В условиях интенсификации сельскохозяйственного производства и роста антропогенной нагрузки на почвы особую значимость приобретает оперативный мониторинг земель, позволяющий выявлять изменения структуры землепользования и состояния земельных ресурсов на ранних стадиях. Традиционные наземные обследования обеспечивают высокую точность, но отличаются высокой трудоемкостью и ограниченным пространственным охватом, что затрудняет их применение для регулярного мониторинга больших территорий. Целью исследований являлась разработка и апробация сквозного программного пайплайна мониторинга земель, включающего в себя получение снимков с беспилотных летательных аппаратов (БПЛА), их фотограмметрическую обработку в OpenDroneMap с формированием ортофотопланов в формате GeoTIFF, разметку данных по классам землепользования, обучение с учителем сегментационной «головы» нейросети на основе предобученного трансформера DINOv3, семантическую сегментацию типов земель и экспорт результатов в геоинформационные системы (ГИС) в формате GeoJSON. Съемка проводилась с использованием БПЛА над сельскохозяйственными угодьями, характеризующимися сочетанием пахотных земель, залежей, луговой растительности, лесных массивов и застроенных территорий. Многокадровые перекрывающиеся изображения обрабатывались в OpenDroneMap с получением ортофотопланов и цифровых моделей поверхности; на их основе в настольной ГИС выполнялись векторная разметка полигонов классов землепользования и экспорт в формат GeoJSON. Всего было подготовлено 2000 размеченных фрагментов ортофотопланов, использованных для обучения и валидации «головы» нейросетевой модели. В качестве базового экстрактора признаков применен предобученный трансформер DINOv3, поверх которого реализован сегментационный декодер с обучением в режиме с учителем на размеченных данных. Качество работы модели оценивалось по метрикам полноты, точности, F1-меры и пересечения-объединения (IoU) для каждого класса земель, а также по средней IoU по всем классам. Результаты экспериментов показали, что предложенный подход обеспечивает высокую точность автоматизированной классификации основных типов землепользования на основе ортофотопланов с БПЛА и может быть использован для актуализации карт землепользования, кадастровой оценки и оперативного экологического мониторинга. Реализация пайплайна с использованием свободно распространяемого программного обеспечения (OpenDroneMap, QGIS) и открытых библиотек глубинного обучения делает его доступным для научных и производственных организаций. //In the context of the intensification of agricultural production and the growth of anthropogenic load on soils, operational land monitoring capable of detecting changes in land-use structure and land resource conditions at early stages has become critically important. Traditional ground-based surveys provide high accuracy but are labour-intensive and limited in spatial coverage, making them unsuitable for regular monitoring of large areas. The aim of this study was to develop and test an end-to-end software pipeline for land monitoring, encompassing the acquisition of unmanned aerial vehicle (UAV) imagery, photogrammetric processing in OpenDroneMap to generate orthomosaics in GeoTIFF format, data annotation by land-use classes, supervised training of a segmentation head based on the pre-trained DINOv3 transformer, semantic segmentation of land cover types, and export of results to Geographic information systems (GIS) in GeoJSON format. UAV surveys were conducted over agricultural lands comprising a mosaic of arable fields, fallow lands, grassland vegetation, forest areas, and built-up territories. Multi-frame overlapping images were processed in OpenDroneMap to produce orthomosaics and digital surface models; vector polygon annotation of land-use classes was performed in a desktop GIS environment, with subsequent export to GeoJSON. A total of 2,000 labeled orthomosaic tiles were prepared for training and validation of the neural network segmentation head. A pre-trained DINOv3 transformer was employed as the feature extractor, with a segmentation decoder trained in a supervised manner on the labeled dataset. Model performance was evaluated using recall, precision, F1-score, and intersection-over-union (IoU) metrics for each land-use class, as well as mean IoU across all classes. The experimental results demonstrate that the proposed approach achieves high accuracy in automated classification of major land-use types from UAV-derived orthomosaics, and can be applied to land-use map updating, cadastral assessment, and operational environmental monitoring. The implementation of the pipeline using open-source software (OpenDroneMap, QGIS) and open-source deep learning libraries makes it accessible to both research and production organisations.
