Запропоновано метод прогнозування ризику замінування територій із застосуванням машинного навчання та геоінформаційних технологій. Сформовано багатошарову вибірку, що охоплює геопросторові, соціально-економічні та військові ознаки. Просторова сітка охоплює понад 0,55 млн комірок розміром 500?500 м, що забезпечує високий рівень деталізації покриття замінованих територій країни. Для аналізу даних використано чотири базові алгоритми: Logistic Regression, Random Forest, XGBoost та Invariant Risk Minimization. На їх основі реалізовано ансамблеву архітектуру типу Stacked Generalization, у якій метамодель поєднує результати базових моделей у єдиний прогноз. Для оцінювання якості моделей застосовано метрики AUC, Precision, Recall та F1-score. За результатами експериментів найвищу точність продемонстрував ансамбль моделей, перевищивши показники найкращої окремої моделі XGBoost. Це підтверджує ефективність інтеграції різних типів моделей для підвищення точності прогнозування. Встановлено, що використання ансамблевих алгоритмів дозволяє автоматизовано та з високою точністю прогнозувати ризик замінування територій, підвищуючи ефективність планування розмінування та безпеку населення.