Поверхневі води є важливими природнім ресурсом та відіграють важливу роль в багатьох аспектах людського життя, таких як питна вода, сільське господарство, виробництво електроенергії, транспорт та промисловість. Зміни поверхневих вод впливають на інші природні ресурси та навколишнє середовище. Це обумовлює важливість якісного визначення обсягу поверхневих вод і відстеження їх динаміки. Останнім часом дедалі більшої популярності набувають методи аналізу поверхневих вод на основі супутникових зображень. В роботі досліджені можливості і перспективи використання методів обробки та аналізу геопросторових зображень для віддаленого моніторингу поверхневих вод. Визначено та формалізовано етапи моніторингу поверхневих вод на основі геопросторових зображень. Визначено  класифікацію методів виділення даних водної поверхні з геопросторових зображень, що включає методи на основі спектральних діапазонів, методи контрольованої класифікація на основі методів машинного навчання та методи неконтрольованої класифікації на основі індексів води. Розглянуто особливості просторово-часового аналізу поверхневих вод та критеріїв оцінки його точності.Ключовим критерієм оцінки точності є загальна точність класифікації зображень, однак, доцільно використовувати декілька специфічних критеріїв оцінки, таких як коефіцієнт узгодженості MICE, точність виробника, точність користувача, для отримання надійнішої оцінки. Проведено дослідження можливостей аналізу поверхневих вод на основі водного індексу на прикладі озера Піщане  Луганської області в період водопілля 2018-2019 років. Дослідження можливостей аналізу поверхневих вод на основі водного індексу з застосуванням нормованого диференційованого індексу вологості території озера Піщане дозволило виявити певну невизначеність при підборі порогових значень для ефективного диференціювання. Також, виявлено суттєву залежність методу від факторів атмосферних умов, таких як хмарність, туман, задимленість або температурна інверсія на момент зйомки геопросторового зображення, що обумовлює необхідність атмосферної корекції супутникових даних до рівня обробки L2A.

Важливою складовою аналізу даних є вилучення значущих ознак про систему, використовуючи дані часових рядів. Більшість методів традиційного аналізу, зосереджена на даних часових рядів або частотної області. Аналіз нелінійної динаміки ґрунтується на представленні системи у просторі станів, відображаючи поведінку в n-мірному просторі, осі якого є змінними станами. Традиційні методи дослідження діагностичних ознак, в умовах нестаціонарності даних, не завжди забезпечують необхідну достовірність результатів діагностики фізіологічних процесів. Це зумовлює використання додаткових методів, заснованих на використанні порядкової мережі, та направлених на поділ часових рядів на короткі проміжки часу, протягом яких фізіологічна система знаходиться в стаціонарних умовах. Ентропії є мірами оцінки складності порядкової мережі та означають міру складності, хаотичності чи невизначеності системи. Проведено дослідження з застосування порядкової мережі та мір оцінки її складності для визначення хаотичних процесів в часових рядах  даних фізіологічних процесів, що можуть вказувати на патологічні відхилення досліджуваних процесів.  Формалізовано процес перетворення часових рядів у порядкову мережу. Виконано реалізацію перетворення часових рядів QRS-комплексів ЕКГ у порядкову мережу та розрахунок мір складності: умовної ентропії перестановки та ентропії глобального вузла. Проведений розвідувальний аналіз даних отриманих результатів умовної ентропії перестановки та ентропії глобального вузла на основі візуалізації кореляцій в даних дозволив якісно оцінити відмінність умовної ентропії перестановки та ентропії глобального вузла для  двох типів зразків QRS-комплексів ЕКГ. Статистична значущість, визначена з використанням t-критерій Стьюдента та значення p-критерію менше 0,05 свідчить, що різниця дисперсії мір для двох типів зразків QRS-комплексів ЕКГ є статистично значущою. За результатами проведеного дослідження зроблено висновок про доцільність застосування порядкової мережі та мір оцінки її складності для визначення хаотичних процесів в клінічних даних для диференційного аналізу патологічних та нормальних фізіологічних процесів.