В статье представлены методы обучения полносвязных нейронных сетей на основе синтезированных и реальных пространственных данных для решения задач сценарного пространственного анализа городской среды на примере города Новосибирска. Проведен сравнительный анализ двух архитектур нейросетевых моделей: единой модели, обучаемой на комплексных сценарных планах, и составной модели, состоящей из набора нейронных сетей, каждая из которых обучена для отдельного элементарного сценария. Результаты исследования показали, что предварительное обучение на больших синтезированных датасетах обеспечивает высокую точность моделей (97–99 %). Однако при прямом применении единой модели к реальным данным наблюдается значительное снижение точности до 60 %, что требует ее дополнительного дообучения. Составные модели продемонстрировали более высокую точность и стабильность как на синтезированных, так и на реальных выборках, а также обладали большей адаптивностью к изменению сценарных планов. При этом единая модель значительно превосходила составную по скорости предсказаний, что служит критическим фактором при выполнении оперативного пространственного анализа. Показано, что дообучение моделей на реальных данных повышает их точность и сокращает время обучения, а получаемые результаты строго коррелируют с вычислениями специализированного программного обеспечения. Предложен комбинированный подход, включающий предварительное обучение нейронных сетей на синтезированных данных с последующим дообучением на реальных выборках, являющийся эффективным и надежным способом повышения качества моделей. Выделены перспективные направления дальнейших исследований. Результаты исследования подтверждают высокую практическую значимость и потенциал использования нейросетевых методов для комплексного пространственного анализа и прогнозирования качества городской среды