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.

В останні роки спостерігається зростання випадків деформації промислових шламонакопичувачів, результатом якої у багатьох випадках є руйнівний вплив на навколишнє середовище та екосистему. Моніторинг шламонакопичувачів має вирішальне значення для запобігання руйнівним наслідкам деформації. Традиційні методи моніторингу вимагають великих ресурсів та також малоефективні для раннього виявлення потенційної деформації. Віддалений моніторинг на основі геопросторових зображень є перспективним напрямком для моніторингу шламонакопичувачів з метою раннього виявлення потенційної деформації. В роботі представлено формалізацію етапів та визначення методології моніторингу шламонакопичувачів на основі геопросторових зображень з використанням методів машинного навчання: визначено засоби моніторингу, формалізовано етапи, розроблено технічну блок-схему процесу. Визначена методологія включає наступні етапи: (1) формування вибірки та передобробка зображень, (2) класифікація з використанням алгоритмів машинного навчання, (3) валідація результатів класифікації та визначення моделі з найвищою точністю. Методологіязаснована на використанні Google Earth Engine (GЕЕ). Засоби платформи включають інтерактивний сервер додатків, що працює з відкритим каталогом даних, обчислювальне інтегроване середовище розробки,  геопросторовий  API  (клієнтські бібліотеки надають оболонки Python і JavaScript для веб-API в архітектурі REST. Практичну реалізацію та оцінку якості запропонованої методології проведено на основі даних зображень шламонакопичувача содового виробництва ВАТ «Лисичанська сода». Проведено попередню обробку зображень: 1) відбір зображень без хмар,  для покращення результатів подальшого аналізу, 2) об’єднання шарів зображень ДДЗ, 3) анотація об’єктів, 4) розділення даних  на тестовий та тренувальний набори даних пікселів.  Класифікацію реалізовано з використанням алгоритмів CART, RF та SVM Ефективність моделей визначено на основі точності ідентифікації. Найвища точність на тестових даних досягнута з використанням SVM, що становила 98,05%.

Data mining (DM) is one of the most valuable technologies enable to identify unknown patterns and make Internet of Things (IoT) smarter. The current survey focuses on IoT data and knowledge discovery processes for IoT. In this paper, we present a systematic review of various DM  models and discuss the DM techniques applicable to different IoT data. Some data specific features were analyzed, and algorithms for knowledge discovery in IoT data were considered.Challenges and opportunities for mining multimodal, heterogeneous, noisy, incomplete, unbalanced and biased data as well as massive datasets in IoT are also discussed.