Исследование решает задачу оперативного контроля эрозионных процессов и обоснования мелиоративных мероприятий, преодолевая разрыв между изолированными моделями и практическими управленческими потребностями. Цель разработать гибридный программный комплекс, объединяющий физико-географическое моделирование и машинное обучение с рекомендательными алгоритмами, для мониторинга, прогноза и выбора мер на больших территориях. Научная новизна заключается в интеграции RUSLE и градиентного бустинга в единую архитектуру с геоинформационной базой и модулем многокритериальной оптимизации, что обеспечивает совместимость данных и автоматизацию решений. Методы основаны на модульной архитектуре: сбор и предобработка, аналитическое ядро, визуализация и поддержка решений. Использованы ЦМР SRTM 30 м, мультиспектральные снимки Landsat 8/9 и Sentinel-2, почвенные карты, осадки из метеонаблюдений и ERA5. Реализация на Python с GDAL/OGR, GeoPandas, Rasterio, Scikit-learn и TensorFlow, хранилище PostgreSQL/PostGIS. Гибридная модель вычисляет факторы R, K, LS, С, Р по RUSLE и корректирует прогноз бустинговой моделью, обученной на полевых измерениях. Рекомендательный модуль ранжирует мероприятия (контурная вспашка, террасирование, лесополосы, залужение) по интегральному индексу эффективности и затрат. Апробация в пилотном районе показала рост точности по сравнению с базовой RUSLE: для пашни R2 увеличился с 0.62 до 0.85, для пастбищ с 0.71 до 0.89, для лесов с 0.78 до 0.92; RMSE и МАЕ снизились на десятки процентов. Комплекс радикально ускорил обработку: полный цикл анализа для 1000 км сократился с 391.5 до 36.6 мин (ускорение 10.69). Рекомендательный модуль демонстрирует рациональный компромисс между экологической отдачей и бюджетом, предлагая технически и экономически реализуемые меры. Обсуждение и чувствительный анализ подтверждают доминирующее влияние факторов С и LS: вариации вызывают изменение прогноза свыше 30%, тогда как К и R оказывают меньший вклад. Практическая значимость состоит в переходе от констатации деградации к проактивному планированию, включая сценарное моделирование и приоритизацию мер. Ограничения связаны с качеством исходных данных и необходимостью актуализации моделей; перспективы расширение источников наблюдений, MLOps и углубление экономических оценок. Программный комплекс готов к промышленной интеграции.
The study addresses the problem of operational monitoring of erosion processes and justification of reclamation measures, bridging the gap between isolated models and practical management needs. The objective is to develop a hybrid software system that integrates physical-geographical modeling and machine learning with recommender algorithms for monitoring, forecasting, and selecting measures across large territories. The scientific novelty lies in the integration of RUSLE and gradient boosting into a unified architecture with a geoinformation database and a multicriteria optimization module, ensuring data compatibility and automation of decision-making. Methods are based on a modular architecture: data acquisition and preprocessing, analytical core, visualization, and decision support. The system uses SRTM 30 m DEM, multispectral images from Landsat 8/9 and Sentinel 2, soil maps, precipitation data from meteorological observations, and ERA5. Implementation is carried out in Python with GDAL/OGR, GeoPandas, Rasterio, Scikitlearn, and TensorFlow, with PostgreSQL/PostGIS as the storage solution. The hybrid model computes R, K, LS, C, and P factors using RUSLE and adjusts forecasts with a boosting model trained on field measurements. The recommender module ranks measures (contour plowing, terracing, shelterbelts, grassing) according to an integral efficiency and cost index. Validation in a pilot area demonstrated improved accuracy compared to baseline RUSLE: for arable land increased from 0.62 to 0.85, for pastures from 0.71 to 0.89, and for forests from 0.78 to 0.92; RMSE and MAE decreased by several tens of percent. The system significantly accelerated processing: the full analysis cycle for 1000 decreased from 391,5 to 36,6 minutes (a 10,69-fold speedup). The recommender module provides a rational compromise between ecological effectiveness and budget, suggesting technically and economically feasible measures. Discussion and sensitivity analysis confirm the dominant influence of factors C and LS: variations produce forecast changes over 30%, while K and R have a lesser effect. The practical significance consists in transitioning from degradation assessment to proactive planning, including scenario modeling and prioritization of measures. Limitations are related to the quality of input data and the need for model updates; future prospects include expanding observation sources, MLOps integration, and enhanced economic assessments. The software system is ready for industrial integration.