Исследование возможности распознавания орошаемых земель на территории Крымского полуострова направлено на получение исторической и актуальной картографической информации о расположении орошаемых земель. Зависимость продуктивности сельскохозяйственных земель Республики Крым от климатических условий определяет необходимость использования орошения для устойчивого получения урожаев сельскохозяйственных культур. В период 2014-2020 гг. резко меняется структура посевных площадей полуострова вследствие прекращения подачи воды по Северо-Крымскому каналу, возникает дефицит водных ресурсов. В настоящее время поливается лишь порядка 5% от общего количества мелиорированных земель, при этом объективной и независимой оценки площадей, а также динамики изменений площадей орошаемых земель пока получено не было. Ранее проводимые исследования научным коллективом в области мониторинга посевов по спутниковым данным позволили отработать методы идентификации различных типов культур и диагностики наступления засушливых условий для Республики Крым. В докладе приводятся результаты исследования возможностей распознавания орошаемых земель по данным оптических и тепловых каналов спутника Landsat-8 на территорию полуострова в 2023 году. Для оценки информативности разработанных признаков, а также для картографирования на их основе орошаемых участков был использован метод Random Forest. Общая точность классификации составила 98%, F-1 score по классу “орошаемые” - 0.86. Анализ показал, что наиболее информативными являются признаки, основанные на фенологических особенностях орошаемых культур, сезонных максимальных температурах, а также медианных значениях индекса GNDVI (Green Normalized Difference Vegetation Index). Также в докладе приведены результаты эксперимента по использованию текстурных признаков спутниковых изображений для распознавания орошаемых земель: в качестве входных данных использовались ежедневные безоблачные композиты Sentinel-2, в качестве классификатора - нейронная сеть архитектуры U-net. Показано, что подход с применением непараметрического классификатора Random Forest и нейронной сети U-net, при учете внутриклассовой неоднородности и дисбаланса классов, позволяет идентифицировать орошаемые земли с приемлемой точностью.