В данной работе исследовано применение нейросетевых технологий для картографирования болотных геосистем по данным дистанционного зондирования Земли. Представлено сравнение двух подходов: контролируемой классификации с использованием алгоритма Neural Net в среде ENVI и объектной детекции с помощью модели YOLO V26 на примере фрагмента Тобольского района Тюменской области. Определены оптимальные параметры обучения нейронной сети ENVI, обеспечивающие сбалансированные ошибки классификации для основных типов болотных массивов. Проверена эффективность модели YOLO для выделения болотных объектов; выявлены ограничения метода при работе со сложными неоднородными ландшафтами. Разработан модуль для QGIS, интегрирующий обученную модель YOLO и позволяющий визуализировать результаты детекции непосредственно в геоинформационной среде.

This paper explores the application of neural network technologies for mapping swamp geosystems based on remote sensing data. It presents a comparison of two approaches: supervised classification using the Neural Net algorithm in the ENVI environment and object detection using the YOLO V26 model, using a fragment of the Tobolsk District in the Tyumen Region as an example. The optimal training parameters for the ENVI neural network are determined to ensure balanced classification errors for the main types of marsh areas. The effectiveness of the YOLO model for identifying swamp objects is evaluated, and the limitations of the method in dealing with complex and heterogeneous landscapes are identified. A module for QGIS has been developed that integrates a trained YOLO model and allows you to visualize detection results directly in the geographic information environment.