Применение инновационных инструментов искусственного интеллекта (ИИ) для экологических исследований и мониторинга переходных водных экосистем: систематический обзор

Переходные водные экосистемы характеризуются выраженной пространственно-временной изменчивостью и усиливающимся антропогенным воздействием, что создает значительные проблемы для экологического мониторинга и управления. Искусственный интеллект (ИИ), особенно машинное обучение (МО) и глубокое обучение (ГО), стал мощным инструментом для решения задач, связанных со структурной сложностью этих систем. В настоящем систематическом обзоре обобщены рецензируемые исследования, в которых МО и ГО применялись для экологических исследований и мониторинга переходных вод. Был проведен структурированный поиск в базе данных Scopus® по 31 декабря 2024 года; отбор исследований осуществлялся в соответствии с заранее заданными критериями соответствия и рекомендациями PRISMA 2020, а методологическое качество оценивалось с использованием структурированной системы оценки. Критериям включения соответствовали 96 исследований. Наиболее распространенной аналитической задачей была регрессия (44,1%), за которой следовали классификация (36,2%) и кластеризация (19,7%); доминирующей тематической областью был мониторинг качества воды. В целом преобладали модели МО на основе деревьев и ядерных методов, тогда как после 2020 года наблюдался заметный рост применения архитектур ГО, особенно в задачах дистанционного зондирования и анализа многомерных данных. Несмотря на методологическую неоднородность и различия в подходах к валидации, полученные данные свидетельствуют о том, что методы МО и ГО эффективно учитывают нелинейность, неоднородность данных и несоответствие масштабов, характерные для переходных вод. Стандартизированные стратегии валидации и повышение интерпретируемости моделей остаются необходимыми условиями для надежных экологических выводов и практического внедрения.