В статье рассматриваются современные инструменты и подходы к проектированию ETL-систем для интеграции и предварительной обработки растровых, векторных и табличных геопространственных данных. Подготовленные данные могут быть использованы для последующего анализа методами машинного обучения. Предлагаемый подход основан на модульной архитектуре конвейера, адаптированной к особенностям GIS-форматов и обеспечивающей интеграцию с ML-пайплайнами без необходимости дорогостоящих лицензий и существенной доработки существующих платформ. Предложен специализированный ETL-конвейер на базе платформы OpenNeurons и СУБД PostgreSQL/PostGIS, включающий конфигурационные модули для описания источников и адаптеров, реализованных на Python с использованием библиотек geopandas, rasterio и pyshp. Система также включает драйвер для прямого взаимодействия с файловым хранилищем и выполнения плановых обновлений данных, а также веб-интерфейс для управления задачами, мониторинга и логирования. Разработанная система была протестирована на реальных геопространственных данных. В частности, был сформирован унифицированный набор данных, содержащий 227 геолого-геофизических параметров для восточного сектора Российской Арктики, подготовленный для последующего анализа методами машинного обучения. Кроме того, в задаче бинарной классификации 240 морфоструктурных узлов Кавказского региона с использованием алгоритмов Gradient Boosting и AutoKeras на тестовой выборке был достигнут F1-score, близкий к 1.0. Сравнение с алгоритмом КОРА-3 показало 67 % совпадение прогнозов, что свидетельствует о потенциальной применимости подхода и требует дополнительной валидации на независимых данных. По сравнению с универсальными ETL-решениями предложенная система характеризуется низкими затратами на внедрение, расширяемостью за счёт пользовательских адаптеров и интеграцией с инструментами машинного обучения. Полученные результаты демонстрируют применимость разработанного ETL-конвейера для задач обработки геопространственных данных.