Araşdırmaçılar 2023–2025-ci illərə aid Sentinel-2 peyk görüntülərindən 7 ölçülü xüsusiyyət dəsti yaradırlar: dörd əsas spektral zolaq və üç bitki/su indeksi. Daha sonra Random Forest, SNN, 1D-CNN və LSTM modelləri müqayisə olunur. Model parametrləri Optuna adlı avtomatik hiperparametr optimallaşdırma aləti ilə təkmilləşdirilir. Son mərhələdə isə təsnifat xəritəsindəki kiçik, səpələnmiş “duz-istiot” tipli xətaları azaltmaq üçün çoxluq səsverməsi filtri tətbiq olunur.

Tədqiqatın diqqətçəkən nəticəsi budur: Hissələrə bölünmüş, sərhədləri mürəkkəb və qarışıq piksellərin geniş yayıldığı kənd təsərrüfatı sahələrində ən mürəkkəb model həmişə ən yaxşı nəticəni vermir. Daha sadə Standart Neyron Şəbəkəsi modeli bəzi mürəkkəb modellərlə müqayisədə daha sabit işləyir. Lakin tədqiqatın əsas töhfəsi yalnız dəqiqlik ballarını artırmaq deyil; xətanın xüsusilə tarla sərhədlərinə yaxın sahələrdə cəmləşdiyini göstərməkdir. Bu da süni intellekt dəstəkli kənd təsərrüfatı xəritələrində “harada doğrudur, harada qeyri-müəyyəndir?” sualının ən azı “neçə bal doğrudur?” sualı qədər vacib olduğunu göstərir.

Problem Nədir?

Quraq və yarımquraq bölgələrdə kənd təsərrüfatı birbaşa su ehtiyatları ilə məhdudlaşır. Xüsusilə iri suvarma ərazilərində hansı məhsulun nə qədər sahədə yayıldığını bilmək su bölgüsü, torpaq planlaşdırılması və əkin strukturunun izlənməsi baxımından kritik əhəmiyyət daşıyır. Lakin bu məlumat sahədən ayrı-ayrılıqda toplanarsa həm vaxt aparır, həm də geniş ərazilərdə aktuallığını qorumaq çətinləşir.

Peyk görüntüləri bu problemə güclü həll təklif edir. Sentinel-2 kimi peyklər yer səthindən əks olunan işığı müxtəlif zolaqlarda ölçərək bitki örtüyü, su mövcudluğu, açıq torpaq və tikililər kimi sinifləri ayırmağa kömək edir. Lakin kənd təsərrüfatı torpaqları həmişə iri və nizamlı sahələrdən ibarət olmur. Bəzi bölgələrdə tarlalar kiçik, sərhədlər mürəkkəb, suvarma kanalları və yollar isə bir-birinə qarışmış ola bilər.

Bu tədqiqatdakı Yichang Suvarma Ərazisi də belə nümunədir. Bölgə günəbaxan, qarğıdalı və buğda kimi məhsulların yerləşdiyi, hissələrə bölünmüş əkin sahələrinin suvarma kanalları, drenaj xətləri, yollar və qoruyucu zolaqlarla parçalandığı mozaik quruluşa malikdir. Bu quruluş peyk piksellərinin “tək bir sinfi” təmsil etməsini çətinləşdirir.

Problemin texniki adı qarışıq piksel effektidir. Məsələn, 10 metrlik peyk pikseli kiçik tarlanın kənarında həm qarğıdalı, həm günəbaxan, həm də tarla yolunun siqnalını daşıya bilər. Model bu pikseli yalnız bir sinfə aid etməyə məcbur olduqda xəta riski artır. Buna görə tarla sərhədləri, yollar, kanallar və kiçik sahələr təsnifat qeyri-müəyyənliyinin ən yüksək olduğu yerlərə çevrilir.

Məqalənin əsas problemi budur: Hissələrə bölünmüş və su məhdudiyyəti altında olan kənd təsərrüfatı bölgələrində peyk görüntüləri və süni intellekt modelləri ilə məhsul xəritəsi hazırlanarkən həm dəqiqliyi artırmaq, həm də xətanın harada cəmləşdiyini anlamaq mümkündürmü?

Metod Nə Təklif Edir?

Tədqiqat “kənar effekti fərqindəliyi” olan məhsul xəritələmə çərçivəsi təklif edir. Kənar effekti tarla sərhədlərinə yaxın ərazilərdə peyk piksellərinin birdən çox torpaq elementindən siqnal alması səbəbindən təsnifat dəqiqliyinin azalması deməkdir.

Metod bir neçə mərhələdən ibarətdir.

Birinci mərhələdə Sentinel-2 peyk görüntüləri seçilir. Araşdırmaçılar 2023–2025-ci illər üçün iyul-sentyabr ayları arasındakı böyümə mövsümünə fokuslanırlar. Bu dövr günəbaxan, qarğıdalı və digər məhsulların spektral baxımdan daha yaxşı ayrıldığı dövr kimi qəbul edilir. Buludlu görüntülər maskalanır və bir neçə görüntüdən median kompozit yaradılaraq daha təmiz illik böyümə mövsümü görüntüsü əldə edilir.

İkinci mərhələdə modelin istifadə edəcəyi xüsusiyyətlər hazırlanır. Dörd əsas Sentinel-2 zolağı istifadə olunur: mavi, yaşıl, qırmızı və yaxın infraqırmızı. Bunlara üç indeks əlavə edilir: NDVI, EVI və NDWI. NDVI bitkinin canlılığı və yaşıllığını, EVI sıx bitki örtüyü sahələrində həssaslığı, NDWI isə su və rütubətli səth fərqlərini müəyyən etmək üçün istifadə olunur. Beləliklə ümumilikdə 7 ölçülü xüsusiyyət dəsti yaradılır.

Üçüncü mərhələdə dörd model müqayisə olunur: Random Forest, Standart Neyron Şəbəkəsi, 1D-CNN və LSTM. Random Forest klassik maşın öyrənməsi yanaşmasını təmsil edir. SNN spektral xüsusiyyətləri birbaşa siniflərlə əlaqələndirən daha sadə neyron şəbəkəsi quruluşudur. 1D-CNN spektral zolaqlar arasındakı yerli əlaqələri tutmağa çalışır. LSTM isə adətən zaman sıralarında güclü olan, lakin bu tədqiqatda spektral-indeks ardıcıllığı üzərində sınaqdan keçirilən daha mürəkkəb modeldir.

Dördüncü mərhələdə Optuna ilə avtomatik hiperparametr optimallaşdırılması aparılır. Yəni hər modelin öyrənmə sürəti, qat sayı, gizli vahid sayı, dropout nisbəti və ya ağac dərinliyi kimi parametrləri əl ilə sınaq-səhv yolu ilə deyil, sistemli axtarış üsulu ilə optimallaşdırılır.

Beşinci mərhələdə təsnifat xəritələrinə çoxluq səsverməsi filtri tətbiq edilir. Bu filtr pikselin ətrafındakı qonşulara baxaraq təcrid olunmuş səhv nöqtələri azaldır. Məsələn, böyük günəbaxan sahəsinin ortasında tək piksel səhvən qarğıdalı kimi təsnif olunubsa, ətrafdakı çoxluq sinfinə əsasən düzəldilir. Lakin filtr həddindən artıq böyüdükdə dar kanallar, kiçik sahələr və tarla sərhədləri bulanıqlaşa bildiyi üçün tədqiqat 3×3 pəncərəni ən balanslı seçim kimi qiymətləndirir.

Son mərhələdə isə qeyri-müəyyənlik təhlili aparılır. Araşdırmaçılar piksellərin tarla sərhədinə məsafəsini hesablayır və təsnifat dəqiqliyini 0–10 m, 10–20 m kimi məsafə zolaqlarında araşdırırlar. Beləliklə, xəta yalnız ümumi dəqiqlik balı ilə deyil, “tarlanın harasında xəta artır?” sualı ilə birlikdə qiymətləndirilir.

Formullar Nəyi İzah Edir?

Bu tədqiqat formullardan ağır nəzəri izah üçün deyil, peyk məlumatlarını təsnif edilə bilən məlumata çevirmək üçün istifadə edir.

NDVI formulu yaxın infraqırmızı və qırmızı zolaq arasındakı fərqdən istifadə edir. Sağlam və sıx bitki örtüyü yaxın infraqırmızı işığı güclü şəkildə əks etdirir, qırmızı işığı isə fotosintez səbəbindən daha çox udur. Buna görə NDVI bitki canlılığını anlamaqda əsas göstəricilərdən biridir.

EVI formulu da bitki örtüyünü izləyir; lakin sıx bitki örtüyündə və atmosfer təsirlərində daha sabit məlumat yaratmağı hədəfləyir. Mavi zolağı da nəzərə alaraq bəzi atmosfer sapmalarını azaltmağa çalışır.

NDWI formulu yaşıl və yaxın infraqırmızı zolaqlardan istifadə edərək su və ya rütubətli səth siqnalını ayırmağa kömək edir. Kənd təsərrüfatı sahələrində su kanalları, rütubətli bitki örtüyü və açıq su səthləri kimi siniflərin ayrılmasında faydalı ola bilər.

Model təlimində çarpaz entropiya itkisi istifadə olunur. Bu formul modelin verdiyi ehtimalla həqiqi sinif arasındakı fərqi ölçür. Model doğru sinfə yüksək ehtimal verdikcə itki azalır; səhv sinfə güvəndikcə itki artır.

SNN tərəfində formullar qatlar arasında çəkilər, bias dəyərləri və ReLU aktivasiyası ilə irəliləyən klassik neyron şəbəkəsi məntiqini göstərir. Sadə dillə desək, model 7 xüsusiyyətdən gələn rəqəmləri qat-qat çevirərək “bu piksel günəbaxandır, qarğıdalıdır, yoxsa sudur?” sualına cavab yaradır.

1D-CNN formulları spektral zolaqlar və indekslər arasındakı kiçik yerli əlaqələri tutmağa çalışır. Görüntüdəki ikiölçülü məkan qonşuluğu əvəzinə burada xüsusiyyət ardıcıllığı boyunca sürüşən kiçik filtrlər istifadə olunur.

LSTM formulları giriş, unutma və çıxış qapıları vasitəsilə məlumatın necə saxlanıldığını və buraxıldığını izah edir. LSTM adətən zamandan asılı ardıcıllıqlarda güclüdür. Lakin bu tədqiqatda istifadə olunan xüsusiyyətlər həqiqi zaman sırası deyil, daha çox spektral-indeks vektorudur. Buna görə LSTM-nin üstünlüyü məhdud qala bilər.

Çoxluq səsverməsi filtrinin formulu pəncərə daxilindəki sinifləri sayır və mərkəzi pikseli ən çox rast gəlinən sinfə aid edir. Bu sadə üsul təsnifat xəritəsindəki səpələnmiş tək-tək xətaları azaldır.

Kənar effekti formulu isə hər pikselin ən yaxın tarla sərhədinə məsafəsini hesablayır. Beləliklə, model uğuru yalnız ümumi orta göstərici ilə deyil, sərhədə yaxınlıqla birlikdə oxunur.

Qrafik / Cədvəl / Sxemin Əsas Mesajı

Tədqiqat sahəsinin görüntüsü Yichang Suvarma Ərazisinin Daxili Monqolustandakı Hetao düzənliyində yerləşdiyini və bölgənin günəbaxan, qarğıdalı, buğda, su, açıq sahə və yaşayış sahələri kimi siniflərdən ibarət mürəkkəb kənd təsərrüfatı mozaikasına malik olduğunu göstərir. Görüntünün əsas mesajı odur ki, tədqiqat nizamlı və eynitipli tarlalardan çox, suvarma kanalları və hissələrə bölünmüş sahələrlə parçalanmış real kənd təsərrüfatı coğrafiyasında aparılıb.

NDVI əyrilərini göstərən qrafiklər məhsulların böyümə mövsümü boyunca fərqli yaşıllaşma nümunələri nümayiş etdirdiyini göstərir. İyul-sentyabr dövründə günəbaxan, qarğıdalı və digər məhsullar arasındakı fərq daha aydın olur. Buna görə araşdırmaçılar təsnifat üçün bu dövrü seçirlər. Oxucu baxımından bu qrafiklərin əsas mesajı budur: Peyk modeli məhsulları təsadüfi tarixdə deyil, onların bir-birindən ən yaxşı ayrıldığı böyümə dövründə “oxumağa” çalışır.

Metodun iş axını sxemi tədqiqatın yalnız bir süni intellekt modeli qurmaqdan ibarət olmadığını göstərir. Əvvəlcə peyk məlumatları hazırlanır, sonra sahə nümunələri ilə model öyrədilir, ardınca Optuna ilə model parametrləri optimallaşdırılır, daha sonra çoxluq filtri ilə xəritə təmizlənir və ən sonda kənar effekti təhlili ilə qeyri-müəyyənlik xəritəsi yaradılır. Sxemin əsas mesajı odur ki, dəqiqlik qədər qeyri-müəyyənliyin yerini anlamaq da metodun bir hissəsidir.

Model müqayisə qrafiklərində SNN-nin güclü performans göstərdiyi görünür. Başlanğıcda SNN, CNN, Random Forest və LSTM arasında ən yüksək baza dəqiqliyinə çatır. Optimallaşdırmadan sonra da SNN öndə qalır. Bu nəticə hissələrə bölünmüş kənd təsərrüfatı sahələrində daha mürəkkəb modelin həmişə daha yaxşı olmadığını göstərir.

Çoxluq səsverməsi filtri qrafiki 3×3 pəncərənin ən yaxşı tarazlığı verdiyini göstərir. Kiçik pəncərə təcrid olunmuş təsnifat xətalarını təmizləyərkən tarla sərhədlərini böyük ölçüdə qoruyur. Bunun əksinə, 5×5 və xüsusilə 7×7 kimi daha böyük pəncərələr xəritəni daha hamar göstərsə də, kiçik sahələri, dar kanalları və sərhəd xətlərini həddindən artıq yumşalda bilir.

Yerli təsnifat xəritələri filtrdən əvvəl modellərin ümumi məhsul strukturunu tutduğunu, lakin bəzi piksellərdə səpələnmiş xətalar yaratdığını göstərir. Filtrdən sonra xəritələr daha bütöv hala gəlir. Bu vizualların əsas mesajı odur ki, süni intellekt çıxışı xam halı ilə deyil, məkan konteksti ilə birlikdə emal edildikdə daha faydalı xəritələr yarada bilər.

Məhsul paylanması xəritələri Yichang Suvarma Ərazisində günəbaxanın dominant fon məhsulu kimi yayıldığını, qarğıdalının isə daha çox müəyyən klasterlərdə cəmləşdiyini göstərir. 2023-cü ildən 2025-ci ilə doğru qarğıdalı sahələrinin xüsusilə şimal-qərbdən mərkəzə doğru genişləndiyi bildirilir. Bu dəyişiklik yalnız kənd təsərrüfatı nümunəsi deyil; su-torpaq məhdudiyyətləri ilə iqtisadi gəlirlər arasındakı gərginliyi də əks etdirir.

Çoxmodel tutarlılığı xəritələri model qeyri-müəyyənliyinin təsadüfi yayılmadığını üzə çıxarır. Böyük sahələrin daxili hissələrində modellər daha çox eyni nəticəyə gəlir, tarla sərhədləri, yollar, kanallar və kiçik hissələrə bölünmüş ərazilərdə isə model fikir ayrılığı artır. Bu, kənd təsərrüfatı xəritələrində qeyri-müəyyənliyin “coğrafi quruluşa” malik olduğunu göstərir.

Kənar effekti qrafikləri sərhədə ən yaxın 0–10 metrlik sahələrdə dəqiqliyin nəzərəçarpacaq şəkildə azaldığını göstərir. Bu azalma bütün modellərdə müşahidə olunur; lakin SNN bu sahədə LSTM ilə müqayisədə daha sabit qalır. Vizualın əsas mesajı aydındır: Xəritənin ən riskli yeri sahənin ortası deyil, sərhədidir.

Təcrübələr Necə Aparılıb?

Tədqiqat Çinin Daxili Monqolustan bölgəsindəki Yichang Suvarma Ərazisində aparılıb. Bölgə Sarı çaydan su alan Hetao Suvarma Bölgəsinin bir hissəsidir. Quraq-yarımquraq iqlim, yüksək buxarlanma, az yağıntı, şoranlıq və sıx suvarma infrastrukturu bölgənin əsas xüsusiyyətləri sırasındadır.

Məlumat mənbəyi kimi 2023, 2024 və 2025-ci illərə aid Sentinel-2 peyk görüntülərindən istifadə olunub. İyul-sentyabr dövründə buludluluq səviyyəsi uyğun olan görüntülər seçilib. Buludlar QA60 zolağından istifadə edilərək maskalanıb və median kompozit yanaşması ilə illik böyümə mövsümünü təmsil edən daha təmiz görüntülər yaradılıb.

Model girişi kimi 7 xüsusiyyətdən istifadə olunub: mavi, yaşıl, qırmızı və yaxın infraqırmızı zolaqlar ilə NDVI, EVI və NDWI indeksləri. Bundan əlavə, may-oktyabr ayları arasındakı aylıq NDVI əyriləri təsnifatda birbaşa istifadə olunmasa da, məhsulların fenoloji fərqlənməsinin hansı dövrdə daha güclü olduğunu görmək üçün köməkçi təhlil kimi qiymətləndirilib.

Sahə tədqiqatları ilə yeddi sinif üçün nümunə məlumat yaradılıb: günəbaxan, qarğıdalı, buğda, digər məhsullar, açıq sahə, tikili sahə və su. Nümunələr balanslaşdırılıb və təlim/doğrulama məlumatlarına bölünüb. Beləliklə modelin yalnız dominant siniflərə yönəlməsinin qarşısını almaq hədəflənib.

Dörd model eyni məlumatla müqayisə olunub: Random Forest, SNN, 1D-CNN və LSTM. Modellərin parametrləri Optuna ilə optimallaşdırılıb. Uğur ölçüləri kimi ümumi dəqiqlik, Kappa, F1 balı və mIoU istifadə olunub. Daha sonra təsnifat xəritələrinə 3×3, 5×5 və 7×7 çoxluq filtrləri tətbiq edilərək hansı pəncərə ölçüsünün ən yaxşı tarazlığı verdiyi sınaqdan keçirilib.

Sonda tarla sərhədlərindən məsafəyə görə dəqiqlik təhlili aparılıb. Piksellərin sərhədə məsafəsi hesablanıb və model performansı 0–10 m, 10–20 m kimi məsafə zolaqlarında araşdırılıb. Bu hissə tədqiqatın ən dəyərli tərəflərindən biridir; çünki yalnız “model uğurludurmu?” sualını deyil, “uğur harada azalır?” sualını da cavablandırmağa çalışır.

Nəticələr Nəyi Göstərir?

Birinci nəticə SNN modelinin hissələrə bölünmüş kənd təsərrüfatı ərazilərində gözləniləndən güclü performans göstərməsidir. Optimallaşdırmadan əvvəl baza müqayisəsində SNN ən yüksək ümumi dəqiqliyi verir. Optuna ilə optimallaşdırıldıqdan sonra SNN-nin ümumi dəqiqliyi 0.925-ə çatır. 1D-CNN 0.919, Random Forest 0.907 və LSTM 0.896 ilə onu izləyir.

İkinci nəticə çoxluq səsverməsi filtrinin xəritə keyfiyyətini ciddi şəkildə yaxşılaşdırmasıdır. Ən yaxşı nəticə 3×3 filtrlə əldə olunur. Bu filtr SNN modelinin ümumi dəqiqliyini 0.953-ə yüksəldir. Daha böyük filtrlər ilk baxışda daha hamar xəritələr yarada bilər; lakin kiçik tarla hissələrini və dar sərhədləri həddindən artıq yumşalda bildiyi üçün dəqiqlik azala bilər.

Üçüncü nəticə bölgədəki məhsul strukturunun “günəbaxan matrisi və qarğıdalı klasterləşməsi” kimi ümumiləşdirilə bilməsidir. Günəbaxan geniş və davamlı dominant məhsul olaraq qalarkən, qarğıdalı daha çox müəyyən bölgələrdə klasterləşir. 2023-cü ildən 2025-ci ilə qarğıdalı sahəsi artır, günəbaxan sahəsi isə azalır. Məqalə bu dəyişikliyi iqtisadi təşviqlər, su-torpaq məhdudiyyətləri və məhsul seçimi arasındakı tarazlıqla əlaqələndirir.

Dördüncü nəticə model qeyri-müəyyənliyinin ən çox tarla sərhədlərində cəmləşməsidir. Sərhəddən 0–10 m məsafədəki piksellərdə dəqiqlik bütün modellərdə azalır. Bunun əsas səbəbi qarışıq piksel effektidir. Eyni piksel daxilində məhsul, yol, kanal, tarla sərhədi və ya fərqli məhsul sinifləri birlikdə təmsil oluna bilər. Bu ərazilərdə SNN LSTM ilə müqayisədə daha sabit davranır.

Beşinci nəticə ümumi dəqiqlik balının təkbaşına kifayət etməməsidir. Model yüksək ümumi dəqiqlik verə bilər; lakin sərhəd ərazilərində sistemli şəkildə xəta edirsə, su idarəçiliyi, məhsul sahəsinin hesablanması və ya torpaq planlaşdırılması üçün riskli nəticələr yarada bilər. Buna görə tədqiqat kənd təsərrüfatı süni intellekt tətbiqlərində qeyri-müəyyənlik xəritələrinin də hazırlanmalı olduğunu güclü şəkildə xatırladır.

Bu Niyə Vacibdir?

Quraq bölgələrdə kənd təsərrüfatı planlaşdırılması yalnız istehsal miqdarı ilə deyil, su büdcəsi ilə də əlaqəlidir. Hansı məhsulun hansı sahədə becərildiyini dəqiq bilmək suvarma tələbatına, su bölgüsünə və torpaqdan istifadə qərarlarına təsir edə bilər. Günəbaxan kimi daha dözümlü məhsullarla qarğıdalı kimi daha çox su və uyğun torpaq şəraiti tələb edən məhsulların məkan paylanmasını izləmək su məhdudiyyəti olan bölgələr üçün strateji məlumat verə bilər.

Bu tədqiqat süni intellekt dəstəkli kənd təsərrüfatı xəritələrinin yalnız “gözəl rəngli xəritə” yaratmamalı olduğunu göstərir. Xəritənin harada etibarlı, harada qeyri-müəyyən olduğunu da bilmək lazımdır. Çünki tarla sərhədlərində kiçik görünən xətalar sahə hesabında, məhsul statistikasında və ya su planlaşdırılmasında böyüyə bilər.

Tədqiqatın digər vacib tərəfi model mürəkkəbliyi ilə bağlı fərziyyələri sorğulamasıdır. LSTM kimi daha qabaqcıl görünən modellər hər məlumat növündə avtomatik olaraq daha yaxşı nəticə vermir. Əgər məlumat həqiqi zaman sırası deyil, statik spektral xüsusiyyətlərdən ibarətdirsə, daha sadə SNN modeli daha möhkəm işləyə bilər. Bu tapıntı süni intellekt layihələrində “ən mürəkkəb model” əvəzinə “məlumata ən uyğun model” seçiminin vacibliyini xatırladır.

Bundan əlavə, çoxluq səsverməsi filtri kimi nisbətən sadə əməliyyat düzgün miqyasda istifadə edildikdə model çıxışını ciddi şəkildə yaxşılaşdıra bilər. Bu da kənd təsərrüfatı süni intellektində yalnız model arxitekturasının deyil, ilkin emal və son emal mərhələlərinin də uğurda həlledici olduğunu göstərir.

Diqqət Edilməli Məqamlar

Bu tədqiqat preprintdir. Yəni nəticələr hələ rəyçi qiymətləndirməsindən keçməyib. Buna görə tapıntılar yekunlaşmış elmi nəticə kimi deyil, qiymətləndirilməli və fərqli şəraitdə sınaqdan keçirilməli metodoloji töhfələr kimi oxunmalıdır.

Tədqiqat yalnız bir bölgəyə fokuslanır. Yichang Suvarma Ərazisi quraq-yarımquraq iqlim, şoranlıq, suvarma kanalları, hissələrə bölünmüş sahələr və müəyyən məhsul strukturları ilə xüsusi coğrafiyadır. Eyni model performansı fərqli ölkələrdə, fərqli məhsullarda, fərqli sahə ölçülərində və ya fərqli peyk görüntülərində eyni şəkildə əldə olunmaya bilər.

Sentinel-2-nin 10 m ayırdetmə qabiliyyəti bir çox kənd təsərrüfatı tətbiqi üçün faydalı olsa da, kiçik sahələr və dar sərhədlər üçün məhdud qala bilər. Xüsusilə 0–10 m sərhəd ərazilərində qarışıq piksel problemi fiziki məhdudiyyət kimi ortaya çıxır. Bu yalnız daha yaxşı modellə tam həll ediləcək problem deyil; daha yüksək ayırdetməli məlumat və ya sub-pixel təhlil lazım ola bilər.

Tədqiqatda metod sxemi çoxmənbəli məlumat inteqrasiyasından bəhs etsə də, məlumat təsvirində əsas təsnifat girişinin Sentinel-2 zolaqları və indeksləri üzərində qurulduğu görünür. Bu cür metodoloji detallar sonrakı versiyalarda daha aydın göstərilməlidir.

Model uğuru balanslaşdırılmış sahə nümunələrindən və seçilmiş iyul-sentyabr pəncərəsindən asılıdır. Fərqli böyümə dövrlərində, buludlu mövsümlərdə və ya fenoloji baxımdan bir-birinə daha çox bənzəyən məhsullarda performans dəyişə bilər.

Çoxluq filtri düzgün seçildikdə faydalıdır; lakin pəncərə böyüdükdə kiçik kənd təsərrüfatı elementlərini silə bilər. Buna görə xəritə düzəltmə əməliyyatları yalnız vizual hamarlığa görə deyil, sərhədlərin qorunması və sinif dəqiqliyi birlikdə qiymətləndirilərək aparılmalıdır.

Məlumatlara çıxışın “sorğu əsasında təqdim olunur” şəklində göstərilməsi müstəqil təkraristehsal baxımından açıq məlumat paylaşımı qədər güclü deyil. Metodun başqa araşdırmaçılar tərəfindən sınaqdan keçirilməsi üçün məlumat və kod əlçatanlığı vacibdir.

Nəticə

Bu preprint tədqiqat peyk görüntüləri ilə kənd təsərrüfatı məhsullarının xəritələnməsində vacib məqama diqqət çəkir: Dəqiqlik yalnız orta rəqəm deyil; məkanda dəyişir. Hissələrə bölünmüş kənd təsərrüfatı sahələrində model xətası xüsusilə tarla sərhədlərində, kanal kənarlarında, yollarda və kiçik sahələrdə cəmləşir. Buna görə yaxşı kənd təsərrüfatı xəritəsi yalnız “hansı məhsul haradadır?” sualını deyil, “bu proqnozun hansı hissəsi daha qeyri-müəyyəndir?” sualını da cavablandırmalıdır.

Tədqiqatın tapıntıları Yichang Suvarma Ərazisində günəbaxanın dominant məhsul olaraq qaldığını, qarğıdalının isə 2023–2025-ci illər arasında daha geniş sahəyə yayıldığını göstərir. Bu dəyişiklik su-torpaq məhdudiyyətləri ilə iqtisadi gəlirlər arasında formalaşan kənd təsərrüfatı qərarlarının məsafədən zondlama ilə izlənə biləcəyinə işarə edir.

Süni intellekt tərəfində isə ən diqqətçəkən nəticə daha sadə SNN modelinin hissələrə bölünmüş və qarışıq pikselli kənd təsərrüfatı sahələrində güclü performans göstərməsidir. 3×3 çoxluq filtri ilə birlikdə bu modelin xəritə bütövlüyü və dəqiqliyi artır. Lakin sərhəd ərazilərində qarışıq piksel problemi davam edir. Buna görə gələcək tədqiqatların daha yüksək ayırdetməli məlumatlar, radar görüntüləri, sub-pixel təhlil və meteoroloji-hidroloji məlumatlarla dəstəklənməsi vacib ola bilər.

Ən təhlükəsiz şərh budur: Bu yanaşma quraq suvarma bölgələrində məhsul strukturunu daha yaxşı izləmək üçün güclü metodoloji namizəddir; lakin fərqli bölgələrdə, fərqli məhsullarda və daha açıq məlumatlarla yenidən sınaqdan keçirilməlidir.

Mənbə və Metod Qeydi

Bu yazı “An edge-effect-aware framework for uncertainty-resolved crop mapping and planting-structure monitoring in arid irrigation landscapes” adlı preprint məqalə əsasında hazırlanıb. Tədqiqat Çindəki Yichang Suvarma Ərazisində 2023–2025-ci illərə aid Sentinel-2 böyümə mövsümü görüntülərini, sahə nümunələrini, spektral zolaqları, NDVI/EVI/NDWI indekslərini, Optuna əsaslı model optimallaşdırılmasını, çoxluq səsverməsi filtrini və kənar effekti qeyri-müəyyənlik təhlilini birlikdə istifadə edir.

Mətn sözbəsöz tərcümə deyil. Məqalədəki əsas fikir, metod, formullar, qrafiklər, cədvəllər, təcrübə axını, nəticələr və məhdudiyyətlər Verianla oxucusu üçün sadələşdirilərək orijinal türk dilində redaksiya məzmunu şəklində yenidən izah edilib. Tədqiqat preprint olduğu üçün tapıntılar qəti tətbiq tövsiyəsi kimi deyil, fərqli kənd təsərrüfatı və coğrafi şəraitdə doğrulanması tələb olunan tədqiqat nəticələri kimi qiymətləndirilməlidir.