Satellite monitoring of agricultural crops plays a crucial role in ensuring food security and in the sustainable management of agricultural resources, particularly in regions dominated by rainfed farming, such as the Turkestan region of Kazakhstan. Many satellite monitoring tasks rely on remote identification of different types of cultivated crops. In developing the proposed method, we accounted for the temporal characteristics of crop growth and development in various climatic zones of rainfed agriculture, analyzed the dynamics of the Normalized Difference Vegetation Index (NDVI) together with ground-based data, and identified effective time periods and patterns for successful crop recognition. This study aims to develop and comparatively assess two methods for the automatic identification of cultivated crops in rainfed zones using Sentinel-2 satellite data for the years 2018 and 2022. The first method is based on detailed classification of pre-digitized field boundaries, providing high accuracy in satellite-based mapping. The second method represents a fully automated approach applied to large rainfed areas, emphasizing operational efficiency and scalability. The results obtained from both methods were validated against official national statistics, ground-based field surveys, and farm-level data. The findings indicate that the field-boundary-based method delivers significantly higher accuracy (average accuracy of 91.1%). While the automated rainfed-zone approach demonstrates lower accuracy (78%), it still produces acceptable results for large-scale monitoring, confirming its suitability for rapid assessment of sown areas. This research highlights the trade-off between the accuracy achieved through detailed field boundary digitization and the efficiency provided by an automated, scalable approach, offering valuable tools for agricultural production management.

В условиях усиливающейся демографической нестабильности и региональной поляризации населения возрастает потребность в выявлении и измерении пространственно-локализованных рисков на рынке труда. Настоящее исследование посвящено оценке демографической уязвимости рынка труда на уровне районов Северо-Казахстанской области с использованием индексного подхода. Целью работы является разработка интегрального индекса демографического риска, включающего компоненты, отражающие ресурсный потенциал, старение населения и параметры занятости, а также анализ пространственного распределения и динамики риска на субрегиональном уровне.Научная новизна исследования заключается в формализации демографической уязвимости через трёхкомпонентную индексную модель и выделении типологий районов по профилю риска. Практическая значимость работы обусловлена возможностью применения полученного индекса в системе мониторинга человеческого капитала, стратегического планирования и оценки прогресса в достижении Целей устойчивого развития. Методологическая основа включает линейную нормализацию, агрегирование показателей, картографическую визуализацию и динамическое сопоставление данных за 2010–2023 гг.В результате исследования установлено, что демографическая уязвимость в регионе носит устойчивый и кумулятивный характер, формируя пояс высокого риска на периферии области. Выделены устойчивые и критически уязвимые районы, выявлены причинно-следственные связи между компонентами индекса и типами уязвимости. Обоснована необходимость перехода к территориально-дифференцированной демографической политике и внедрения систем пространственного мониторинга.Исследование вносит вклад в развитие прикладной демографии и пространственного анализа трудового потенциала, демонстрируя возможность адаптации индексных моделей на субрегиональном уровне. Полученные результаты могут использоваться при формировании региональных стратегий, распределении ресурсов, разработке программ по удержанию и воспроизводству трудовых ресурсов.

The study presents a reproducible methodology for regional digital terrain modeling based on Sentinel-1 SLC radar imagery for Almaty, Zhetysu, Zhambyl, Abai, and East Kazakhstan regions. The objective was to generate a geoinformation terrain layer suitable for hydrological analysis, surface runoff interpretation, identification of flood-prone depressions, morphometric assessment, and territorial planning in areas with contrasting plains, piedmonts, intermontane basins, and mountainous landscapes. The workflow combines interferometric processing in SNAP with subsequent DEM post-processing and spatial analysis in ArcGIS. Sentinel-1 image pairs were selected using temporal interval, orbit identity, relative orbit consistency, baseline length, spatial overlap, and expected coherence. Processing included metadata verification, precise S-1 Back Geocoding, Enhanced Spectral Diversity correction, interferogram and coherence generation, Goldstein phase filtering, phase unwrapping in SNAPHU, geocoding, mosaicking, hydro-correction, and derivation of slope, aspect, hillshade, flow direction, and flow accumulation layers. The resulting DEM and its visual representations reveal clear altitudinal and morphostructural differentiation across the study area. Lowlands, piedmont belts, dissected mountain slopes, watershed divides, talwegs, and valley systems are distinguishable in both color elevation and hillshade outputs. The model provides a practical regional basis for watershed delineation, erosion-control planning, contour organization of agricultural landscapes, assessment of slope processes, and preparation of flood modeling scenarios. The analysis also demonstrates that Sentinel-1 InSAR products should be interpreted as regional analytical terrain models rather than centimeter-level elevation datasets. For local engineering design, flood hazard mapping at fine scale, or microrelief reconstruction, integration with LiDAR, UAV photogrammetry, or ground geodetic measurements remains necessary. This distinction is essential for selecting adequate datasets, defining acceptable accuracy, and avoiding methodological overstatement in applied hydrological and planning studies. The proposed workflow is therefore suitable for regional screening, comparative mapping, and preparation of subsequent detailed field verification in data-limited mountain and piedmont environments.