ШТУЧНИЙ ІНТЕЛЕКТ В ЕКОЛОГІЧНОМУ МОНІТОРИНГУ: СИСТЕМАТИЧНИЙ ОГЛЯД МЕТОДІВ, ЗАСТОСУВАНЬ ТА ВИКЛИКІВ

Анотація

Проблема. Зростання антропогенного навантаження та зміни клімату підвищують потребу у високоточному моніторингу екосистем. Поєднання супутникового дистанційного зондування Землі (Earth observation, EO) та методів штучного інтелекту (AI) відкриває можливості для оцінювання стану водних, наземних, прибережних і міських систем, а також атмосферного середовища; однак зберігаються виклики невизначеності, гетерогенності даних і обмеженої переносимості моделей між регіонами. 
Мета. Систематизувати сучасні підходи застосування методів машинного навчання для прогнозування стану довкілля у ключових доменах і узагальнити діапазони точності з урахуванням чинників результативності моделей та типових обмежень. 
Методи дослідження. Виконано цілеспрямований пошук публікацій у базах Scopus, Web of Science Core Collection, IEEE Xplore, ACM Digital Library та Inspec, а також у журналах видавництва MDPI. Для емпіричних робіт охоплено період 2021–2025 рр.; фундаментальні й стандартотворчі джерела враховано без часових обмежень. Здійснено наративний синтез із тематичним поділом; ключові результати подано у таблицях і блок-схемах із фокусом на сенсорах, наборах ознак та схемах просторово-часової валідації. 
Результати. Узагальнення включених досліджень показує, що для задач класифікації земного покриву загальна точність (overall accuracy, OA) за сучасних протоколів варіює у межах 70–96 % залежно від сенсорів, ознак і схем просторово-часової валідації. У задачах детекції об’єктів показник F1 (гармонійне середнє точності та повноти) становить приблизно 0,87 (зокрема, для високодетальної детекції кокосових пальм). Для оцінювання якості води за супутниковими предикторами спостерігаються значення коефіцієнта детермінації R² = 0,93–0,96. В атмосферному домені моделі для приземних концентрацій NO₂ досягають R² близько 0,93, а для щоденного PM_2.5 на решітці з просторовою роздільною здатністю 1 км — R² близько 0,91. У прибережних зонах підтверджено ефективність трансферного навчання: включення ближнього інфрачервоного каналу (NIR) забезпечує середній приріст точності приблизно 19,3 %, причому комбінації NIR із видимими каналами демонструють найвищі підсумкові значення. Окремо систематизовано методичні напрями: класичні методи ML (random forest, RF; support vector machines, SVM), глибинні підходи (convolutional neural networks, CNN; трансформери), гібридні підходи та інструменти пояснюваності (SHAP), а також сфери застосування (land use/land cover, LULC; якість води; атмосферні забруднювачі; прибережні й урбаністичні сценарії). Зазначені діапазони відображають результати за конкретних сенсорних налаштувань і процедур валідації та не є універсальними для всіх регіонів і біомів. 
Висновки та конкретні пропозиції. Найвищі показники забезпечують мультимодальна інтеграція оптичних, радарних із синтетичною апертурою (SAR) та in situ даних, коректне просторово-часове розмежування навчання і тестування зі звітуванням невизначеності, а також стандартизовані ARD-потоки з прозорим походженням даних. Рекомендується уніфікувати протоколи валідації та звітування, формувати відкриті еталонні набори з незалежними тестовими вибірками, систематично перевіряти переносимість між біомами й розвивати гібридні, фізично обґрунтовані моделі. Для температурного картування доцільно використовувати теплові сенсори (Landsat TIRS, Sentinel-3 SLSTR), тоді як Sentinel-2 оптимальний для спектральних індексів і просторових трендів.