Abstract
В статье представлен гибридная модель машинного обучения для пространственной сегментации почв по солености с использованием многоспектральных спутниковых данных Sentinel-2 и климатических параме-тров модели ERA5-Land. Предложенный метод направлен на решение пробле-мы точной сегментации почвенного покрова в условиях изменения климата и высокой пространственной гетерогенности данных. Подход включает после-довательное применение алгоритмов неконтролируемого обучения (KMeans, иерархическая кластеризация, DBSCAN), модели XGBoost и многозадачной нейронной сети, которая выполняет одновременную классификацию и регрессию. На первом этапе формируются псевдоназвания с использованием KMeans, затем осуществляется вероятностная оценка принадлежности объ-ектов к классам и объединяющее голосование алгоритмов кластеризации. Финальная модель обучается на расширенном пространстве признаков и де-монстрирует улучшенные результаты по сравнению с традиционными подхо-дами. Эксперименты на выборке из 33 624 наблюдений (23 536 — обучающая выборка, 10 088 — тестовая выборка) показали увеличение значения SilhouetteScore с 0,7840 до 0,8156 и снижение значения Davies-BouldinScore с 0,3567 до 0,3022. Точность классификации составила 99,99 %, было допущено только одна ошибка более чем в 10 000 тестовых объектов. Результаты подтвердили высокую эффективность и применимость предложенного метода для дистан-ционного мониторинга, анализа окружающей среды и устойчивого управления земельными ресурсами.