Изилдөөчүлөр 2023–2025-жылдарга таандык Sentinel-2 спутник сүрөттөрүнөн 7 өлчөмдүү өзгөчөлүк топтомун түзүшөт: төрт негизги спектралдык тилке жана үч өсүмдүк/суу индекси. Андан кийин Random Forest, SNN, 1D-CNN жана LSTM моделдери салыштырылат. Модель жөндөөлөрү Optuna деп аталган автоматтык гиперпараметр оптималдаштыруу куралы менен жакшыртылат. Акыркы этапта болсо классификация картасындагы майда, чачыранды “туз-мурч” каталарын азайтуу үчүн көпчүлүк добуш чыпкасы колдонулат.

Изилдөөнүн көңүл бурарлык табылгасы мындай: бөлүнгөн, чек аралары татаал жана аралаш пикселдер кеңири таралган айыл чарба аймактарында эң татаал модель дайыма эле эң жакшы жыйынтык бербейт. Жөнөкөйүрөөк Стандарттык Нейрон Тармак модели айрым татаал моделдерге караганда туруктуураак иштейт. Бирок изилдөөнүн негизги салымы тактык көрсөткүчтөрүн гана жогорулатуу эмес; ката өзгөчө талаа чектерине жакын аймактарда топтолорун көрсөтүү. Бул жасалма интеллект колдогон айыл чарба карталарында “кайсы жер туура, кайсы жер белгисиз?” деген суроо кеминде “канча балл туура?” деген суроодой эле маанилүү экенин көрсөтөт.

Көйгөй эмнеде?

Кургак жана жарым кургак аймактарда айыл чарба түздөн-түз суу ресурстары менен чектелет. Айрыкча чоң сугаруу аймактарында кайсы өсүмдүк канча аянтка жайылганын билүү суу бөлүштүрүү, жерди пландоо жана себүү түзүмүн көзөмөлдөө үчүн өтө маанилүү. Бирок бул маалымат талаадан бирден-бирден чогултулса, көп убакыт кетет жана чоң аянттарда аны актуалдуу кармоо кыйындайт.

Спутник сүрөттөрү бул көйгөйгө күчтүү чечим сунуштайт. Sentinel-2 сыяктуу спутниктер жер бетинен чагылган жарыкты ар башка тилкелерде өлчөп, өсүмдүк каптоосу, суунун болушу, жылаңач топурак жана курулушталган аймак сыяктуу класстарды ажыратууга жардам берет. Бирок айыл чарба жерлери дайыма эле чоң жана тартиптүү участоктордон турбайт. Айрым аймактарда талаалар майда, чек аралар татаал, сугаруу каналдары менен жолдор бири-бирине аралашып кетиши мүмкүн.

Бул изилдөөдөгү Yichang Сугаруу Аймагы да ушундай мисал. Аймакта күн карама, жүгөрү жана буудай сыяктуу өсүмдүктөр бар, бөлүнгөн айыл чарба участоктору сугаруу каналдары, дренаж линиялары, жолдор жана коргоо тилкелери менен кесилген мозаикалык түзүлүштү түзөт. Бул түзүлүш спутник пикселдеринин “бир гана классты” чагылдыруусун кыйындатат.

Көйгөйдүн техникалык аталышы — аралаш пиксел таасири. Мисалы, 10 метрлик спутник пиксели чакан талаанын четинде бир эле учурда жүгөрүнүн, күн караманын жана талаа жолунун сигналын алып жүрүшү мүмкүн. Модель бул пикселди бир класска гана бөлүүгө аргасыз болгондо ката коркунучу өсөт. Ошондуктан талаа чек аралары, жолдор, каналдар жана майда участоктор классификация белгисиздиги эң көп болгон жерлерге айланат.

Макаланын негизги көйгөйү мындай: Бөлүнгөн жана суу чектөөсү бар айыл чарба аймактарында спутник сүрөттөрү жана жасалма интеллект моделдери менен өсүмдүк картасын түзүүдө тактыкты жогорулатуу менен катар, ката кайсы жерде топтолорун да түшүнүүгө болобу?

Ыкма эмнени сунуштайт?

Изилдөө “чек таасирин эске алган” өсүмдүк карталоо алкагын сунуштайт. Чек таасири талаа чек араларына жакын аймактарда спутник пикселдери бир нече жер элементинен сигнал алгандыктан классификация тактыгы төмөндөй турганын билдирет.

Ыкма бир нече этаптан турат.

Биринчи этапта Sentinel-2 спутник сүрөттөрү тандалат. Изилдөөчүлөр 2023–2025-жылдар үчүн Июль-Сентябрь аралыгындагы өсүү мезгилине көңүл бурушат. Бул мезгил күн карама, жүгөрү жана башка өсүмдүктөр спектралдык жактан жакшыраак ажыратылган учур катары каралат. Булуттуу сүрөттөр маскаланат жана бир нече сүрөттөн медианалык композит түзүлүп, жылдык өсүү мезгилин тазараак чагылдырган сүрөт алынат.

Экинчи этапта модель колдоно турган өзгөчөлүктөр даярдалат. Sentinel-2нин төрт негизги тилкеси колдонулат: көк, жашыл, кызыл жана жакын инфракызыл. Аларга үч индекс кошулат: NDVI, EVI жана NDWI. NDVI өсүмдүктүн жандуулугун жана жашылдыгын, EVI жыш өсүмдүк каптоосундагы сезгичтикти, NDWI болсо суу менен нымдуу беттердин айырмасын кармоо үчүн колдонулат. Ошентип жалпы 7 өлчөмдүү өзгөчөлүк топтому түзүлөт.

Үчүнчү этапта төрт модель салыштырылат: Random Forest, Стандарттык Нейрон Тармак, 1D-CNN жана LSTM. Random Forest классикалык машиналык үйрөнүү тарапты билдирет. SNN спектралдык өзгөчөлүктөрдү түздөн-түз класстарга байланыштырган жөнөкөйүрөөк нейрон тармак түзүлүшү. 1D-CNN спектралдык тилкелердин ортосундагы жергиликтүү байланыштарды кармоого аракет кылат. LSTM болсо адатта убакыт катарлары үчүн күчтүү, бирок бул изилдөөдө спектралдык-индекс тизмеги үстүндө сыналган татаалыраак модель.

Төртүнчү этапта Optuna менен автоматтык гиперпараметр оптималдаштыруу жүргүзүлөт. Башкача айтканда, ар бир моделдин үйрөнүү ылдамдыгы, катмар саны, жашыруун бирдиктер саны, dropout катышы же дарак тереңдиги сыяктуу жөндөөлөрү кол менен сынап-көрүү аркылуу эмес, системалуу издөө ыкмасы менен оптималдаштырылат.

Бешинчи этапта классификация карталарына көпчүлүк добуш чыпкасы колдонулат. Бул чыпка пикселдин айланасындагы коңшуларды карап, өзүнчө калган ката чекиттерди азайтат. Мисалы, чоң күн карама участогунун ортосунда бир пиксел жаңылыш жүгөрү деп классификацияланган болсо, ал айланасындагы көпчүлүк класска жараша түзөтүлөт. Бирок чыпка өтө чоң болсо, тар каналдар, майда участоктор жана талаа чек аралары бүдөмүктөшү мүмкүн болгондуктан, изилдөө 3×3 терезени эң тең салмактуу вариант деп баалайт.

Акыркы этапта белгисиздик анализи жүргүзүлөт. Изилдөөчүлөр пикселдердин талаа чек арасына чейинки аралыкты эсептеп, классификация тактыгын 0–10 m, 10–20 m сыяктуу аралык тилкелеринде карашат. Ошентип ката жалпы тактык көрсөткүчү менен гана эмес, “талаанын кайсы жеринде ката өсөт?” деген суроо менен бирге бааланат.

Формулалар эмнени түшүндүрөт?

Бул изилдөө формулаларды оор теориялык баяндоо үчүн эмес, спутник маалыматын классификациялануучу маалыматка айландыруу үчүн колдонот.

NDVI формуласы жакын инфракызыл жана кызыл тилкенин ортосундагы айырманы колдонот. Дени сак жана жыш өсүмдүк каптоосу жакын инфракызыл жарыкты күчтүү чагылдырат, кызыл жарыкты болсо фотосинтезден улам көбүрөөк сиңирет. Ошондуктан NDVI өсүмдүктүн жандуулугун түшүнүүдөгү негизги көрсөткүчтөрдүн бири.

EVI формуласы да өсүмдүк каптоосун көзөмөлдөйт; бирок жыш өсүмдүк каптоосунда жана атмосфералык таасирлерде туруктуураак маалымат берүүнү көздөйт. Көк тилкени да эсепке алып, айрым атмосфералык четтөөлөрдү азайтууга аракет кылат.

NDWI формуласы жашыл жана жакын инфракызыл тилкелерди колдонуп, суу же нымдуу бет сигналын ажыратууга жардам берет. Айыл чарба аймактарында суу каналдары, нымдуу өсүмдүк каптоосу жана ачык суу беттери сыяктуу класстарды ажыратууда пайдалуу болушу мүмкүн.

Модель үйрөтүүдө кайчылаш энтропия жоготуусу колдонулат. Бул формула модель берген ыктымалдык менен чыныгы класстын ортосундагы айырманы өлчөйт. Модель туура класска жогорку ыктымалдык берген сайын жоготуу азаят; туура эмес класска ишеним арткан сайын жоготуу көбөйөт.

SNN жагындагы формулалар катмарлар арасында салмактар, bias маанилери жана ReLU активациясы менен жүргөн классикалык нейрон тармак логикасын көрсөтөт. Жөнөкөй айтканда, модель 7 өзгөчөлүктөн келген сандарды катмар сайын өзгөртүп, “бул пиксел күн карамабы, жүгөрүбү же суубу?” деген суроого жооп чыгарат.

1D-CNN формулалары спектралдык тилкелер менен индекстердин ортосундагы майда жергиликтүү байланыштарды кармоого аракет кылат. Сүрөттөгү эки өлчөмдүү мейкиндик коңшулугунун ордуна, бул жерде өзгөчөлүктөр тизмеги боюнча жылган кичинекей чыпкалар колдонулат.

LSTM формулалары кирүү, унутуу жана чыгуу дарбазалары аркылуу маалымат кантип сакталары жана чыгарылары жөнүндө баяндайт. LSTM адатта убакытка көз каранды тизмектерде күчтүү. Бирок бул изилдөөдө колдонулган өзгөчөлүктөр чыныгы убакыт катары эмес, көбүрөөк спектралдык-индекс вектору. Ошондуктан LSTMдин артыкчылыгы чектелүү болушу мүмкүн.

Көпчүлүк добуш чыпкасынын формуласы бир терезенин ичиндеги класстарды санап, борбордук пикселди эң көп кездешкен класска бөлөт. Бул жөнөкөй ыкма классификация картасындагы чачыранды жалгыз каталарды азайтат.

Чек таасиринин формуласы болсо ар бир пикселдин эң жакын талаа чек арасына чейинки аралыкты эсептейт. Ошентип модель ийгилиги жалпы орточо менен гана эмес, чек арага жакындык менен бирге окулат.

График / Таблица / Схеманын негизги билдирүүсү

Изилдөө аймагынын сүрөтү Yichang Сугаруу Аймагы Ички Монголиядагы Hetao Түздүгүндө жайгашканын жана аймак күн карама, жүгөрү, буудай, суу, жылаңач жер жана курулушталган аймак сыяктуу класстардан турган татаал айыл чарба мозаикасына ээ экенин көрсөтөт. Сүрөттүн негизги билдирүүсү — изилдөө тартиптүү жана бир типтүү талааларда эмес, сугаруу каналдары жана бөлүнгөн участоктор менен бөлүнгөн чыныгы айыл чарба географиясында жүргүзүлгөн.

NDVI ийри сызыктарын көрсөткөн графиктер өсүмдүктөр өсүү мезгили бою ар башка жашылдануу үлгүлөрүн көрсөтөрүн түшүндүрөт. Июль-Сентябрь аралыгында күн карама, жүгөрү жана башка өсүмдүктөрдүн ортосундагы айырма даана байкалат. Ошондуктан изилдөөчүлөр классификация үчүн ушул мезгилди тандашат. Окурман үчүн бул графиктердин негизги билдирүүсү мындай: Спутник модели өсүмдүктөрдү кокус датадан эмес, бири-биринен эң жакшы айырмаланган өсүү мезгилинде окууга аракет кылат.

Ыкманын агым схемасы изилдөө бир гана жасалма интеллект моделин куруудан турбай турганын көрсөтөт. Алгач спутник маалыматы даярдалат, андан кийин талаа үлгүлөрү менен модель үйрөтүлөт, соңунда Optuna менен модель жөндөөлөрү оптималдаштырылат, андан кийин көпчүлүк чыпкасы менен карта тазаланат жана акырында чек таасири анализи менен белгисиздик картасы алынат. Схеманын негизги билдирүүсү — тактык сыяктуу эле белгисиздиктин жайгашкан жерин түшүнүү да ыкманын бөлүгү.

Модель салыштыруу графиктеринде SNN күчтүү натыйжа көрсөткөнү көрүнөт. Башында SNN, CNN, Random Forest жана LSTM арасынан эң жогорку базалык тактыкка жетет. Оптималдаштырылгандан кийин да SNN алдыда калат. Бул жыйынтык бөлүнгөн айыл чарба аймактарында татаалыраак модель дайыма эле жакшы боло бербесин көрсөтөт.

Көпчүлүк добуш чыпкасынын графиги 3×3 терезе эң жакшы тең салмак бергенин көрсөтөт. Кичинекей терезе өзүнчө классификация каталарын тазалап, ошол эле учурда талаа чек араларын негизинен сактайт. Ал эми 5×5 жана өзгөчө 7×7 сыяктуу чоңураак терезелер картаны жылмакайыраак көрсөткөнү менен, майда участокторду, тар каналдарды жана чек сызыктарын ашыкча жумшартып жибериши мүмкүн.

Жергиликтүү классификация карталары чыпкадан мурда моделдер жалпы өсүмдүк түзүлүшүн кармаганын, бирок айрым пикселдерде чачыранды каталарды чыгарганын көрсөтөт. Чыпкадан кийин карталар бүтүндүүрөөк болот. Бул сүрөттөрдүн негизги билдирүүсү — жасалма интеллекттин чийки натыйжасы мейкиндик контексти менен бирге иштетилгенде пайдалуураак карталар алынат.

Өсүмдүк бөлүштүрүү карталары Yichang Сугаруу Аймагында күн карама үстөм фон өсүмдүгү сыяктуу кеңири таралганын, ал эми жүгөрү көбүрөөк белгилүү топтордо топтолгонун көрсөтөт. 2023-жылдан 2025-жылга карай жүгөрү аянттары айрыкча түндүк-батыштан борборго карай кеңейгени баяндалат. Бул өзгөрүү айыл чарба үлгүсү гана эмес; суу-топурак чектөөлөрү менен экономикалык кирешенин ортосундагы чыңалууну да чагылдырат.

Көп модель шайкештик карталары модель белгисиздиги кокус таралбаганын көрсөтөт. Чоң участоктордун ички бөлүктөрүндө моделдер көбүрөөк бир пикирде болсо, талаа чек араларында, жолдордо, каналдарда жана майда бөлүнгөн аймактарда модель пикир келишпестиги көбөйөт. Бул айыл чарба карталарындагы белгисиздиктин “географиялык түзүлүшү” бар экенин көрсөтөт.

Чек таасири графиктери чек арага эң жакын 0–10 метрлик аймактарда тактык байкаларлык төмөндөөрүн көрсөтөт. Бул төмөндөө бардык моделдерде көрүнөт; бирок SNN бул аймакта LSTMге караганда туруктуураак калат. Сүрөттүн негизги билдирүүсү ачык: картанын эң коркунучтуу жери участоктун ортосу эмес, анын чек арасы.

Тажрыйбалар кантип жүргүзүлгөн?

Изилдөө Кытайдын Ички Монголия аймагындагы Yichang Сугаруу Аймагында жүргүзүлгөн. Аймак Сары Дарыядан суу алган Hetao Сугаруу Районунун бөлүгү. Кургак-жарым кургак климат, жогорку буулануу, аз жаан-чачын, туздануу жана тыгыз сугаруу инфраструктурасы аймактын негизги өзгөчөлүктөрүнүн катарына кирет.

Маалымат булагы катары 2023, 2024 жана 2025-жылдардагы Sentinel-2 спутник сүрөттөрү колдонулган. Июль-Сентябрь аралыгында булуттуулугу ылайыктуу сүрөттөр тандалган. Булуттар QA60 тилкеси менен маскаланып, медианалык композит мамилеси аркылуу жылдык өсүү мезгилин чагылдырган тазараак сүрөттөр түзүлгөн.

Модель кириши катары 7 өзгөчөлүк колдонулган: көк, жашыл, кызыл жана жакын инфракызыл тилкелер, ошондой эле NDVI, EVI жана NDWI индекстери. Мындан тышкары, Май-Октябрь аралыгындагы айлык NDVI ийри сызыктары классификацияда түздөн-түз колдонулбаса да, өсүмдүктөрдүн фенологиялык айырмасы кайсы мезгилде күчтүү экенин көрүү үчүн жардамчы анализ катары бааланган.

Талаа иштери аркылуу жети класс үчүн үлгү маалымат түзүлгөн: күн карама, жүгөрү, буудай, башка өсүмдүктөр, жылаңач жер, курулушталган аймак жана суу. Үлгүлөр тең салмакталган жана үйрөтүү/валидация маалыматтарына бөлүнгөн. Ошентип модель үстөм класстарга гана ооп кетпеши көздөлгөн.

Төрт модель бир эле маалымат менен салыштырылган: Random Forest, SNN, 1D-CNN жана LSTM. Моделдердин жөндөөлөрү Optuna менен оптималдаштырылган. Ийгилик көрсөткүчтөрү катары жалпы тактык, Kappa, F1 көрсөткүчү жана mIoU колдонулган. Андан кийин классификация карталарына 3×3, 5×5 жана 7×7 көпчүлүк чыпкалары колдонулуп, кайсы терезе өлчөмү эң жакшы тең салмак берери сыналган.

Акырында талаа чек араларына чейинки аралык боюнча тактык анализи жүргүзүлгөн. Пикселдердин чек арага чейинки аралыгы эсептелип, модель көрсөткүчү 0–10 m, 10–20 m сыяктуу аралык тилкелеринде каралган. Бул бөлүм изилдөөнүн эң баалуу жактарынын бири; анткени “модель ийгиликтүүбү?” деген суроо менен гана эмес, “ийгилик кайсы жерде төмөндөйт?” деген суроого да жооп издейт.

Жыйынтыктар эмнени көрсөтөт?

Биринчи жыйынтык — SNN модели бөлүнгөн айыл чарба аймактарында күтүлгөндөн күчтүү натыйжа көрсөттү. Оптималдаштырууга чейинки базалык салыштырууда SNN эң жогорку жалпы тактыкты берет. Optuna менен оптималдаштырылгандан кийин SNNдин жалпы тактыгы 0.925ке чыгат. Андан кийин 1D-CNN 0.919, Random Forest 0.907 жана LSTM 0.896 менен келет.

Экинчи жыйынтык — көпчүлүк добуш чыпкасы картанын сапатын олуттуу жогорулатат. Эң жакшы жыйынтык 3×3 чыпка менен алынат. Бул чыпка SNN моделинин жалпы тактыгын 0.953кө көтөрөт. Чоңураак чыпкалар алгач жылмакайыраак карталарды бере алат; бирок майда талаа бөлүктөрүн жана тар чек араларды ашыкча жумшарткандыктан тактык төмөндөшү мүмкүн.

Үчүнчү жыйынтык — аймактагы өсүмдүк түзүмүн “күн карама матрицасы жана жүгөрүнүн топтолушу” деп кыскача сүрөттөөгө болот. Күн карама кеңири жана үзгүлтүксүз үстөм өсүмдүк бойдон калса, жүгөрү көбүрөөк белгилүү аймактарда топтолот. 2023-жылдан 2025-жылга чейин жүгөрү аянты өсөт; күн карама аянты болсо азаят. Макала бул өзгөрүүнү экономикалык стимулдар, суу-топурак чектөөлөрү жана өсүмдүк тандоосунун ортосундагы тең салмак менен байланыштырат.

Төртүнчү жыйынтык — модель белгисиздиги эң көп талаа чек араларында топтолот. Чек арадан 0–10 m алыстыктагы пикселдерде тактык бардык моделдерде төмөндөйт. Мунун негизги себеби — аралаш пиксел таасири. Бир пикселдин ичинде өсүмдүк, жол, канал, талаа чек арасы же ар башка өсүмдүк класстары чогуу чагылдырылышы мүмкүн. Бул аймактарда SNN LSTMге караганда туруктуураак иштейт.

Бешинчи жыйынтык — жалпы тактык көрсөткүчү өзү жалгыз жетишсиз. Модель жогорку жалпы тактык бере алат; бирок чек аймактарында системалуу ката кетирсе, суу башкаруу, өсүмдүк аянтын эсептөө же жерди пландоо үчүн кооптуу жыйынтыктарды жаратышы мүмкүн. Ошондуктан изилдөө айыл чарбадагы жасалма интеллект колдонмолорунда белгисиздик карталары да түзүлүшү керек экенин катуу эскертет.

Бул эмне үчүн маанилүү?

Кургак аймактарда айыл чарбаны пландоо өндүрүш көлөмүнө гана эмес, суу бюджетине да байланыштуу. Кайсы өсүмдүк кайсы аянтта өстүрүлөрүн так билүү сугаруу талабына, суу бөлүштүрүүгө жана жер пайдалануу чечимдерине таасир этиши мүмкүн. Күн карама сыяктуу чыдамдуураак өсүмдүктөр менен жүгөрү сыяктуу көбүрөөк суу жана ылайыктуу топурак шартын талап кылган өсүмдүктөрдүн мейкиндик бөлүштүрүлүшүн көзөмөлдөө суу чектөөсү бар аймактар үчүн стратегиялык маалымат бере алат.

Бул изилдөө жасалма интеллект колдогон айыл чарба карталары “кооз түстүү карта” гана чыгарбоого тийиш экенин көрсөтөт. Картанын кайсы жери ишенимдүү, кайсы жери белгисиз экенин да билүү керек. Анткени талаа чек араларында майда көрүнгөн каталар аянт эсептөөдө, өсүмдүк статистикасында же суу пландоодо чоңоюшу мүмкүн.

Изилдөөнүн дагы бир маанилүү жагы — модель татаалдыгы тууралуу божомолдорду суроо астына коюшу. LSTM сыяктуу өнүккөндөй көрүнгөн моделдер ар бир маалымат түрүндө автоматтык түрдө жакшыраак жыйынтык бербейт. Эгер маалымат чыныгы убакыт катары эмес, статикалык спектралдык өзгөчөлүктөрдөн турса, жөнөкөйүрөөк SNN модели туруктуураак иштеши мүмкүн. Бул табылга жасалма интеллект долбоорлорунда “эң татаал модель” эмес, “маалыматка эң ылайыктуу модель” тандоонун маанисин эске салат.

Мындан тышкары, көпчүлүк добуш чыпкасы сыяктуу салыштырмалуу жөнөкөй иш туура масштабда колдонулганда модель натыйжасын олуттуу жакшырта алат. Бул айыл чарба жасалма интеллектинде модель архитектурасы гана эмес, алдын ала жана кийинки иштетүү этаптары да ийгиликти аныктай турганын көрсөтөт.

Көңүл буруучу жагдайлар

Бул изилдөө preprint болуп саналат. Башкача айтканда, жыйынтыктар азырынча рецензиядан өтө элек. Ошондуктан табылгаларды бекитилген илимий жыйынтык катары эмес, бааланып, ар башка шарттарда сыналышы керек болгон методикалык салымдар катары окуу зарыл.

Изилдөө бир гана аймакка багытталган. Yichang Сугаруу Аймагы кургак-жарым кургак климат, туздануу, сугаруу каналдары, бөлүнгөн участоктор жана белгилүү өсүмдүк түзүмдөрү менен өзгөчө география. Ушул эле модель көрсөткүчү башка өлкөлөрдө, башка өсүмдүктөрдө, башка участок көлөмдөрүндө же башка спутник сүрөттөрүндө так ушундай алынбашы мүмкүн.

Sentinel-2нин 10 m чечилиши көп айыл чарба колдонмолору үчүн пайдалуу болгону менен, майда участоктор жана тар чек аралар үчүн чектелүү болушу мүмкүн. Айрыкча 0–10 m чек аймактарында аралаш пиксел көйгөйү физикалык чектөө катары чыгат. Бул жакшыраак модель менен гана толук чечиле турган көйгөй эмес; жогорку чечилишке ээ маалымат же sub-pixel анализ талап кылынышы мүмкүн.

Изилдөөдө ыкма схемасы көп булактуу маалымат интеграциясын айтса да, маалымат сүрөттөмөсүндө негизги классификация кириши Sentinel-2 тилкелери жана индекстерине негизделген. Мындай методикалык деталдар кийинки версияларда ачыгыраак көрсөтүлүшү керек.

Модель ийгилиги тең салмакталган талаа үлгүлөрүнө жана тандалган Июль-Сентябрь терезесине көз каранды. Ар башка өсүү мезгилдеринде, булуттуу сезондордо же фенологиялык жактан бири-бирине көбүрөөк окшогон өсүмдүктөрдө көрсөткүч өзгөрүшү мүмкүн.

Көпчүлүк чыпкасы туура тандалганда пайдалуу; бирок терезе чоңойсо, майда айыл чарба элементтерин өчүрүп салышы мүмкүн. Ошондуктан картаны түзөтүү иштери визуалдык жылмакайлыкка гана карап эмес, чек араны сактоо жана класс тактыгын чогуу баалоо менен жүргүзүлүшү керек.

Маалыматка жетүү “суроо боюнча берилет” деп көрсөтүлгөн. Бул көз карандысыз кайталанма өндүрүмдүүлүк жагынан ачык маалымат бөлүшүүдөй күчтүү эмес. Ыкманы башка изилдөөчүлөр сынашы үчүн маалыматка жана кодго жетүү маанилүү.

Жыйынтык

Бул preprint изилдөө спутник сүрөттөрү менен айыл чарба өсүмдүктөрүн карталоодо маанилүү жагдайга көңүл бурат: тактык орточо бир сан гана эмес; ал мейкиндик боюнча өзгөрөт. Бөлүнгөн айыл чарба аймактарында модель катасы өзгөчө талаа чек араларында, канал четтеринде, жолдордо жана майда участоктордо топтолот. Ошондуктан жакшы айыл чарба картасы “кайсы өсүмдүк кайда?” деген суроого гана эмес, “бул божомолдун кайсы бөлүгү белгисизирээк?” деген суроого да жооп бериши керек.

Изилдөөнүн табылгалары Yichang Сугаруу Аймагында күн карама үстөм өсүмдүк бойдон калганын, ал эми жүгөрү 2023–2025 аралыгында көбүрөөк аянтка жайылганын көрсөтөт. Бул өзгөрүү суу-топурак чектөөлөрү менен экономикалык кирешенин ортосунда калыптанган айыл чарба чечимдерин алыстан зонддоо аркылуу көзөмөлдөөгө болорун билдирет.

Жасалма интеллект жагындагы эң көңүл бурарлык жыйынтык — жөнөкөйүрөөк SNN модели бөлүнгөн жана аралаш пикселдүү айыл чарба аймактарында күчтүү көрсөткүч берген. 3×3 көпчүлүк чыпкасы менен бирге бул моделдин карта бүтүндүгү жана тактыгы өсөт. Бирок чек аймактарындагы аралаш пиксел көйгөйү кала берет. Ошондуктан келечектеги изилдөөлөрдү жогорку чечилишке ээ маалыматтар, радар сүрөттөрү, sub-pixel анализ жана метеорологиялык-гидрологиялык маалыматтар менен колдоо маанилүү болушу мүмкүн.

Эң этият түшүндүрмө мындай: Бул мамиле кургак сугаруу аймактарында өсүмдүк түзүмүн жакшыраак көзөмөлдөө үчүн күчтүү методикалык талапкер; бирок ар башка аймактарда, ар башка өсүмдүктөрдө жана ачыгыраак маалымат менен кайра сыналышы керек.

Булак жана ыкма жөнүндө эскертүү

Бул жазуу “An edge-effect-aware framework for uncertainty-resolved crop mapping and planting-structure monitoring in arid irrigation landscapes” аттуу preprint макаладан даярдалган. Изилдөө Кытайдагы Yichang Сугаруу Аймагында 2023–2025 мезгилине таандык Sentinel-2 өсүү мезгилинин сүрөттөрүн, талаа үлгүлөрүн, спектралдык тилкелерди, NDVI/EVI/NDWI индекстерин, Optuna негизиндеги модель оптималдаштырууну, көпчүлүк добуш чыпкасын жана чек таасири белгисиздик анализин чогуу колдонот.

Текст сөзмө-сөз котормо эмес. Макаладагы негизги идея, ыкма, формулалар, графиктер, таблицалар, тажрыйба агымы, жыйынтыктар жана чектөөлөр Verianla окурманы үчүн жөнөкөйлөштүрүлүп, оригиналдуу түркчө редакциялык мазмун түрүндө кайра баяндалган. Изилдөө preprint болгондуктан, табылгалар так колдонмо сунушу катары эмес, ар башка айыл чарба жана географиялык шарттарда тастыкталышы керек болгон изилдөө жыйынтыктары катары бааланышы зарыл.