1. Макаров В. З., Гусев В. А., Шлапак П. А., Решетарова Д. А. Выбор оптимального метода распознавания сельскохозяйственных культур по космоснимкам высокого разрешения (на примере саратовского Заволжья) // Известия Саратовского университета. Новая серия. Серия: Науки о Земле. 2020. Т. 20, вып. 3. С. 162-170. ,. DOI: 10.18500/1819-7663-2020-20-3-162-170 EDN: EBJEPG
2. Ермолаев Н. Р., Юдин С. А., Белобров В. П., Ведешин Л. А., Шаповалов Д. А. Использование нейронных сетей и облачных сервисов для выделения геометрий сельскохозяйственных полей на основе данных дистанционного зондирования Земли // Исследования Земли из космоса. 2023. № 6. С. 98-105. ,. DOI: 10.31857/S0205961423060039 EDN: ANJWSV
3. Аббасов И. Б., Дешмух Р. Р. Распознавание изображений сельскохозяйственных культур, растений и лесных массивов // Известия ЮФУ. Технические науки. 2020. № 3 (213). С. 202-212. ,. DOI: 10.18522/2311-3103-2020-3-202-212 EDN: GLVQUZ
4. Данилов В. А., Морозова В. А., Моисеев Д. С. Применение математико-картографического моделирования для комплексной оценки оползневой опасности методом анализа иерархий на территории г. Саратова // Известия Саратовского университета. Новая серия. Серия: Науки о Земле. 2024. Т. 24, вып. 4. С. 259-268. ,. DOI: 10.18500/1819-7663-2024-24-4-259-268 EDN: SEEUUV
5. Данилов В. А., Морозова В. А., Фёдоров А. В., Шлапак П. А. Открытые данные дистанционного зондирования для выявления археологических объектов // Известия Саратовского университета. Новая серия. Серия: Науки о Земле. 2024. Т. 24, вып. 3. С. 150-158. ,. DOI: 10.18500/1819-7663-2024-24-3-150-158 EDN: AQYZTX
6. Макаров В. З. Тюков Д. В., Шлапак П. А. Использование данных дистанционного зондирования Земли при изучении горных ледников (на примере ледника Алибек в Карачаево-Черкессии) // Известия Саратовского университета. Новая серия. Серия: Науки о Земле. 2022. Т. 22, вып. 1. С. 13-20. ,. DOI: 10.18500/1819-7663-2022-22-1-13-20 EDN: IFZSKT
7. Mouret F., Morin D., Planells M., Vincent-Barbaroux C. Tree species classification at the pixel-level using deep learning and multispectral time series in an imbalanced context. URL: https://arxiv.org/pdf/2408.08887 (дата обращения: 20.07.2025).
8. He T., Zhou H., Hu C., Hu J., Xue X., Xu L., Lou X., Zeng K., Wang Q. Deep Learning in Forest Tree Species Classification Using Sentinel-2 on Google Earth Engine: A Case Study of Qingyuan County // Sustainability. 2023. Vol. 15, iss. 3. Art. 2741. ,. DOI: 10.3390/su15032741 EDN: JANRZL
9. Polyakova A., Mukharamova S., Yermolaev O., Shaykhutdinova G. Automated Recognition of Tree Species Composition of Forest Communities Using Sentinel-2 Satellite Data // Remote Sensing 2023. Vol. 15, iss. 2. Art. 329. ,. DOI: 10.3390/rs15020329 EDN: JHMBXQ
10. Bolyn C., Lejeune P., Michez A., Latte N. Mapping tree species proportions from satellite imagery using spectralspatial deep learning // Remote Sensing of Environment. 2022. Vol. 280. Art. 113205 ,. DOI: 10.1016/j.rse.2022.113205 EDN: NGROST