Ekoloji bərpa ərazilərinin peyk təsvirlərindən izlənməsi, bütöv və homogen meşələrin xəritələşdirilməsindən daha çətin ola bilər. Xüsusilə tropik bölgələrdə kiçik meşə parçaları, otlaq, kənd təsərrüfatı sahələri, çılpaq torpaq, su, bataqlıq ərazilər və şəhər səthləri qısa məsafələr daxilində yanaşı yerləşə bilər. Bir peyk pikseli bu səthlərin bir neçəsini eyni anda əhatə etdikdə yaranan spektral qarışıq klassik torpaqdan istifadə və torpaq örtüyü təsnifatını qeyri-müəyyənləşdirə bilər.

Bu tədqiqat Braziliyanın São Paulo ştatındakı Environmental Restoration Commitment Agreement (TCRA) ərazilərini xəritələşdirmək üçün CBERS-4A/WPM peyk təsvirlərini, Linear Spectral Mixture Model (LSMM), Geographic Object-Based Image Analysis (GEOBIA) və dörd müxtəlif nəzarətli maşın öyrənməsi alqoritmini eyni analiz zəncirində birləşdirir.

Tədqiq edilən ərazi 47 bələdiyyəni və 902 TCRA poliqonunu əhatə edir. CBERS-4A/WPM-in 8 m ayırdetməli multispektral zolaqları 2 m pankromatik zolaqla pan-sharpening edilərək 2 m-lik çoxzolaqlı iş təsvirləri yaradılmışdır. Daha sonra hər təsvir obyekti üçün xam spektral zolaqlara əlavə olaraq LSMM vasitəsilə vegetasiya, torpaq və kölgə fraksiyaları hesablanmış və ümumilikdə 63 əlamət yaradılmışdır.

Random Forest, XGBoost, Multilayer Perceptron və Support Vector Machine modelləri eyni məlumat strukturu üzərində müqayisə edilmişdir. Random Forest, Top-k əlamət seçimi təcrübəsində təxminən 0,66 ilə ən yüksək overall accuracy göstəricisinə çatmışdır. Bununla yanaşı, məqalənin sonrakı yekun çoxmetrik qiymətləndirilməsində XGBoost təxminən 0,41 F1 və 0,41 Kappa ilə daha balanslı performans göstərmiş; RF isə təxminən 0,58 ilə ən yüksək precision göstəricisini vermişdir. Mənbənin Abstract və Conclusion bölmələrindəki RF=0,66 nəticəsi ilə final comparative evaluation bölməsindəki RF≈0,62 / XGB≈0,63 fərqi tam üst-üstə düşmədiyi üçün bu iki qiymətləndirmə konteksti ayrı saxlanmalıdır.

SHAP izaholunma analizi xüsusilə LSMM-dən törədilən vegetasiya və kölgə fraksiyalarının siniflərin ayrılmasına mühüm töhfə verdiyini göstərmişdir. Nəticə etibarilə tədqiqat göstərir ki, mürəkkəb bərpa landşaftlarında yalnız xam peyk zolaqlarından istifadə etmək əvəzinə subpiksel tərkibi, obyekt strukturu və maşın öyrənməsini birlikdə qiymətləndirmək torpaq səthinin daha zəngin təsvirini təmin edə bilər.

Tropik bərpa ərazilərini peyklə təsnif etmək niyə çətindir?

Uzaqdan zondlama təsnifatında ideal vəziyyət hər pikselin yalnız bir torpaq örtüyü sinfini təmsil etməsidir. Real tropik bərpa landşaftlarında isə bu fərziyyə çox vaxt keçərli olmur.

Kiçik bir bərpa poliqonunun daxilində və ya ətrafında gənc vegetasiya, yetkin meşə, otlaq, kənd təsərrüfatı sahəsi, açıq torpaq və yollar yanaşı yerləşə bilər. Sensorun ölçdüyü elektromaqnit siqnal bu səthlərin həndəsi sərhədlərini tam olaraq izləməz; xüsusilə keçid zonalarında bir piksel bir neçə səth komponentinin birgə spektral siqnalını ehtiva edə bilər.

Bu problem mixed pixel — qarışıq piksel adlandırılır. Qarışıq piksel eyni rəqəmsal təsvir xanasının birdən çox fiziki torpaq örtüyü komponentini təmsil etməsidir.

Bu səbəbdən tədqiqatın həll yanaşması tək metoddan ibarət deyil:

TCRA nədir?

TCRA məqalədə Environmental Restoration Commitment Agreement termininin qısaltması kimi istifadə olunur. Portuqal dilindəki orijinal adı Termos de Compromisso de Recuperação Ambiental-dır.

Bunlar Braziliyada ekoloji qanunvericilik çərçivəsində deqradasiyaya uğramış ərazilərin bərpası ilə bağlı öhdəlikləri, vaxt qrafiklərini və monitorinq tələblərini müəyyən edən hüquqi vasitələrdir. Tədqiqatın məqsədi bu razılaşmaların hüquqi etibarlılığını qiymətləndirmək deyil; bərpa ərazilərində hansı torpaq örtüyü siniflərinin mövcud olduğunu peyk təsvirlərindən daha sistemli şəkildə xəritələşdirə bilməkdir.

Tədqiqat ərazisi

Tədqiqat São Paulo ştatında TCRA sıxlığının yüksək, landşaft strukturunun isə mürəkkəb olduğu 47 bələdiyyəni əhatə edir. Regionun mühüm hissəsi Atlantik Meşəsi biomunun daxilində yerləşir; yerli meşə, otlaq, kənd təsərrüfatı sahəsi, şəhər səthləri və müxtəlif bərpa mərhələləri eyni landşaftda mövcuddur.

Bu kiçik və parçalanmış ərazi strukturu təsnifatın niyə çətin olduğunu birbaşa təsir edir. Kiçik poliqonlarda sərhəd piksellərinin nisbəti artır və ətrafdakı kənd təsərrüfatı və ya otlaq kimi siniflərin siqnalları bərpa ərazisinin daxilindəki peyk ölçməsinə təsir göstərə bilər.

CBERS-4A/WPM təsviri necə 2 metr ayırdetməyə gətirildi?

CBERS-4A/WPM sensoru dörd multispektral kanal təqdim edir: Blue, Green, Red və Near Infrared (NIR). Onların ilkin məkan ayırdetməsi 8 m-dir. Sensor həmçinin 2 m ayırdetməli pankromatik zolağa malikdir.

Tədqiqatda radiometrik və həndəsi düzəlişlərdən sonra pan-sharpening tətbiq edilmişdir. Bu proses multispektral zolaqların rəng/spektral məlumatını pankromatik zolağın daha yüksək məkan detallılığı ilə birləşdirərək analiz üçün 2 m ayırdetməli multispektral təsvirlər yaratmışdır.

Burada mühüm texniki fərq ondan ibarətdir ki, pan-sharpening prosesi sensorun ilkin multispektral ölçməsini fiziki olaraq yeni 2 m multispektral sensor ölçməsinə çevirmir. Yaradılan təsvir 8 m spektral məlumatla 2 m pankromatik detalın birləşməsidir.

LSMM pikselin daxilində nə olduğunu necə təmsil edir?

Linear Spectral Mixture Model bir pikselin ölçülən spektral siqnalını əsas səth komponentlərinin çəkili qarışığı kimi ifadə edir. Sadələşdirilmiş formada:

\[ R_{\lambda} = \sum_{i=1}^{n} f_i r_{i,\lambda} + \varepsilon_{\lambda} \]

Burada \(R_{\lambda}\) müəyyən dalğa uzunluğunda müşahidə olunan piksel əksolunmasını; \(r_{i,\lambda}\) əsas səth komponentinin spektral imzasını; \(f_i\) həmin komponentin piksel daxilindəki payını; \(\varepsilon_{\lambda}\) isə modelin qalıq xətasını təmsil edir.

Bu tədqiqatda LSMM üç əsas fraksiya yaratmışdır:

Beləliklə model yalnız “bu piksel yaşıl görünür” məlumatını deyil, eyni piksel daxilində müxtəlif səth komponentlərinin təxmini nisbətlərini də təsnifləndiriciyə təqdim edə bilər.

GEOBIA piksel təsnifatından necə fərqlənir?

GEOBIA — Geographic Object-Based Image Analysis — hər pikseli tamamilə müstəqil qiymətləndirmək əvəzinə qonşu və oxşar pikselləri məkan obyektləri şəklində qruplaşdırır.

Bu yolla yalnız pikselin rəngi və ya əksolunması deyil, obyektin tekstura, forma, qonşuluq, paylanma və kontekst məlumatlarının da təsnifata daxil edilməsi mümkün olur.

Tədqiqatda Orfeo Toolbox 9.1.1 QGIS mühitində istifadə edilmiş və seqmentasiya üçün:

dəyərləri tətbiq edilmişdir. Aşağı shape çəkisi həndəsi formadan daha çox spektral oxşarlığa üstünlük vermək üçün seçilmişdir.

63 əlamət necə yarandı?

Dörd ilkin spektral qrup və üç LSMM fraksiya qrupu birlikdə yeddi əsas dəyişən qrupu yaratmışdır:

Blue + Green + Red + NIR + Soil + Vegetation + Shadow

Hər qrup üçün doqquz statistik təsvirçi hesablanmışdır:

minimum, maksimum, orta, standart sapma, p05, p25, p50, p75 və p95.

Beləliklə:

\[ 7 \times 9 = 63 \]

əlamət yaradılmışdır.

Əlamət seçimi təsnifatdan əvvəl təkrarlanan və ya az məlumat daşıyan dəyişənlərin təsirini azaltmaq üçün istifadə edilmişdir.

Tədqiqatın Metodu və Nəticələri

Hansı torpaq örtüyü siniflərindən istifadə edildi?

Təsnifat sxemi MapBiomas istinad sistemi ilə uyğun şəkildə hazırlanmış və tədqiqat ərazisində səkkiz əsas kateqoriya qiymətləndirilmişdir:

Təlim və doğrulama necə aparıldı?

Məlumatlar təxminən %70 təlim və %30 doğrulama olmaqla bölünmüşdür. Forest Formation və Pasture siniflərində nümunə sayı azlıq siniflərindən xeyli çox olduğuna görə təlim dəstinə balancing tətbiq edilmişdir.

Majority siniflərindən nümunələrin sayı azaldılmış, azlıq siniflərindəki mövcud nümunələr qorunmuşdur. Siniflərarası nümunə ölçüsünün variasiya əmsalı ilkin 1,79-dan balanslaşdırılmış təlim dəstində 0,49-a endirilmişdir.

Doğrulama dəsti isə ilkin sinif paylanması ilə saxlanmışdır. Bu seçim modelin təbii balanssız sinif strukturu altında necə davrandığını ölçməyə yönəlmişdir.

Dörd maşın öyrənməsi modeli

Random Forest həqiqətən tədqiqatın ən yaxşı modeli idimi?

Mənbənin müxtəlif bölmələrində iki fərqli qiymətləndirmə konteksti olduğuna görə bir sözlə cavab vermək düzgün deyil.

Top-k əlamət seçimi təcrübəsində Random Forest-ın dəqiqliyi yalnız bir əlamətdən istifadə edildikdə təxminən 0,40-dan başlamış, təxminən 10 əlamət civarında 0,60-ı keçmiş və təxminən 30 əlamət civarında təxminən 0,66 ilə maksimuma çatmışdır. Daha çox əlamətin əlavə edilməsi nəzərəçarpacaq əlavə qazanc yaratmamış, performans bir qədər geriləmişdir.

Bu nəticə bütün 63 əlamətin eyni dərəcədə faydalı olmadığını; informasiya daşıyan nisbətən kiçik bir əlamət alt dəstinin performansın böyük hissəsini təmin edə bildiyini göstərir.

Bununla yanaşı, məqalənin final comparative evaluation bölməsində aşağıdakı nümunə bildirilmişdir:

Mənbənin Abstract və Conclusion bölmələri isə RF=0,66, XGB=0,63, MLP=0,62 və SVM=0,10 şəklində ümumi dəqiqlik sıralaması verir.

Buna görə Verianla üçün ən etibarlı şərh RF-nin Top-k əlamət seçimi şəraitində ən yüksək pik dəqiqliyi, XGBoost-un isə yekun çoxmetrik qiymətləndirmədə daha balanslı nəticələri verdiyi şəklindədir. Mənbənin müxtəlif bölmələrindəki rəqəmlər bir-biri ilə tam eyni deyil və yeni bir vahid “doğru” dəyər yaratmaq məqsədilə səssizcə birləşdirilməməlidir.

Niyə yalnız overall accuracy-yə baxmaq kifayət deyil?

Siniflər eyni ölçüdə olmadıqda overall accuracy böyük siniflərin uğurundan daha çox təsirlənə bilər. Məsələn, Forest Formation və Pasture məlumat dəstində daha çox təmsil olunmuşdur.

Model çoxluq siniflərində uğurlu, kiçik siniflərdə isə zəif olsa belə, ümumi accuracy nisbətən yüksək görünə bilər. Buna görə tədqiqat precision, recall, F1, Kappa, confusion matrix və sinif əsaslı ROC/AUC ölçülərini birlikdə qiymətləndirmişdir.

SVM bu fərq üçün yaxşı nümunədir. Recall təxminən 0,43 ilə digər modellərdən aşağı deyil; lakin precision təxminən 0,24 və F1 təxminən 0,14-dür. Yəni çoxlu həqiqi sinif nümunəsini aşkar edə bilsə də, çox sayda yanlış sinif təyinatı edir.

Hansı siniflər daha asan ayrıldı?

XGBoost-un one-vs-rest ROC analizində:

Su sinfinin güclü şəkildə ayrılması fiziki baxımdan məntiqlidir; su NIR bölgəsində quru səthlərindən nəzərəçarpacaq dərəcədə fərqli əksolunma davranışı göstərir.

Land Use Mosaic və Wetland siniflərində isə bir obyektin daxilində birdən çox səth tipi, dəyişən torpaq rütubəti, bitki örtüyü və mövsümi şərait ola bildiyi üçün sinif sərhədləri daha qeyri-müəyyəndir.

SHAP analizi maşın öyrənməsinin nəyə baxdığını göstərdimi?

Maşın öyrənməsi modelinin yalnız doğru və ya yanlış nəticə verməsi ekoloji monitorinq baxımından kifayət deyil. İstifadə edilən dəyişənlərin modelə niyə töhfə verdiyinin başa düşülməsi də vacibdir.

Tədqiqat bu məqsədlə SHAP — SHapley Additive exPlanations — metodundan istifadə etmişdir.

Qlobal SHAP analizində LSMM-dən törədilən dəyişənlər ən mühüm əlamətlər arasına daxil olmuşdur. Xüsusilə:

LSMM_vegetation_min

dəyişəni güclü sinif ayırıcı kimi önə çıxmışdır.

Forest Formation üçün vegetation və shadow fraksiyaları mühüm olduğu halda, Water sinfində NIR əlamətləri ön plana çıxmışdır. Pasture sinfində torpaq və bitki fraksiyalarının birləşməsi; Urban və Wetland kimi heterogen siniflərdə isə daha səpələnmiş əlamət töhfəsi müşahidə edilmişdir.

Kölgə niyə meşə göstəricisi ola bilər?

Kölgə ilk baxışda təsvir təsnifatını pozan arzuolunmaz element kimi görünə bilər. Lakin meşələrdə kölgə; çətir strukturu, şaquli təbəqələşmə, ağac hündürlüyü və işıqlanma həndəsəsi haqqında dolayı məlumat daşıya bilər.

Buna görə LSMM shadow fraction bəzi hallarda meşə ilə daha hamar və alçaq bitki örtüyünə malik otlaq kimi sinifləri ayırmağa töhfə verə bilər.

Əlamətlərin sayı niyə sonsuzadək artırılmamalıdır?

Top-k təcrübəsi performansın ilk əlamətlərlə sürətlə yüksəldiyini, təxminən 30 əlamət civarında zirvəyə çatdığını və daha sonra yeni dəyişənlərin əlavə edilməsinin çox az fayda verdiyini göstərmişdir.

Bundan əlavə, korrelyasiya analizi eyni spektral zolağın müxtəlif persentil və statistikalarından törədilən bir çox əlamətin bir-biri ilə yüksək dərəcədə əlaqəli ola biləcəyini göstərir.

Bu vəziyyət daha çox əlamətin avtomatik olaraq daha çox informasiya demək olmadığını göstərir. Lazımsız və ya bir-birini təkrarlayan dəyişənlər hesablama xərcini artıra və modeldə səs-küy yarada bilər.

Bu sistem bərpanın uğurunu avtomatik olaraq sübut edirmi?

Xeyr. Model LULC təsnifat sistemidir. TCRA poliqonunun müəyyən anda “Forest Formation”, “Pasture” və ya başqa bir sinif kimi görünməsi bərpanın bütün ekoloji məqsədlərinin uğurla tamamlandığını təkbaşına sübut etmir.

Ekoloji bərpanın uğuru növ tərkibi, təbii regenerasiya, habitat keyfiyyəti, ekosistem funksiyaları, torpaq şəraiti və zaman ərzində inkişaf kimi daha geniş meyarlar tələb edə bilər.

Bu metodun əsas potensialı çoxsaylı bərpa ərazilərinin regional miqyasda daha sürətli və aşağı xərclə ilkin skrininqdən keçirilməsi və sahə yoxlamalarının istiqamətləndirilməsidir.

Tədqiqatın ən mühüm məhdudiyyəti

Model performansı yalnız bir train-validation bölgüsü əsasında hesabatlandırılmışdır. Bu yanaşma müstəqil doğrulama alt dəsti təmin etsə də, məlumatlar fərqli şəkildə bölündükdə nəticənin nə dərəcədə dəyişəcəyini göstərmir.

Müəlliflər gələcəkdə:

• k-fold cross-validation,
• spatially stratified validation,
• zaman sıralı peyk təsvirləri,
• daha yüksək məkan ayırdetməsi,
• daha əhatəli və balanslı istinad məlumatları,
• alternativ maşın və dərin öyrənmə metodları

istifadə edilməsini tövsiyə edirlər.

Buna görə bu tədqiqatdakı accuracy və AUC dəyərləri birbaşa fərqli illər, fərqli CBERS səhnələri və ya başqa tropik ölkələr üçün gözlənilən performans kimi istifadə edilməməlidir.

Mənbə və Metod Qeydi

Orijinal başlıq: CBERS 4A/WPM Image Classification for Mapping Land Use and Land Cover in TCRAs

Müəlliflər: Carla Rodrigues Santos; Francisco Salazar; Fernanda Beatriz Jordan Rojas Dallaqua; Bruno Schultz.

Corresponding authors: Carla Rodrigues Santos və Francisco Salazar.

Qurumlar: Grupo de Pesquisa DEGET da Unemat, Sinop, Mato Grosso, Brazil; Visiona Tecnologia Espacial S.A., São José dos Campos, São Paulo, Brazil.

Jurnal: Geographies.

Nəşriyyat: MDPI.

Biblioqrafik qeyd: Geographies 2026, 6, 84.

DOI:10.3390/geographies6030084

Tarixlər: Təqdim 3 iyun 2026; reviziya 16 avqust 2026; qəbul 19 avqust 2026; nəşr 1 sentyabr 2026.

Mənbə növü: Uzaqdan zondlama və nəzarətli maşın öyrənməsinə əsaslanan torpaqdan istifadə/torpaq örtüyü təsnifatı tədqiqatı.

Lisenziya: Creative Commons Attribution (CC BY).

Tədqiqat ərazisi: São Paulo ştatında 47 bələdiyyə və 902 TCRA poliqonu; əsasən Atlantik Meşəsi biomu.

Peyk məlumatı: CBERS-4A/WPM; dörd 8 m multispektral zolaq + 2 m pankromatik zolaq; pan-sharpening-dən sonra 2 m analiz təsviri.

Əlamət arxitekturası: Blue, Green, Red, NIR + LSMM soil, vegetation və shadow fraksiyaları; doqquz statistik təsvirçi ilə ümumilikdə 63 əlamət.

Maşın öyrənməsi: Random Forest, XGBoost, Multilayer Perceptron və Support Vector Machine.

Doğrulama: Təxminən %70 təlim / %30 müstəqil validation; təlim dəstində majority-class azaldılmasına əsaslanan balancing; validation paylanması qorunmuşdur.

İzaholunma: SHAP ilə qlobal və sinif əsaslı əlamət töhfəsi araşdırılmışdır.

Əsas metodoloji məhdudiyyət: Tək train-validation split istifadə edilməsi və məkan cross-validation olmaması performans qiymətləndirmələrinin ümumiləşdirilə bilməsini məhdudlaşdırır.

Mənbədaxili nəticə qeydi: Abstract və Conclusion RF-ni OA≈0,66 ilə ən yüksək model kimi bildirərkən, ətraflı final comparison bölməsində RF-nin Top-k təcrübəsindəki 0,66 pik dəyərindən ayrıca final OA≈0,62; XGBoost və MLP üçün isə ≈0,63 dəyərləri verilir. Həmin bölmə XGBoost-u F1/Kappa baxımından daha balanslı kimi şərh edir. Bu Verianla mətni iki konteksti bir-birinə qarışdırmır.

Maliyyələşdirmə: FAPESP — São Paulo Research Foundation, grant 2024/19134-1, Innovative Research in Small Business.

Məlumatların əlçatanlığı: Tədqiqatın orijinal töhfələrinin məqalə daxilində olduğu, əlavə məlumat tələblərinin corresponding authors-a yönəldilə biləcəyi bildirilmişdir.

Maraqların toqquşması / qurum əlaqəsi: Francisco Salazar-ın Visiona Tecnologia Espacial S.A. əməkdaşı olduğu açıqlanmışdır; digər müəlliflər kommersiya və ya maliyyə maraqlarının toqquşmasını bildirməmişlər.

Texniki dəstək: Visiona Tecnologia Espacial S.A. texniki dəstək göstərmiş; CETESB texniki tövsiyələr vermişdir.