Abstract
<jats:p>У статті розроблено інформаційну технологію визначення теплових змін урбанізованих територій на основі використання супутникових даних та методів машинного навчання. Запропонований підхід поєднує регресійне визначення температури земної поверхні із застосуванням ансамблевого алгоритму (Random Forest) та алгоритмом ізольованого лісу (Isolation Forest) для автоматизованого виявлення й картографування теплових аномалій. В якості вхідних даних використано мультиспектральні знімки супутникових місій Landsat 8, Landsat 9 та Sentinel-2 за період 2020–2024 рр., на основі яких сформовано багатовимірний набір спектральних, текстурних і морфологічних ознак. Особливо актуальним цей підхід є для зон, що зазнають значних антропогенних та природних змін. Так, прикладом є території міста Нікополь та прилеглої акваторії колишнього Каховського водосховища, які зазнали суттєвих змін після руйнування греблі Каховської ГЕС у 2023 році. Зникнення водного дзеркала перетворило охолоджувальні водні об’єкти на сухі відкриті ґрунти, що вплинуло на відбивну здатність поверхні та накопичення тепла. Це створило умови для аномального перегріву та посилило ефект міського теплового острова, що було підтверджено експериментальними дослідженнями. Кількісні метрики показали високу точність запропонованого підходу, а саме значення RMSE = 2,12 °C, MAE = 1,63 °C та R² = 0,89, що свідчить про високу точність відтворення температурних зон. Встановлено зростання площі теплових аномалій з 15–30 % у 2020–2021 рр. до 85–90 % у 2024 р., що свідчить про збільшення частки аномальних пікселів та зміну просторового розподілу аномальних значень температури земної поверхні в межах досліджуваної території. Наукова новизна полягає у вдосконалені підходу визначення теплових змін урбанізованих територій на основі супутникових даних, який, на відміну від існуючих підходів, що обмежуються або регресійним моделюванням температури земної поверхні, або окремою класифікацією зон міського теплового острова, передбачає використання ансамблевого нелійного регресійного визначення аномалій з безнаглядним алгоритмом ізольованого лісу (Isolation Forest) для автоматизованого виявлення та картографування аномальних температурних ділянок</jats:p>