Большие массивы геопространственных данных открывают новые возможности для мониторинга природных ресурсов, однако их интеграцию осложняют пространственная зависимость, нестабильность весов показателей, переносимость моделей и неопределённость. В исследовании оценивается воспроизводимая методика, объединяющая построение индекса нагрузки, моделирование риска деградации, пространственно-временную валидацию, интерпретацию предикторов, анализ мер воздействия и оценку вычислительной масштабируемости. Синтетический набор данных, включающий наблюдения за 2400 ячейками сетки в течение 24 месяцев (57 600 записей), проанализирован с использованием семи нормированных показателей. Веса показателей оценивались по 100 выборкам пространственного блочного бутстрэпа, а логистическая регрессия и градиентный бустинг — по четырём схемам валидации. Перестановочный анализ и моделирование методом Монте-Карло использовались для оценки вклада предикторов и неопределённости мер воздействия. Первая главная компонента объясняла 60,7% дисперсии, средний индекс нагрузки составлял 0,502, а индекс Морана I — 0,954. Значения AUC логистической регрессии достигли 0,804 при случайной валидации и 0,785 при пространственной валидации с буферными зонами; её результаты были сопоставимы с результатами градиентного бустинга. Гидроэкологические переменные обеспечивали наибольшую переносимую прогностическую информативность. Комплекс мер снизил индекс приоритетных территорий на 12,3%, а долю территорий в критическом состоянии — на 29,0 процентного пункта. Рост вычислительных затрат оставался близким к линейному при объёме данных до 2,30 млн записей. Методика позволяет оценивать природные ресурсы с учётом неопределённости, однако её практическое применение требует местных наблюдений и независимой полевой валидации.

Ключевые слова: облачные вычисления, поддержка принятия решений, наблюдение Земли, машинное обучение, пространственная перекрёстная валидация

ЛИТЕРАТУРА

Ahmadova, Kh.N., Jabarov, S.H., Aliyev, Y.I., Aliyeva, Sh.N., Trukhanov, A.V., Trukhanov, S.V., & Mirzayev, M.N. (2025). Design, production and investigation of structural singularities of layered metal-oxide nanostructures. International Journal of Nanoscience, 24, Article 2450015. https://doi.org/10.1142/S0219581X24500157

Aslanova, K., & Güngöroğlu, C. (2026). Some ecological factors controlling the distribution of forested areas in the Zangilan and Gubadli regions. Acta Botanica Caucasica, 5(1), 84–92. https://doi.org/10.30546/abc.2026.1176

Dormann, C.F., Elith, J., Bacher, S., Buchmann, C., Carl, G., Carre, G., Garcia Marquez, J. R., Gruber, B., Lafourcade, B., Leitao, P.J., Munkemuller, T., McClean, C., Osborne, P.E., Reineking, B., Schroder, B., Skidmore, A.K., Zurell, D., & Lautenbach, S. (2013). Collinearity: A review of methods to deal with it and a simulation study evaluating their performance. Ecography, 36(1), 27–46. https://doi.org/10.1111/j.1600-0587.2012.07348.x

Dritsas, E., & Trigka, M. (2025). Remote sensing and geospatial analysis in the big data era: A survey. Remote Sensing, 17(3), Article 550. https://doi.org/10.3390/rs17030550

Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C., Laberinti, P., Martimort, P., Meygret, A., Spoto, F., Sy, O., Marchese, F., & Bargellini, P. (2012). Sentinel-2: ESA’s optical high-resolution mission for GMES operational services. Remote Sensing of Environment, 120, 25–36. https://doi.org/10.1016/j.rse.2011.11.026

Gneiting, T., & Raftery, A. E. (2007). Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102(477), 359–378. https://doi.org/10.1198/016214506000001437

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031

Jafarov, S. (2024). Internationalisation and cultural aspects of online learning, training, and research. Pakistan Journal of Life and Social Sciences, 22(2), 6437–6452. https://doi.org/10.57239/PJLSS-2024-22.2.00486

Jafarov, S., Babashova, S., Dadashov, T., & Garibov, S. (2024). The influence of intonation on the interpretation of parenthetical clauses. Pakistan Journal of Life and Social Sciences, 22(2). https://doi.org/10.57239/pjlss-2024-22.2.00810

Jolliffe, I.T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), Article 20150202. https://doi.org/10.1098/rsta.2015.0202

Koh, K., Hyder, A., Karale, Y., & Kamel Boulos, M.N. (2022). Big geospatial data or geospatial big data? A systematic narrative review on spatial data infrastructures. Remote Sensing, 14(13), Article 2996. https://doi.org/10.3390/rs14132996

Koldasbayeva, D., Tregubova, P., Gasanov, M., Zaytsev, A., Petrovskaia, A., & Burnaev, E. (2024). Challenges in data-driven geospatial modeling for environmental research and practice. Nature Communications, 15, Article 10700. https://doi.org/10.1038/s41467-024-55240-8

Ma, Y., Wu, H., Wang, L., Huang, B., Ranjan, R., Zomaya, A., & Jie, W. (2015). Remote sensing big data computing: Challenges and opportunities. Future Generation Computer Systems, 51, 47–60. https://doi.org/10.1016/j.future.2014.10.029

McFeeters, S. K. (1996). The use of the normalized difference water index in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432. https://doi.org/10.1080/01431169608948714

Morris, T.P., White, I.R., & Crowther, M.J. (2019). Using simulation studies to evaluate statistical methods. Statistics in Medicine, 38(11), 2074–2102. https://doi.org/10.1002/sim.8086

Munoz-Sabater, J., Dutra, E., Agusti-Panareda, A., Albergel, C., Arduini, G., Balsamo, G., Boussetta, S., Choulga, M., Harrigan, S., Hersbach, H., Martens, B., Miralles, D.G., Piles, M., Rodriguez-Fernandez, N.J., Zsoter, E., Buontempo, C., & Thepaut, J.-N. (2021). ERA5-Land: A state-of-the-art global reanalysis dataset for land applications. Earth System Science Data, 13, 4349–4383. https://doi.org/10.5194/essd-13-4349-2021

Ploton, P., Mortier, F., Rejou-Mechain, M., Barbier, N., Picard, N., Rossi, V., Dormann, C., Cornu, G., Viennois, G., Bayol, N., Lyapustin, A., Gourlet-Fleury, S., & Pelissier, R. (2020). Spatial validation reveals poor predictive performance of large-scale ecological mapping models. Nature Communications, 11, Article 4540. https://doi.org/10.1038/s41467-020-18321-y

Poggio, L., de Sousa, L.M., Batjes, N.H., Heuvelink, G.B.M., Kempen, B., Ribeiro, E., & Rossiter, D. (2021). SoilGrids 2.0: Producing soil information for the globe with quantified spatial uncertainty. SOIL, 7, 217–240. https://doi.org/10.5194/soil-7-217-2021

Roberts, D.R., Bahn, V., Ciuti, S., Boyce, M. S., Elith, J., Guillera-Arroita, G., Hauenstein, S., Lahoz-Monfort, J.J., Schroder, B., Thuiller, W., Warton, D.I., Wintle, B.A., Hartig, F., & Dormann, C.F. (2017). Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure. Ecography, 40(8), 913–929. https://doi.org/10.1111/ecog.02881

Sharma, S., Beslity, J.O., Rustad, L., Shelby, L.J., Manos, P.T., Khanal, P., Reinmann, A.B., & Khanal, C. (2024). Remote sensing and GIS in natural resource management: Comparing tools and emphasizing the importance of in-situ data. Remote Sensing, 16(22), Article 4161. https://doi.org/10.3390/rs16224161

Stock, A. (2025). Choosing blocks for spatial cross-validation: Lessons from a marine remote sensing case study. Frontiers in Remote Sensing, 6, Article 1531097. https://doi.org/10.3389/frsen.2025.1531097

Tucker, C.J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), 127–150. https://doi.org/10.1016/0034-4257(79)90013-0

Valavi, R., Elith, J., Lahoz-Monfort, J.J., & Guillera-Arroita, G. (2019). blockCV: An R package for generating spatially or environmentally separated folds for k-fold cross-validation of species distribution models. Methods in Ecology and Evolution, 10(2), 225–232. https://doi.org/10.1111/2041-210X.13107

Wang, Y., Khodadadzadeh, M., & Zurita-Milla, R. (2025). A dissimilarity-adaptive cross-validation method for evaluating geospatial machine learning predictions with clustered samples. Ecological Informatics, 90, Article 103287. https://doi.org/10.1016/j.ecoinf.2025.103287