Информационные системы для экологической оценки растительного покрова территорий: обзор методов, подходов и технологий
Автор: П.А. Макеев, С.В. Сусарев, О.В. Козловская
Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc
Рубрика: Машиностроение и машиноведение
Статья в выпуске: 3 т.28, 2026 года.
Бесплатный доступ
В статье проведен сравнительный анализ информационных систем экологической оценки растительного покрова, основанный на релевантных публикациях и коммерческих решениях за 2017–2025 гг. Рассмотрены источники данных, средства наблюдений и соответствующие процедуры обработки, включая расчёт вегетационных индексов и применение алгоритмов машинного обучения и глубокого обучения. Сопоставление подходов проведено по параметрам точности, масштабируемости, требованиям к обучающим данным, стоимости реализации и временным затратам на подготовку, результаты структурированы в табличной форме. На основе анализа выделены три стратегических класса решений (многоуровневые интегрированные системы, специализированные платформы и облачные сервисы обработки) и сформулированы требования к модульной облачно-локальной архитектуре, а также к процедурам верификации результатов (включая полевую проверку и расчёт метрик качества).
Информационные системы, экологическая оценка, растительный покров, беспилотный летательный аппарат, вегетационные индексы, машинное обучение для классификации
Короткий адрес: https://sciup.org/148333830
IDR: 148333830 | УДК: 004.032:004.85:504.064 | DOI: 10.37313/1990-5378-2026-28-3-170-178
Information Systems for Ecological Assessment of Vegetation Cover in Territories: a Review of Methods, Approaches and Technologies
This article presents a comparative analysis of information systems for the environmental assessment of vegetation cover, drawing on relevant publications and commercial solutions from 2017–2025. It examines data sources, observation tools, and associated processing procedures, including the calculation of vegetation indices and the application of machine and deep learning algorithms. The approaches are compared based on accuracy, scalability, training data requirements, implementation costs, and preparation time; the results are structured in a tabular form. Based on this analysis, three strategic classes of solutions are identified (multi-level integrated systems, specialized platforms, and cloud-based processing services). Furthermore, requirements are formulated for a modular hybrid (cloud-local) architecture, as well as for result verification procedures (including field validation and the computation of quality metrics).
