Искусственный интеллект и геопространственные технологии в исследованиях горячих точек биоразнообразия: библиометрический обзор на основе Scopus и рекомендации для Узбекистана
Ключевые слова:
искусственный интеллект, машинное обучение, Random Forest, дистанционное зондирование, географические информационные системы, «горячие точки» биоразнообразия, моделирование распространения видов, УзбекистанАннотация
Сочетание искусственного интеллекта (ИИ), машинного обучения и геопространственных технологий коренным образом изменило подходы экологов к выявлению, картированию и мониторингу биоразнообразия в находящихся под угрозой исчезновения ландшафтах. В данном обзоре обобщены результаты 82 рецензируемых научных статей, отобранных из ба-зы данных Scopus за 2013–2025 гг., в которых применялись методы на основе искусствен-ного интеллекта, ГИС и дистанционного зондирования для исследования «горячих точек» биоразнообразия. Адаптированная процедура PRISMA позволила сократить первоначаль-ную выборку из 800 публикаций до 82 релевантных документов, все из которых были под-вергнуты полному анализу. После 2018 года наблюдался резкий рост ежегодного количе-ства публикаций, причём большинство документов было опубликовано в 2023–2025 гг. Наиболее распространённым алгоритмом оказался Random Forest, использованный в 34 из 82 документов, за ним следуют методы моделирования распространения видов (20), данные изображений Sentinel-1/2 (18) и глубокое обучение (15). Научная литература в основном сосредоточена на классификации с использованием машинного обучения, интерпретации данных наблюдений посредством глубокого обучения, применении UAV/гиперспектральных/LiDAR-платформ, спутниковом мониторинге, интеграции eDNA и гражданской науки, а также выявлении инвазивных видов. США, Индия и Бразилия явля-лись наиболее цитируемыми странами по количеству опубликованных исследований; ве-дущими научными изданиями выступили Remote Sensing, Ecological Informatics и Ecological Indicators. Ни одно из рассмотренных исследований не было посвящено Узбеки-стану или Центральной Азии, что свидетельствует о наличии очевидного географического пробела. Вместе с тем были выявлены результаты исследований засушливых, степных и лу-говых экосистем других регионов, которые могут быть адаптированы к условиям Центральной Азии. Геопространственный мониторинг с использованием искусственного ин-теллекта достиг методологической зрелости, необходимой для практического применения, однако его перенос в условия Центральной Азии, характеризующиеся дефицитом данных, требует проведения специализированной эмпирической валидации, развития кадрового по-тенциала и создания инфраструктуры открытых данных.
Библиографические ссылки
Ahmadi K.; Mahmoodi S.; Pal S.C.; et al. (2023). Improving species distribution models for dominant trees in climate data-poor forests using high-resolution remote sensing. Ecological Modelling, 475.
Antonelli A.; Dhanjal-Adams K.L.; Silvestro D. (2023). Integrating machine learning, remote sensing and citizen science to create an early warning system for biodiversity. Plants People Planet, 5(3), 307-316.
Arasumani M.; Singh A.; Bunyan M.; Robin V.V. (2021). Testing the efficacy of hyperspectral (AVIRIS-NG), multispectral (Sentinel-2) and radar (Sentinel-1) remote sensing images to detect native and invasive non-native trees. Biological Invasions, 23(9), 2863-2879.
Bauknecht R.; Pellissier L.; Brosse S.; et al. (2025). Combining environmental DNA and remote sensing variables to model fish biodiversity in tropical river ecosystems. Ecological Informatics, 90.
Bizzozzero M.R.; Marfurt S.M.; Altermatt F.; et al. (2025). Integrating Environmental DNA Metabarcoding and Remote Sensing Reveals Known and Novel Fish Diversity Hotspots in a World Heritage Area. Diversity and Distributions, 31(11).
Cheng K.; Zhang C.; Fan Y.; Diao H.; Xia S. (2025). AI-based approaches for wetland mapping and classification: A review of current practices and future perspectives. Artificial Intelligence in Geosciences, 6(2).
Jiang X.; Zhang L.; Feng K.; et al. (2025). Mapping urban waterbird habitats using machine learning and citizen science: A multi-scale analysis in Brussels, Belgium. Journal of Environmental Management, 395.
Krämer A.; Meyer H.; Buchholz S. (2025). Habitat Suitability of the Sand Lizard (Lacerta agilis) at Its Distribution Limit — An Analysis Based on Citizen Science Data and Machine Learning. Journal of Biogeography, 52(5).
Li Y.; Devenish C.; Tosa M.I.; et al. (2024). Combining environmental DNA and remote sensing for efficient, fine-scale mapping of arthropod biodiversity. Philosophical Transactions of the Royal Society B: Biological Sciences, 379(1904).
Mashiane K.; Ramoelo A.; Adelabu S. (2024). Prediction of species richness and diversity in sub-alpine grasslands using satellite remote sensing and random forest machine-learning algorithm. Applied Vegetation Science, 27(2).
Muthoka J.M.; Salakpi E.E.; Ouko E.; et al. (2021). Mapping Opuntia stricta in the arid and semi-arid environment of Kenya using Sentinel-2 imagery and ensemble machine learning classifiers. Remote Sensing, 13(8).
Pettorelli N.; Williams J.; Schulte to Bühne H.; Crowson M. (2025). Deep learning and satellite remote sensing for biodiversity monitoring and conservation. Remote Sensing in Ecology and Conservation, 11(2), 123-132.
Reddy C.S.; Athira K.; Mudalkar S. (2025). Evolution of Global Biodiversity Monitoring: Innovations, Modern Approaches and Integration with Essential Variables. Journal of the Indian Society of Remote Sensing, 53(7), 2017-2030.
Satish K.V.; Dugesar V.; Pandey M.K.; et al. (2023). Seeing from space makes sense: Novel earth observation variables accurately map species distributions over Himalaya. Journal of Environmental Management, 325.
Tang Z.; Xuan C.; Zhang T.; et al. (2025). A Novel Remote Sensing Framework Integrating Geostatistical Methods and Machine Learning for Spatial Prediction of Diversity Indices in the Desert Steppe. Agriculture (Switzerland), 15(18).
Thuiller W.; Saillard A.; Abdulhak S.; et al. (2024). ORCHAMP: an observation network for monitoring biodiversity and ecosystem functioning across space and time in mountainous regions. Comptes Rendus - Biologies, 347, 223-247.
Timmermans J.; Daniel Kissling W. (2023). Advancing terrestrial biodiversity monitoring with satellite remote sensing in the context of the Kunming-Montreal global biodiversity framework. Ecological Indicators, 154.
Venter Z.S.; Roos R.E.; Nowell M.S.; et al. (2023). Comparing Global Sentinel-2 Land Cover Maps for Regional Species Distribution Modeling. Remote Sensing, 15(7).
Zhidebayeva A.; Syrlybekkyzy S.; Taizhanova L.; et al. (2025). Emerging frontiers in ecosystem and biodiversity monitoring using remote sensing and geographic information systems. Global Journal of Environmental Science and Management, 11(4), 1791-1818.
Zong S.; Brantschen J.; Zhang X.; et al. (2024). Combining environmental DNA with remote sensing variables to map fish species distributions along a large river. Remote Sensing in Ecology and Conservation, 10(2), 220-235.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
