Многокритериальная оценка природоохранных мероприятий региона наталкивается на устойчивое противоречие: экспертные процедуры плохо масштабируются и зависят от состава рабочей группы, а жёсткие формальные индексы теряют чувствительность при изменении номенклатуры мероприятий. Машинное обучение придаёт оценке адаптивность, но возвращает непрозрачный результат, тогда как база знаний на продукционных правилах и предметной онтологии даёт объяснимость, однако не подстраивается под накапливаемые данные. Цель работы состоит в построении метода проектирования интеллектуальной системы поддержки принятия решений, в которой статистический и дедуктивный компоненты сопряжены так, чтобы ни одно из этих свойств не утрачивалось. Предложенная четырёхслойная архитектура объединяет предсказательный слой на градиентном бустинге, слой знаний из продукционных правил и онтологии критериев и слой агрегирования, сводящий частные оценки в интегральный показатель по трём критериям – экологической результативности, экономической обоснованности и долгосрочной устойчивости. На модельной выборке из 480 мероприятий гибридная конфигурация показала F1 = 0,891 против 0,847 у автономного бустинга, сократив долю решений, требующих ручной правки, с 0,34 до 0,11. Анализ чувствительности методом Монте-Карло показал, что интегральный показатель выдерживает возмущение весов в пределах +-0,07 без перестановки рангов для верхнего квартиля мероприятий. Объяснимость в таких системах достигается перераспределением объясняющей и ограничивающей функций к сопряжённой базе знаний при сохранении машинного обучения в ядре системы; тем самым задача проектирования смещается от выбора алгоритма к организации взаимодействия между статистическим и логическим модулями.