affected territories. The classification model demonstrated an overall accuracy of 87.2%, confirming the effectiveness of machine learning techniques in processing geospatial information. The results highlight the potential of integrating satellite remote sensing data with intelligent analytical methods for environmental monitoring and for assessing the spatial distribution of anthropog enic transformations in mining regions.
