MACHINE LEARNING METHODS FOR ANALYSING THREE-DIMENSIONAL SPATIAL DATA IN KAZAKHSTAN’S LAND USE PLANNING

Аннотация

Современные методы машинного обучения (МО) предоставляют надежные инструменты для обработки и анализа обширных пространственных и климатических данных, которые имеют ключевое значение для устойчивого территориального планирования. В данной статье рассматриваются возможности использования методов машинного обучения и нейронных сетей для анализа трехмерных геопространственных данных в Казахстане, в частности, на примере городской застройки города Алатау, одного из наиболее динамично развивающихся районов города. Изучается использование открытых источников геопространственных данных, таких как спутниковые снимки Copernicus, климатический реанализ ERA5 и пространственные базы данных QGIS, для построения высокоточных трехмерных моделей городской среды. В исследовании описывается использование нейронных сетей, включая многослойные персептроны (MLP) и сверточные нейронные сети (CNN), для классификации землепользования, прогнозирования роста урбанизации и оценки пригодности земель для жилищного и инфраструктурного строительства. Кроме того, подчеркивается важность машинного обучения в интеграции данных о рельефе, растительности и климате для поддержки принятия решений в области пространственного планирования. Проведенный анализ показывает, что подходы на основе МО способны существенно повысить эффективность, адаптивность и устойчивость стратегий городского развития в Казахстане, способствуя переходу к управлению территориями на основе данных.