Abstract
Современные методы машинного обучения (ML) представля-ют собой эффективные инструменты для обработки и анализа сложных простран-ственных и климатических данных, необходимых для устойчивого территориаль-ного планирования. В данной работе рассматривается применение алгоритмов ML, включая многослойные персептроны (MLP) и сверточные нейронные сети (CNN), для анализа трёхмерных геопространственных данных на примере бы-стро развивающегося района Алатау города Алматы. На основе открытых источ-ников данных — спутниковых снимков Copernicus, климатического реанали-за ERA5 и пространственных слоёв QGIS — были построены высокоточные 3D-модели городской среды. Предложена гибридная архитектура CNN–MLP для классификации землепользования, прогнозирования урбанистического роста и оценки пригодности территорий для жилой и инфраструктурной застройки. Результаты показывают, что подходы, основанные на машинном обучении, позволяют значительно повысить эффективность, адаптивность и устойчивость процессов городского планирования, способствуя переходу к управлению территориями на основе данных в условиях Казахстана.