В статье представлен метод автоматического распознавания древесных пород на основе анализа изображений стволов деревьев, полученных с использованием беспилотных летательных аппаратов (БПЛА). Авторы применяют сверточные нейронные сети (CNN) для классификации семи древесных пород: берёзы, ели, сосны, осины, клёна, дуба и лиственницы. Исследование направлено на преодоление ограничений традиционных методов идентификации, таких как субъективность экспертной оценки и высокая трудоёмкость. Методология включает сбор и предварительную обработку данных, аугментацию изображений для увеличения вариативности, а также обучение модели с использованием архитектур ResNet, EfficientNet и MobileNet. Результаты демонстрируют высокую эффективность модели: средняя точность классификации превышает 90%, при этом наилучшие показатели достигнуты для дуба (97,6%) и берёзы (95,4%). Для пород с визуально схожей фактурой (ель и сосна) точность составила около 85%, что указывает на необходимость дальнейшей оптимизации. Анализ влияния внешних факторов выявил значимость угла съёмки и уровня освещённости для точности классификации. Предложенный метод может быть использован в лесном хозяйстве для автоматизации мониторинга и управления ресурсами. Для повышения эффективности авторы рекомендуют расширить набор данных, включить дополнительные параметры окружающей среды и провести кросс-валидацию на независимых выборках.