Bu araşdırma meşə yanğınlarını qısa dalğalı infraqırmızı (Short-Wave Infrared, SWIR) peyk təsvirlərindən fərqləndirmək məqsədilə Sentinel-2-nin B8, B11 və B12 diapazonlarını; optik-elektron faydalı yük dizaynını, InGaAs sensor modelləşdirməsini, Hybrid CNN–ResNet50 dərin öyrənmə arxitekturasını və Grey Wolf Optimization (GWO) üsulunu vahid çərçivədə birləşdirir. Müəlliflər tam çərçivə üçün %91,03 doğruluq, %91,27 precision, %91,03 recall və %91,01 F1-score bildirmişlər. Lakin tədqiqatda göstərilən 465 nümunəli qarışıqlıq matrisindəki rəqəmlər bu performans metrikləri ilə riyazi baxımdan uyğun gəlmir; matris xanalarından hesablanan ümumi doğruluq təxminən %94,62-dir. Buna görə üsulun ümidverici təsnifat nəticəsi verdiyi deyilə bilsə də, dəqiq uğur faizi mənbə daxilində ardıcıl şəkildə doğrulana bilmir.

Tədqiqatda istifadə olunan əsas təsvir girişi real vaxtda tədqiqatçıların hazırladığı SWIR kameradan gəlmir. Eksperimental təsnifat BC Wildfire Sentinel-2 məlumat dəstindəki oflayn peyk təsvirləri üzərində aparılıb. Optik linza sistemi, SWIR filtrləri, baxış sahəsi, elektron siqnal zənciri və InGaAs sensor davranışı isə gələcəkdə tətbiq oluna biləcək SWIR optik-elektron faydalı yük üçün konseptual və riyazi olaraq modelləşdirilib. Buna görə tədqiqat orbitdə və ya hava vasitəsində işləyən fiziki yanğın aşkarlama payload-ının performansını sübut etmir.

Metodda B8 yaxın infraqırmızı (NIR), B11 SWIR-1 və B12 SWIR-2 diapazonları 128 × 128 pikselə yenidən ölçüləndirilib, normallaşdırılıb və üçkanallı 128 × 128 × 3 giriş tensorunda birləşdirilib. Yanğınla əlaqəli spektral xüsusiyyətlər Normalized Burn Ratio (NBR), Normalized Difference Vegetation Index (NDVI) və B12–B11 fərqinə əsaslanan termal anomaliya yanaşması ilə nəzərdən keçirilib. Hybrid CNN–ResNet50 modeli CNN qolundakı daha lokal məkan xüsusiyyətlərini ResNet50 qolundakı daha dərin semantik xüsusiyyətlərlə birləşdirib; GWO isə öyrənmə sürəti, batch size, dropout və öyrədilə bilən ResNet50 qatları kimi hiperparametrləri axtarmaq üçün istifadə olunub.

Türkiyə baxımından: SWIR əsaslı uzaqdan zondlama Türkiyənin meşə yanğını riski yüksək bölgələrində peyk, pilotsuz uçuş aparatı və ya gələcəkdə hazırlanacaq yerli müşahidə payload-ları üçün araşdırmağa dəyər yanaşma təqdim edir. Lakin bu tədqiqatın nəticələri British Columbia mənbəli Sentinel-2 məlumat dəstinə və müəyyən ikili təsnifat quruluşuna əsaslanır. Türkiyədə bitki örtüyü, topoqrafiya, atmosfer şəraiti, yanğın növləri və sensor həndəsəsi fərqli ola biləcəyinə görə bildirilən performans faizləri Türkiyəyə birbaşa köçürülə bilməz; yerli məlumat və real avadanlıqla doğrulama tələb olunur.

Araşdırmanın həll etməyə çalışdığı problem nədir?

Görünən spektr təsvirlərinə əsaslanan yanğın monitorinq sistemləri tüstü, duman və aşağı işıqlandırma şəraitində hədəfləri fərqləndirməkdə çətinlik çəkə bilər. Tədqiqatın əsas yanaşması qısa dalğalı infraqırmızı spektral məlumatın yanmış səth, bitki rütubəti/stresi və bəzi termal anomaliyalar barədə görünən təsvirdən fərqli məlumat daşımasından istifadə etməkdir.

Müəlliflərin müəyyən etdiyi ədəbiyyat boşluğu yalnız daha yüksək təsnifat doğruluğu deyil. Onlar mövcud tədqiqatların çoxunun proqram səviyyəsində təsvir təsnifatına fokuslandığını; SWIR optik sistemi, sensor, elektron siqnal zənciri, spektral xüsusiyyət çıxarılması və süni intellekt optimallaşdırmasını vahid uçdan-uca arxitekturada kifayət qədər birləşdirmədiyini müdafiə edirlər.

Təklif olunan uçdan-uca sistem necə işləyir?

Tədqiqatın Şəkil 1-də prosesi beş əsas mərhələ üzrə verilir: Sentinel-2 əsaslı təsvirlərin əldə edilməsi, ilkin emal, SWIR spektral xüsusiyyətlərin çıxarılması, Hybrid CNN–ResNet50 ilə təsnifat və GWO əsaslı optimallaşdırma. Son mərhələdə model accuracy, precision, recall və F1-score ilə qiymətləndirilir.

Bu proqram zəncirinə paralel olaraq tədqiqatçılar gələcək SWIR uzaqdan zondlama sisteminin fiziki tərəfini təmsil edən payload arxitekturasını müəyyən edirlər: optik linza, SWIR filtri, InGaAs detektoru, siqnal kondisionerləşdirmə, analoq-rəqəmsal çevirmə, daxili idarəedici və məlumat ötürmə modulu.

Sentinel-2 təsvirləri necə hazırlandı?

Orijinal məlumat dəsti 516 PNG təsvirdən ibarətdir: 258 wildfire və 258 non-wildfire nümunəsi. Data augmentation prosesindən sonra ümumi təsvir sayı 3096-ya çatdırılıb. Tədqiqatın Cədvəl 1-də 2167 təsvir (%70) təlim və 464 təsvir (%15) doğrulama dəsti kimi verilib. Test sətri cədvəldə yoxdur, lakin nəticələr bölməsində 465 test nümunəsinin istifadə olunduğu göstərilir; 2167 + 464 + 465 cəmi 3096-dır.

Hər bir B8, B11 və B12 diapazonu əvvəlcə 128 × 128 pikselə yenidən ölçüləndirilib və ayrı-ayrılıqda normallaşdırılıb. Sonra üç diapazon kanal oxu boyunca birləşdirilərək 128 × 128 × 3 giriş tensoru yaradılıb.

Təsvirin yenidən ölçüləndirilməsi və normallaşdırılması necə müəyyən edildi?

Mənbədə yenidən ölçüləndirmə əməliyyatı aşağıdakı əlaqə ilə ifadə olunur:

\[ I_r(x,y)=I\left(x\frac{W}{W_r},y\frac{H}{H_r}\right) \]

Burada \(I_r(x,y)\) yenidən ölçüləndirilmiş təsvirin müvafiq pikselini; \(I(x,y)\) orijinal təsviri; \(W\) və \(H\) orijinal eni və hündürlüyü; \(W_r\) və \(H_r\) isə hədəf eni və hündürlüyü ifadə edir.

İntensivlik miqyaslarını ortaq intervala gətirmək üçün istifadə olunan min–max normallaşdırma:

\[ I_n=\frac{I-I_{min}}{I_{max}-I_{min}} \]

formasındadır. \(I_n\) normallaşdırılmış piksel dəyərini, \(I_{min}\) və \(I_{max}\) isə müvafiq təsvirin minimum və maksimum intensivliklərini təmsil edir.

Hansı spektral diapazonlar istifadə edildi?

Üçkanallı təsnifat girişi B8, B11 və B12 diapazonlarından yaradılıb:

\[ B_{SWIR}=\{B11,B12,B8\} \]

B8 yaxın infraqırmızı (NIR), B11 SWIR-1 və B12 SWIR-2 məlumatını daşıyır. Tədqiqatda xüsusilə B11 və B12-nin yanmış sahə, səth şəraiti və bitki rütubəti/stresi ilə əlaqəli spektral fərqləri tutmaq üçün istifadə edildiyi bildirilir.

Yanmış sahə NBR ilə necə qiymətləndirildi?

Normalized Burn Ratio (NBR) B8 və B12 diapazonlarını müqayisə edir:

\[ NBR=\frac{B8-B12}{B8+B12} \]

Tədqiqatın Şəkil 7-də wildfire və non-wildfire səhnələrinin NBR xəritələri və fərq xəritəsi göstərilir. Mənbənin şərhinə görə −1-ə yaxınlaşan daha aşağı NBR dəyərləri yanmış sahələrlə, +1-ə yönələn yüksək dəyərlər isə daha sağlam bitki örtüyü ilə əlaqələndirilir.

Şəkildə həmçinin yüksək yanma şiddəti üçün NBR < −0,44; orta yanma üçün −0,44 ilə −0,27; aşağı yanma üçün −0,27 ilə −0,10; yanmamış sahə üçün −0,10 ilə 0,10 və sağlam bitki örtüyü üçün 0,10-dan yuxarı siniflər göstərilir. Bu hədlər tədqiqatın vizualında istifadə olunan təsnifatdır və fərqli ekosistemlərə avtomatik ümumiləşdirilməməlidir.

Bitki stresi və termal anomaliya necə nəzərdən keçirildi?

Bitki örtüyü analizi üçün Normalized Difference Vegetation Index istifadə edilib:

\[ NDVI=\frac{B8-B4}{B8+B4} \]

Burada B8 NIR, B4 isə qırmızı görünən diapazondur. Bu tənlik diqqətçəkən şəkildə üçkanallı model girişində olmayan B4 diapazonundan istifadə edir; NDVI spektral xüsusiyyət analizi daxilində müəyyən edildiyi halda təsnifat tensoru B8/B11/B12 üzərində qurulub.

Termal anomaliya göstəricisi mənbədə sadə SWIR diapazon fərqi ilə ifadə olunur:

\[ T_a=B12-B11 \]

\(T_a\) termal anomaliya dəyərini, B12 və B11 isə müvafiq diapazon intensivliklərini təmsil edir. Bu əlaqə birbaşa fiziki səth temperaturu ölçməsi deyil; tədqiqat bunu SWIR diapazon intensivlikləri arasındakı fərqə əsaslanan anomaliya göstəricisi kimi istifadə edir.

SWIR optik faydalı yük necə modelləşdirilib?

Təklif olunan faydalı yük optik linza sistemi, SWIR filtrləri, görüntüləmə optikası və baxış sahəsi quruluşundan ibarətdir. Nazik linza əlaqəsi:

\[ \frac{1}{f}=\frac{1}{d_o}+\frac{1}{d_i} \]

formasındadır. \(f\) fokus məsafəsi, \(d_o\) Yer səthi ilə linza arasındakı obyekt məsafəsi və \(d_i\) təsvir məsafəsidir.

Optik böyütmə:

\[ M=\frac{d_i}{d_o} \]

olaraq müəyyən edilir.

Mənbədə SWIR filtrinin hədəf dalğa uzunluğu intervalı:

\[ \lambda_{SWIR}=1.0\,\mu m-2.5\,\mu m \]

şəklində verilib. Filtrin spektral keçiriciliyi isə:

\[ T_{SWIR}=\frac{I_t}{I_i} \]

ilə ifadə edilir; \(I_t\) keçən və \(I_i\) gələn SWIR şüalanma intensivliyidir.

Baxış sahəsi və yer nümunələmə məsafəsi necə müəyyən edilir?

Field of View (FOV) üçün:

\[ FOV=2\tan^{-1}\left(\frac{S}{2f}\right) \]

əlaqəsindən istifadə edilib. \(S\) sensor ölçüsünü, \(f\) fokus məsafəsini təmsil edir. Geniş FOV daha çox yer sahəsini əhatə edərkən, daha dar FOV daha yüksək hədəf çözünürlüğü təmin edə bilər.

Ground Sampling Distance (GSD) isə:

\[ GSD=\frac{H p}{f} \]

ilə ifadə edilib. \(H\) peyk hündürlüyü, \(p\) piksel ölçüsü və \(f\) fokus məsafəsidir. Tədqiqatın nəticə qrafikində hazırlanmış sensor sistemi üçün GSD dəyəri 50,0 m olaraq göstərilir.

Elektron altsistemdə məlumat necə irəliləyir?

SWIR detektoru gələn optik şüalanmanı elektrik cərəyanına çevirir:

\[ I_d=R_{\lambda}P_{opt} \]

\(I_d\) detektor çıxış cərəyanı, \(R_{\lambda}\) spektral responsivity və \(P_{opt}\) gələn optik gücdür.

Zəif siqnal daha sonra siqnal kondisionerləşdirmə dövrəsində gücləndirilir:

\[ V_o=A_vV_i \]

Analoq-rəqəmsal çeviricinin quantization addımı:

\[ Q=\frac{V_{max}-V_{min}}{2^n} \]

olaraq müəyyən edilib. Daxili idarəedici üçün emal müddəti:

\[ T_p=\frac{N_i}{f_c} \]

və məlumat ötürmə sürəti:

\[ R_t=\frac{D_t}{T_t} \]

əlaqələri ilə modelləşdirilib. Bunlar sistem arxitekturasını müəyyən edən ümumi mühəndislik əlaqələridir; tədqiqat müəyyən uçuş avadanlığı üzərində bu elektron zəncirin real vaxt performansını eksperimental olaraq ölçməyib.

InGaAs sensor modeli hansı parametrlərdən istifadə edir?

InGaAs SWIR sensor modeli spektral responsivity, səs-küy, dinamik diapazon və piksel çözünürlüğü üzrə müəyyən edilib. Spektral responsivity:

\[ R_{\lambda}=\frac{I_o}{P_i} \]

səs-küy ekvivalent gücü:

\[ NEP=\frac{N}{R_{\lambda}} \]

və dinamik diapazon:

\[ DR=20\log_{10}\left(\frac{S_{max}}{S_{min}}\right) \]

formasındadır.

Tədqiqatın Şəkil 8-də təklif olunan sensor sistemi üçün 70,5 dB dinamik diapazon, 50,0 m GSD və 100,0 ke− full-well capacity dəyərləri göstərilir. Bunlar real orbit sınağından ölçülmüş dəyərlər deyil, tədqiqatda hazırlanmış/modelləşdirilmiş sistem parametrləridir.

Hybrid CNN–ResNet50 niyə iki qola ayrılıb?

Modelin CNN qolu daha lokal məkan xüsusiyyətlərini öyrənmək üçün ardıcıl convolution, ReLU və pooling qatlarından istifadə edir. Convolution əməliyyatı mənbədə:

\[ F(i,j)=\sum_m\sum_n I(i-m,j-n)K(m,n) \]

olaraq verilib. Burada \(I\) giriş təsviri, \(K\) convolution kernel və \(F\) əldə olunan feature map-dir.

ReLU aktivləşməsi:

\[ A(x)=\max(0,x) \]

formasındadır.

ResNet50 qolunda residual əlaqə:

\[ H(x)=F(x)+x \]

əlaqəsi ilə izah edilir. Bu quruluş daha dərin qatlarda xüsusiyyət ötürülməsini dəstəkləmək və vanishing gradient problemini azaltmaq məqsədilə istifadə olunur.

İki qoldan çıxan xüsusiyyət vektorları:

\[ F_{fusion}=[F_{CNN},F_{ResNet50}] \]

şəklində birləşdirilir və sonra dense qatlar ilə iki sinifli Softmax çıxışına ötürülür.

Model hansı hiperparametrlərlə öyrədildi?

Təlim kompüterində 12-ci nəsil Intel Core i5-12400F prosessoru, 16 GB RAM və 64 bit Windows 11 Pro istifadə edildiyi bildirilib. Tədqiqatın avadanlıq cədvəlində GPU məlumatı verilməyib.

GWO həqiqətən nəyi optimallaşdırır?

Grey Wolf Optimization bölməsində hər namizəd həll:

\[ X_i=[LR_i,BS_i,DR_i,TL_i] \]

şəklində müəyyən edilib. Burada LR learning rate, BS batch size, DR dropout rate və TL ResNet50-nin öyrədilə bilən qat sayıdır.

Axtarış intervalları:

• Learning rate: 1 × 10⁻⁵ – 1 × 10⁻³
• Batch size: 16 – 64
• Dropout rate: 0,2 – 0,5
• Öyrədilə bilən qat: 20 – 80

olaraq verilib.

Beləliklə tədqiqatın riyazi metoduna görə GWO-nun açıq şəkildə optimallaşdırdığı kəmiyyətlər dərin öyrənmə hiperparametrləridir. Mətnin bəzi yerlərində GWO-nun “payload design optimization” etdiyi və ya “feature selection” həyata keçirdiyi bildirilsə də, fiziki fokus məsafəsi, FOV, sensor piksel ölçüsü və ya ADC kimi payload parametrləri GWO həll vektorunda yoxdur. Buna görə bu iddialar hiperparametr optimallaşdırmasından ayrıca fiziki payload optimallaşdırması sübutu kimi qiymətləndirilməməlidir.

GWO yaxınsaması necə bildirildi?

Şəkil 6-da Alpha Wolf fitness dəyəri ilk iterasiyalarda təxminən 84,5 səviyyəsindədir; dördüncü iterasiyada 89,0-a, beşinci iterasiyada 91,0-a çatır və 5–10-cu iterasiyalar arasında 91,0 səviyyəsində qalır. Mənbə bunu sürətli yaxınsama kimi şərh edir.

Təsnifat nəticəsi nə göstərir?

Müəlliflər tam çərçivə üçün aşağıdakı metrikləri bildiriblər:

Lakin eyni nəticə bölməsindəki qarışıqlıq matrisi 465 test təsviri üçün 221 düzgün non-wildfire, 219 düzgün wildfire, 12 və 13 səhv təsnifat göstərir. Matris xanalarından birbaşa hesablandıqda:

\[ Accuracy=\frac{221+219}{465}\approx0.9462 \]

yəni təxminən %94,62 alınır. Wildfire sinfi müsbət qəbul edildikdə eyni matris təxminən %94,8 precision, %94,4 recall və %94,6 F1-score verir. Bu dəyərlər məqalənin bildirdiyi %91 səviyyəsindəki metriklərlə uyğun gəlmir.

Buna görə Verianla baxımından düzgün yanaşma bildirilən %91,03 doğruluğu tədqiqatın qəti və öz daxilində doğrulanmış performansı kimi təqdim etmək deyil; müəlliflərin %91,03 bildirdiyini, lakin dərc olunan qarışıqlıq matrisinin fərqli performansa işarə etdiyini açıq şəkildə qeyd etməkdir.

Qarışıqlıq matrisindəki ikinci uyğunsuzluq nədir?

Şəkil 3-ün oxlarına görə true non-wildfire sətrində 221 düzgün non-wildfire və 12 səhv wildfire təsnifatı; true wildfire sətrində 13 səhv non-wildfire və 219 düzgün wildfire var. Buna qarşılıq mətndə 12 və 13 rəqəmlərinin hansı sinfə səhv təyin olunduğunu izah edən ifadə tərs ardıcıllıqda görünür. Matris vizualı ilə mətn təsviri bu nöqtədə tam uyğun gəlmir.

Spektral cavab nəticələri nə göstərir?

Tədqiqatın Şəkil 10-da üç diapazonun orta normallaşdırılmış spektral cavabı dəqiq rəqəmlərlə verilib. B12 SWIR-2, 0,6543 ilə ən yüksək orta normallaşdırılmış cavaba; B8 NIR 0,5491-ə; B11 SWIR-1 isə 0,4467-yə malikdir.

B12-nin bu məlumat dəstində daha yüksək orta normallaşdırılmış spektral cavab göstərməsi müəlliflər tərəfindən səth şəraiti və bitki örtüyü dəyişikliklərinə daha yüksək həssaslıqla əlaqələndirilib. Lakin yalnız bu üç orta dəyər B12-nin bütün yanğın ssenarilərində digər diapazonlardan üstün olduğunu sübut etmir.

SNR nəticələri nə göstərir?

Şəkil 9-da non-wildfire təsvirlər üçün bildirilən SNR dəyəri 1,884, wildfire təsvirlər üçün isə 2,378-dir. Müəlliflər daha yüksək wildfire SNR dəyərini təklif olunan SWIR yanaşmasının yanğınla əlaqəli siqnalı fərqləndirə bilməsinə dəstək kimi şərh edirlər.

Bununla belə, bu dəyərlərin eksperimental fiziki InGaAs payload ölçməsindən deyil, Sentinel-2 təsvirlərinə əsaslanan tədqiqat çərçivəsindən əldə edildiyi nəzərə alınmalıdır. Buna görə onlar real sensorun sahədəki siqnal-səs-küy performansı kimi şərh edilməməlidir.

Ablasiya analizi nə deyir?

Tədqiqatın Cədvəl 4-də tam çərçivənin bildirilən accuracy dəyəri 0,9103-dür. Bəzi komponentlər çıxarıldıqda mənbədə aşağıdakı nəticələr verilir:

Mənbə bu cədvəli bütün modulların təsnifata töhfə verdiyinin sübutu kimi şərh edir. Lakin real təcrübələrdə fiziki SWIR payload və ya real InGaAs kamera istifadə olunmadığı üçün “payload design olmadan” və “sensor modeling olmadan” sətirləri fiziki avadanlığın sökülüb təcrübənin təkrarlandığı hardware ablasiya kimi qiymətləndirilməməlidir. Tədqiqat bu komponentlərin proqram/model çərçivəsindəki rolunu bildirir.

Tədqiqatın dəstəklədiyi nəticələr

• Sentinel-2 B8, B11 və B12 təsvirlərindən yaradılmış üçkanallı məlumat Hybrid CNN–ResNet50 ilə wildfire/non-wildfire təsnifatı üçün istifadə edilə bilib.
• Müəlliflər tam model üçün %91,03 accuracy, %91,27 precision, %91,03 recall və %91,01 F1-score bildiriblər.
• GWO-nun müəyyən edilmiş axtarış məkanında learning rate, batch size, dropout və öyrədilə bilən ResNet50 qat sayını optimallaşdırdığı göstərilib.
• B12 diapazonu tədqiqatda 0,6543 ilə seçilmiş üç diapazon arasında ən yüksək orta normallaşdırılmış spektral cavabı göstərib.
• Mənbədə wildfire təsvirlərinin SNR dəyəri 2,378, non-wildfire təsvirlərin dəyəri 1,884 olaraq bildirilib.
• NBR xəritələri wildfire və non-wildfire səhnələri arasında spektral fərq göstərir.
• Təklif olunan arxitektura təsvirin ilkin emalı, spektral xüsusiyyətlər, CNN–ResNet50 və GWO-nu vahid proqram çərçivəsində birləşdirir.

Tədqiqatın dəstəkləmədiyi və ya sübut etmədiyi nəticələr

• Real SWIR optik-elektron payload-ın orbitdə və ya hava vasitəsində yanğını %91,03 doğruluqla aşkar etdiyi sübut edilməyib.
• InGaAs sensorunun fiziki prototipi tədqiqatda real Sentinel-2 əvəzinə məlumat yaratmaq üçün istifadə edilməyib.
• Onboard real vaxt processing performansı eksperimental olaraq doğrulanmayıb.
• Sıx bulud, fərqli atmosfer şəraiti və fərqli coğrafiyalarda eyni performansın qorunacağı göstərilməyib.
• Bildirilən %91,03 doğruluq qarışıqlıq matrisi ilə riyazi baxımdan uzlaşdırıla bilmədiyi üçün dəqiq uğur faizi kimi müstəqil şəkildə doğrulanmayıb.
• GWO-nun fiziki linza, FOV, sensor və ya elektron payload parametrlərini optimallaşdırdığı riyazi həll vektoru ilə göstərilməyib.
• B12-nin bütün yanğın aşkarlama sistemlərində universal olaraq ən yaxşı diapazon olduğu sübut edilməyib.
• Tədqiqat nəticələri Türkiyədəki meşə yanğınlarına birbaşa eyni doğruluq dəyərləri ilə ümumiləşdirilə bilməz.

Tədqiqatın Metodu və Nəticələri

Eksperimental məlumat və ilkin emal zənciri

Tədqiqat BC Wildfire Sentinel2 Dataset-dən istifadə edir. 516 orijinal təsvir data augmentation-dan sonra 3096 nümunəyə çatdırılıb. Təlim, doğrulama və nəticə bölməsində göstərilən test nümunələri müvafiq olaraq 2167, 464 və 465-dir. Hər təsvir üçün B8, B11 və B12 diapazonları 128 × 128 pikselə gətirilərək normallaşdırılıb və üçkanallı giriş yaradılıb.

Tədqiqat augmentation funksiyasını ümumi şəkildə:

\[ I_a=T(I) \]

olaraq göstərir. \(T\) təsvirə tətbiq olunan transformasiya funksiyasıdır. Lakin mənbə augmentation əməliyyatlarının bütün detallı növlərini və hər transformasiyanın paylanmasını riyazi tənlikdən əlavə tam təkrarlana bilən protokol kimi təqdim etmir.

SWIR sensoru və elektron model

Modeldə sensorun gələn SWIR radiasiyasını elektrik siqnalına çevirməsi, siqnalın gücləndirilməsi, ADC ilə rəqəmsallaşdırılması, daxili idarəedicidə emal olunması və ötürülməsi ardıcıl elektron zəncir kimi müəyyən edilir. InGaAs sensor modeli responsivity, noise-equivalent power, dinamik diapazon və piksel çözünürlüğü kimi kəmiyyətləri əhatə edir.

Lakin tədqiqat real sensor hissə nömrəsi ilə aparılan laboratoriya kalibrasiyasını, real optik linza tolerans ölçmələrini, MTF testini, detektor temperaturundan asılı dark-current ölçməsini və ya orbit səviyyəsində radiometrik kalibrasiyanı bildirmir. Buna görə bu bölmə sensor/faydalı yük dizayn modeli kimi oxunmalıdır.

Dərin öyrənmə və optimallaşdırma

CNN və ResNet50 iki paralel xüsusiyyət çıxarma qoludur. ResNet50 ImageNet əvvəlcədən öyrədilmiş çəkilərlə başladılıb, son 60 qat wildfire məlumatına uyğunlaşdırılmaq üçün öyrədilə bilən saxlanılıb. İki feature vektoru fusion qatında birləşdirilib və Softmax ilə wildfire/non-wildfire sinfinə çevrilib.

Cross-entropy loss:

\[ L=-\sum_{i=1}^{C}y_i\log(P_i) \]

ilə minimumlaşdırılıb. \(y_i\) real sinif etiketi, \(P_i\) proqnoz ehtimalı və \(C\) sinif sayıdır.

GWO fitness dəyəri mənbədə accuracy ilə müəyyən edilib:

\[ F=\frac{TP+TN}{TP+TN+FP+FN} \]

Optimal hiperparametr həlli isə:

\[ X_{best}=\arg\max(F_i) \]

şəklindədir.

Qarışıqlıq matrisi və bildirilən metriklərin ətraflı yoxlanması

Şəkil 3-də göstərilən matris belədir:

Bu dörd xana cəmi 465 nümunədir və 440-ı düzgün təsnif edilib. Buna görə vizualdakı matrisin öz doğruluğu təxminən %94,62-dir. Tədqiqatın Şəkil 4 və mətnində verilən %91,03 dəyərinin hansı fərqli proqnoz dəstindən və ya hesablama mərhələsindən gəldiyi açıqlanmır.

Verianla qiymətləndirməsində bu fərq kritik hesab edilir; çünki classification accuracy tədqiqatın əsas iddialarından biridir. Mənbədə izah edilməyən fərziyyə yaratmaq və ya rəqəmlərdən birini səssizcə “doğru” qəbul etmək əvəzinə hər iki məlumat birlikdə təqdim edilir.

Müqayisə cədvəlindəki biblioqrafik problem

Mənbənin Cədvəl 5-i təklif olunan modeli iki əvvəlki üsulla müqayisə edir. Lakin ikinci müqayisə “Deep Learning Wildfire Detection Using Multi-Source Remote Sensing [32]” adı ilə təqdim olunsa da, ədəbiyyat siyahısındakı 32 nömrəli qeyd wildfire təsnifat modeli deyil, yanğın idarəçiliyinə dair fərqli tədqiqatdır. Buna görə Cədvəl 5-dəki ikinci istinadın biblioqrafik uyğunluğu mənbə daxilində doğrulana bilmir.

Bundan əlavə, Cədvəl 5 sütun adlarında faiz işarəsi olsa da dəyərlər 0,8840, 0,8932 və 0,9103 kimi 0–1 miqyasında yazılıb. Məna baxımından bunların müvafiq olaraq %88,40, %89,32 və %91,03 olması ehtimal olunur; lakin cədvəl forması mənbədə olduğu kimi miqyas etiketləmə uyğunsuzluğu daşıyır.

Tədqiqatın güclü tərəfləri

• Yanğın aşkarlamasını yalnız RGB təsvir təsnifatı kimi deyil, SWIR spektral məlumatı əsasında nəzərdən keçirir.
• Sentinel-2 B8/B11/B12 diapazonlarını açıq şəkildə müəyyən edir.
• NBR, NDVI və SWIR diapazon fərqi kimi fiziki/spektral göstəriciləri dərin öyrənmə yanaşması ilə eyni çərçivədə müzakirə edir.
• Hybrid CNN və ResNet50 xüsusiyyətlərini birləşdirən açıq arxitektura təqdim edir.
• GWO axtarış məkanını və optimallaşdırılan hiperparametrləri riyazi olaraq müəyyən edir.
• Ablasiya analizi təqdim edərək model komponentlərinin bildirilən performansa təsirini müqayisə etməyə çalışır.
• Real vaxt avadanlıq doğrulamasının aparılmadığını müzakirə bölməsində açıq şəkildə bildirir.

Tədqiqatın əsas məhdudiyyətləri

• Real SWIR payload avadanlığı hazırlanıb eksperimental olaraq sınaqdan keçirilməyib.
• Təcrübələr oflayn Sentinel-2 təsvirlərinə əsaslanır.
• Real vaxt onboard processing doğrulaması aparılmayıb.
• Sıx bulud və əlverişsiz atmosfer şəraiti performansı azalda bilər.
• Hybrid CNN–ResNet50 və GWO hesablama xərci yüksəkdir.
• Qarışıqlıq matrisi ilə bildirilən əsas performans metrikləri arasında ciddi sayısal uyğunsuzluq var.
• Müqayisə cədvəlində ən azı bir istinad nömrəsi ilə təsvir edilən tədqiqat uyğun gəlmir.
• GWO-nun fiziki payload optimallaşdırması etdiyinə dair bəzi ifadələr müəyyən edilmiş həll dəyişənləri ilə birbaşa dəstəklənmir.
• Ablasiyada fiziki payload/sensor komponentlərinin təsiri real avadanlıq çıxarma təcrübəsi ilə göstərilməyib.

Gələcək iş tövsiyələri

Müəlliflər gələcəkdə sistemi real SWIR payload və daxili avadanlıq üzərində eksperimental olaraq doğrulamağı, daha yüngül dərin öyrənmə arxitekturaları ilə real vaxt tətbiqini, multimodal sensor fusion-u və transformer əsaslı modelləri araşdırmağı təklif edirlər. UAV və hyperspectral təsvirlərin əlavə edilməsi də göstərilən inkişaf istiqamətləri arasındadır.

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı: Design and Development of a SWIR Optical-Electronic Payload for Earth Remote Sensing Applications

Müəlliflər: Ainur Zhetpisbayeva; Samal Kaliyeva; Berik Zhumazhanov; Almira Mukhamejanova; Ainur Satpayeva; Aliya Kargulova.

Müəllif sırası: Mənbədəki orijinal sıra olduğu kimi qorunub.

Bərabər töhfə/bərabər birinci müəllif: Mənbədə göstərilməyib.

Məsul müəllif: Samal Kaliyeva.

Qurumlar: Department of Radio Engineering, Electronics and Telecommunications, Institute of Physical and Technical Sciences, L.N. Gumilyov Eurasian National University, Astana, Kazakhstan; Ghalam LLP, Astana, Kazakhstan; Department of Telecommunication Engineering, Almaty University of Power Engineering and Telecommunications Named After Gumarbek Daukeyev, Almaty, Kazakhstan; Department of Electric Power Supply NCJSC, S. Seifullin Kazakh Agro Technical Research University, Astana, Kazakhstan.

Mənbə növü: Rəyli tədqiqat məqaləsi. Oflayn Sentinel-2 təsvirlərinə əsaslanan dərin öyrənmə təsnifatı ilə konseptual SWIR optik-elektron payload və InGaAs sensor modelləşdirməsini birləşdirir.

Jurnal: Aerospace

Nəşriyyat: MDPI

Cild / məqalə nömrəsi: 13, 649

Nəşr tarixi: 17 iyul 2026

DOI: 10.3390/aerospace13070649

Rəsmi nəşr keçidi: https://www.mdpi.com/2226-4310/13/7/649

DOI keçidi: https://doi.org/10.3390/aerospace13070649

Rəyləndirmə statusu: Aerospace jurnalında dərc edilmiş rəyli tədqiqat məqaləsidir.

Lisenziya: Creative Commons Attribution (CC BY) açıq giriş lisenziyası.

Maliyyələşdirmə: Science Committee of the Ministry of Science and Higher Education of the Republic of Kazakhstan tərəfindən Research Identification Registration Number (IRN) BR27198365 çərçivəsində maliyyələşdirilib.

Məlumat əlçatanlığı: Tədqiqatda təqdim olunan məlumatların tələb əsasında məsul müəlliflərdən əldə edilə bildiyi bildirilir.

Maraqlar toqquşması bəyanatı: Mənbə mətni “All authors were employed by the company Ghalam LLP” ifadəsini işlədir və daha sonra “remaining authors” üçün kommersiya və ya maliyyə münasibəti olmadığını bildirir. Lakin məqalənin afiliyasiya siyahısında Ghalam LLP yalnız bəzi müəlliflərə aid edilib. Bu görünən uyğunsuzluq səssizcə düzəldilməyib.

Müəllif töhfəsi qeydi: Mənbədə investigation töhfəsi “S.K., A.S., B.Z., B.Z. and A.Z.” şəklində verilib və B.Z. iki dəfə təkrarlanıb. Verianla bu təkrarın hansı müəllifin yerinə yazıldığını fərz etmir.

Performans ardıcıllığı qeydi: Müəlliflər %91,03 accuracy, %91,27 precision, %91,03 recall və %91,01 F1-score bildirirlər. Buna qarşılıq Şəkil 3-dəki 221/12/13/219 qarışıqlıq matrisi təxminən %94,62 ümumi doğruluğa uyğun gəlir. Mənbə bu fərqin səbəbini açıqlamır. Buna görə Verianla bildirilən və matrisdən hesablanan dəyərlərdən birini səssizcə digərinin yerinə qoymayıb.

Müqayisəli mənbə qeydi: Cədvəl 5-də [32] ilə göstərilən “Deep Learning Wildfire Detection Using Multi-Source Remote Sensing” müqayisəsinin ədəbiyyat siyahısındakı 32 nömrəli işlə biblioqrafik olaraq uyğun gəlmədiyi görünür. Buna görə həmin müqayisə müstəqil biblioqrafik doğruluq fərziyyəsi ilə yenidən yazılmayıb.

GWO əhatə qeydi: GWO həll vektoru learning rate, batch size, dropout rate və trainable layers parametrlərini ehtiva edir. Buna görə metodun açıq şəkildə doğrulanmış optimallaşdırma əhatəsi dərin öyrənmə hiperparametrləridir; fiziki SWIR payload parametrlərinin GWO tərəfindən optimallaşdırıldığı bu tənliklərdən çıxarıla bilməz.

Elmi sərhəd: Tədqiqat real vaxt SWIR payload tətbiqi və ya onboard avadanlıq doğrulaması aparmayıb. Təsnifat təcrübələri oflayn Sentinel-2 təsvirləri ilə həyata keçirilib. Optik payload və InGaAs sensor hissəsi gələcək fiziki tətbiq üçün model/konseptual arxitektura xarakteri daşıyır.

Məzmun istehsal üsulu: Bu Verianla açıqlamasındakı elmi metodlar, tənliklər, sayısal məlumatlar, qrafik şərhləri və məhdudiyyətlər araşdırılan mənbə tədqiqata əsaslanır. Xarici mənbə istifadəsi yalnız tədqiqat kimliyi və jurnalın rəyləndirmə statusunun biblioqrafik doğrulanması ilə məhdudlaşdırılıb; xaricdən yeni elmi tapıntı və ya performans məlumatı əsas məqaləyə əlavə edilməyib.