Геомейкиндиктик жасалма интеллект (Geospatial Artificial Intelligence, GeoAI), географиялык маалымат системаларын, алыстан зонддоону, мейкиндиктик аналитиканы жана жасалма интеллект ыкмаларын мейкиндиктик шилтемеленген маалыматтар менен айкалыштырып, мониторинг, божомолдоо, оптималдаштыруу жана чечим кабыл алууну колдоону түзгөн тармактар аралык аналитикалык алкак болуп саналат. Бул системалуу сереп 2019–2026-жылдардагы адабияттардын негизинде так айыл чарбадагы GeoAI колдонмолорун карап чыгат; спутник сүрөттөрү, UAV маалыматтары, IoT жана proximal sensor өлчөөлөрү, аба ырайы/климат маалыматтары, топурак маалыматтары жана чарба башкаруу жазуулары кантип интеграцияланганын баалайт. Серепте өзгөчө белгиленген колдонуу тармактары crop yield estimation, pest and disease detection, soil parameter mapping, resource optimization, climate adaptation жана decision support systems болуп саналат. Негизги жыйынтык — GeoAI жалаң гана жогорку модель тактыгынан турбайт: мейкиндиктик көз карандылык, масштабдардын шайкеш эместиги, transferability, uncertainty, field validation, interpretability жана реалдуу иш агымына интеграция эске алынбаса, географиялык шилтемеленген модель операциялык айыл чарба чечим системасы деп эсептелбейт.

Сереп PRISMA 2020 отчеттуулук көрсөтмөсүнө таянган; Scopus жана Web of Science Core Collection негизги библиографиялык маалымат базалары катары колдонулуп, Google Scholar менен backward/forward citation searching кошумча издөө каналдары катары каралган. Далилдер өсүмдүк, аймак, сенсор, алгоритм, validation design жана баалоо метрикасы боюнча өтө гетерогендүү болгондуктан мета-анализ жүргүзүлгөн эмес; narrative жана thematic synthesis колдонулган.

Адабият жалпысынан бир гана маалымат булагына таянган карталоо жана божомолдоо иштеринен ар түрдүү сенсорлорду жана жазууларды бир decision-support чынжырында бириктирген системаларга карай жылууда. Ошого карабастан түшүмдүүлүк, ресурстарды пайдалануунун натыйжалуулугу, экологиялык пайда жана экономикалык кайтарым бардык географияларда автоматтык түрдө пайда болбойт. Натыйжалар өсүмдүктүн түрү, аймак, сенсор сапаты, calibration, жергиликтүү агрономиялык чектер, байланыш инфраструктурасы, чыгым, колдонуучунун мүмкүнчүлүгү жана колдонмонун чыныгы талаа шарттарында текшерилиши менен бирге бааланышы керек.

Геомейкиндиктик Жасалма Интеллект (GeoAI) Так Айыл Чарбада Эмне?

Геомейкиндиктик жасалма интеллект (GeoAI) айыл чарба байкоолорунун координатын гана колдонуу менен чектелбеген; GIScience, remote sensing, spatial statistics, machine learning, deep learning жана чечим аналитикасын мейкиндиктик жана убакыттык контекст менен айкалыштырып, белгилүү жайгашуулар үчүн божомол, карта, тобокелдик баасы же башкаруу сунушун чыгарган ыкмалар үй-бүлөсү болуп саналат.

Так айыл чарба эмне үчүн мейкиндиктик маселе?

Талаа бир тектүү өндүрүш аянты эмес. Crop performance, soil fertility, pest pressure, water availability жана management response бир эле жердин ичинде да орунга жана убакытка жараша өзгөрүшү мүмкүн. Так айыл чарбанын негизги максаты — бул айырмачылыкты жоготпой байкоо жүргүзүү жана зарыл болгондо бир эле талаанын ичинде ар башка башкаруу чечимдерин колдонуу.

Ошондуктан GeoAIнин илимий милдети жөн гана “талаанын сүрөтүн классификациялоо” эмес. Модель алган маалымат кайсы жерде жарактуу экени, кайсы аянтты чагылдырганы, кайсы мезгилге таандык экени, коңшу байкоолор менен канчалык байланышта экени жана сунуш кайсы management scale деңгээлинде колдонулары да талдоонун бөлүгү болуп саналат.

GeoAI экосистемасынын маалымат булактары

Figure 1дин илимий архитектурасы

Булак Figure 1де GeoAI системасын беш катмарлуу маалымат агымы катары түзөт. Биринчи катмарда спутник сүрөттөрү, UAV сүрөттөрү, proximal/IoT сенсорлору, аба ырайы–климат маалыматтары жана топурак/чарба жазуулары бар. Экинчи катмар spatial–temporal integration: ар түрдүү булактар стандартташтырылат, шайкеш келтирилет, бириктирилет, сапат көзөмөлүнөн өткөрүлөт жана документтештирилет.

Үчүнчү катмар cloud жана edge services болуп саналат. Маалыматты сактоо, streaming, computation, containers, GIS databases жана API инфраструктуралары ушул жерде жайгашышы мүмкүн. Төртүнчү катмар GeoAI analytics: spatial statistics, machine learning, deep learning, computer vision, explainability жана uncertainty analysis.

Акыркы катмар validated decision support болуп саналат. Булак бул жерде crop-health/yield forecasts, pest and disease scouting priorities, prescription maps жана irrigation/soil/climate advisories сыяктуу чыгыштарды көрсөтөт. Бул түзүм модель божомолу акыркы продукт эмес, текшерилген айыл чарба чечимине алып баруучу аралык катмар экенин баса белгилейт.

Change-of-support көйгөйү эмне?

Ар башка сенсорлордон келген байкоолор бир эле нерсени бирдей физикалык таянычта өлчөбөйт. Спутниктин бир пиксели ондогон же жүздөгөн чарчы метр беттин орточо маанисин чагылдырышы мүмкүн. UAV пиксели канопинин алда канча кичине бөлүгүн чагылдырса, топурак нымдуулук сенсору бир чекит же чектелген sensing volume тууралуу маалымат берет.

Бул өлчөөлөрдүн баарын жалпы 10 m, 20 m же башка raster gridге кайра үлгүлөө математикалык жактан жалпы координата системасын түзүшү мүмкүн; бирок байкоолордун баштапкы spatial supportун бирдей кылбайт. Resampling жана interpolation дисперсияны, covariance жана мейкиндиктик үлгүлөрдү өзгөртүшү мүмкүн.

Ошондуктан multimodal GeoAI интеграциясы файлдарды жөн гана үстү-үстүнө коюу эмес. Support transformation, scale compatibility, temporal synchronization жана heterogeneous-input uncertainty моделге кандай өткөрүлөрү өзүнчө бааланышы керек.

Көп модалдуу маалымат эмне үчүн маанилүү?

Бир сенсор айыл чарба системасынын бардык физикалык абалын байкай албайт. Спутник сүрөттөрү кең аймакты кайталап байкай алат, бирок жеке өсүмдүктүн деталын чектелүү көрөт. UAV өтө жогорку мейкиндиктик детал берет, бирок кең аймак жана үзгүлтүксүз coverage чыгымын көбөйтүшү мүмкүн. IoT сенсору жергиликтүү жерде өтө тез-тез өлчөй алат, бирок бүт аянтты чагылдырбашы мүмкүн.

Multimodal fusion ыкмасында бул булактар бири-бирин толуктоочу маалымат алып келиши көздөлөт. Мисалы, yield forecasting системасы satellite time seriesти weather data, soil covariates, cultivar маалыматы жана management records менен бириктире алат. Ошондо модель canopy reflectance гана эмес, канопинин кайсы топурак, аба ырайы жана башкаруу шартында өнүккөнүн да баалай алат.

Серепте өзгөчө чыккан алты колдонуу тармагы

Кайсы AI ыкмалары колдонулат?

Серептин негизги жыйынтыгы “бир алгоритм бардык башка алгоритмдерден артык” деген эмес. Ар башка модель үй-бүлөлөрү ар башка маалымат түзүмдөрүндө жана милдеттерде колдонулат.

Random Forest жана башка ensemble ыкмалары tabular soil data жана орточо көлөмдөгү remote-sensing маалымат топтомдорунда туруктуулугу жана түшүндүрмөлүүлүгү үчүн көп колдонулат. CNNдер сүрөт негизиндеги crop-health, segmentation жана pest/disease detection милдеттеринде алдыда. RNN, LSTM жана GRU сыяктуу sequence моделдер weather, crop-growth жана yield time series үчүн колдонулат.

Vision Transformer жана hybrid CNN–Transformer системалары кеңири сүрөт контекстин жана multimodal representations моделдөө үчүн изилденүүдө. Graph-based models байкоолор ортосундагы байланыштарды ачык көрсөтүү пайдалуу болгон көйгөйлөрдө колдонулушу мүмкүн.

GeoAI workflow деңгээлинде multimodal fusion, GIS-based spatial analysis, Explainable AI (XAI), uncertainty quantification, digital twins жана cloud–edge processing моделдин айланасындагы системалык архитектураны түзөт.

Explainable AI жана uncertainty эмне үчүн чогуу маанилүү?

Модель irrigation, fertilization же pesticide application сыяктуу чыныгы башкаруу чечимине таасир этсе, жөн гана божомол классын көрсөтүү жетишсиз. Агроном же дыйкан кайсы маалымат чечимге таасир эткенин жана модель бул чечимге канчалык ишенерин билгиси келиши мүмкүн.

Сереп SHAP, LIME, Grad-CAM, surrogate models жана attention visualization сыяктуу XAI ыкмаларын талкуулайт. Uncertainty quantification ишеними төмөн prediction же prescriptionтарды field inspection үчүн белгилөөгө жардам бере алат.

Бул эки катмар ар башка суроолорго жооп берет: explainability “модель эмне үчүн мындай деди?” деген суроого; uncertainty болсо “моделдин айтканына канчалык ишенсе болот?” деген суроого багытталат.

Географиялык Шилтемеленген Маалымат Эмне Үчүн Өзүнчө Чыныгы GeoAI Эмес?

Маалыматтын координаты болушу же картада көрсөтүлүшү чыныгы мейкиндиктик reasoningди кепилдебейт; булак GeoAI spatial dependence, covariance, support, scale, regional heterogeneity, spatial validation жана transferability сыяктуу мейкиндиктик өзгөчөлүктөрдү samplingден чечим баскычына чейин ачык эске алышы керек деп эсептейт.

Мейкиндиктик көз карандылык

Географиялык жактан бири-бирине жакын айыл чарба байкоолору жалпы топурак, топография, климат, сугаруу же башкаруу шарттарын бөлүшүшү мүмкүн. Ошондуктан классикалык көз карандысыз байкоо божомолу дайыма жарактуу боло бербейт.

Мейкиндиктик статистика бул көз карандылыкты covariance, variogram, kriging, spatial Bayesian models же башка spatial models аркылуу ачык моделдей алат. GeoAIнин “geospatial” касиети да жөн гана latitude/longitude тилкесинен эмес, бул байланыштар аналитикалык түзүмгө кандай киргизилгенинен келип чыгат.

Spatial leakage

Мисалы, бир талаанын бири-бирине өтө жакын эки пикселинин бири кокусунан training, экинчиси test тобуна түшсө, test үлгүсү окутуу маалыматынан көз карандысыз болбой калышы мүмкүн. Модель аймактын мейкиндиктик касиеттерин буга чейин кыйыр түрдө көргөн болот.

Мындай учурда random train–test split адаттагыдан жогору performance metric бере алат. Булак intended deploymentга ылайык spatially blocked validation, leave-location-out, cross-region validation же temporal holdout сыяктуу татаалыраак дизайндарды колдонууну сунуштайт.

Deep learning мейкиндиктик reasoningди автоматтык түрдө бербейт

CNN сүрөт textureсын абдан жакшы үйрөнө алат; бирок сүрөттүн географиялык коңшулук түзүмүн же кайсы мейкиндиктик масштабда жарактуу экенин сөзсүз чагылдырбайт. Transformer да positional же spatial representation маанилүү түзүлбөсө, модель архитектурасынын өзү эле чыныгы географиялык reasoningди камсыз кылбайт.

Ошондуктан жогорку accuracy өзүнчө чыныгы GeoAIнин далили эмес. Модель кайсы field, region, season, sensor жана spatial scale үчүн жарактуу экени да көрсөтүлүшү керек.

Mapped output менен spatially informed product ортосундагы айырма

Модель predictionын картага айлантууга болот; бирок картага түшүрүлгөн чыгыш менен мейкиндиктик жактан текшерилген продукт бир нерсе эмес. Spatially informed workflow sampling strategy, spatial dependence, support, validation geography, uncertainty жана scale маалыматтарын документтештирип, колдонуучуга модель кайсы жерде колдонуларын түшүндүрөт.

Figure 3: Операциялык GeoAI pipeline

Сүрөттө Amazon S3, EC2, Kubernetes, Jupyter, SageMaker, PostGIS, RDS, DynamoDB, GeoServer, WMS жана WFS сыяктуу технологиялар мисал катары көрсөтүлөт. Булак бул продуктуларды милдеттүү архитектура катары аныктабайт; AWS, Azure, Google Cloud, ачык булактуу, hybrid же on-premises инфраструктуралар ошол эле функционалдык чынжырды ишке ашыра алат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Серептин изилдөө суроолору

Системалуу сереп беш негизги суроого ылайык түзүлгөн: GeoAIнин учурдагы колдонуу тармактары жана алардын өнүгүшү; колдонулган GeoAI/ML ыкмалары жана маалымат булактары; productivity, resource efficiency, environmental sustainability жана operational decision making боюнча далилдер; кеңири масштабда колдонууга тоскоол болгон техникалык, операциялык, социалдык-экономикалык жана башкаруу маселелери; кийинки муундагы GeoAI системалары үчүн изилдөө боштуктары.

Адабият издөө стратегиясы

2019-жылга чейинки басылмалар негизги empirical evidence көлөмүн кеңейтүү үчүн эмес; зарыл spatial/geostatistical/remote-sensing/AI ыкмаларынын негизин түшүндүрүү, кеңири колдонулган conceptual framework берүү же жаңы адабияттарды чечмелөө үчүн benchmark context түзүү максатында сакталган.

Киргизүү жана чыгаруу логикасы

Изилдөө камтууда калышы үчүн айыл чарба көйгөйү, мейкиндиктик же georeferenced маалымат жана AI негизиндеги аналитика ортосунда ачык байланыш болушу керек. AI колдонгон, бирок geospatial component камтыбаган иштер жана GIS/remote sensing колдонгон, бирок AI analytical component камтыбаган иштер чыгарылган.

Кыска abstract, poster, editorial, opinion, non-English record жана методологиялык жактан баалоого мүмкүн болбогон жазуулар да чыгарылган. Journal quartile же impact-factor cut-off колдонулган эмес; журналдын аброю methodological qualityнин ордуна колдонулган эмес.

PRISMA эсептериндеги булак ичиндеги дал келбестик

Эки отчет берүү формасы тең 290 жазууга келет; бирок duplicate жана ineligible категорияларынын бөлүштүрүлүшү бири-бирине туура келбейт. Булак муну өзүнчө reconciliation менен түшүндүрбөйт. Verianla бул маанилердин бирин унчукпай “туура” деп кабыл албайт.

Screeningден кийинки агым

Түшүндүрмө чеги: 134 мааниси cross-pathway deduplication жана бир эле изилдөөнү сүрөттөгөн multiple reports reconciliation процессине чейинки ылайыктуу отчеттордун саны болуп саналат. Булак бул маанини текшерилген уникалдуу изилдөөлөрдүн саны катары колдонбоо керектигин ачык айтат.

Маалыматтарды чыгарып алуу

Бир изилдөөчү ар бир ылайыктуу жазуудан publication year, study type, crop/agricultural system, country/region, application domain, sensing platform, data source, spatial/temporal scale, algorithm, evaluation metric, reported outcome, implementation barrier жана future-research need маалыматтарын коддогон.

Ыкмалар traditional ML, DL, Transformer-based models, object detection/segmentation, multimodal fusion, GIS spatial analysis, XAI, uncertainty quantification, digital twins жана dashboard-based decision support сыяктуу үй-бүлөлөргө бөлүнгөн.

Validation өзүнчө далил катмары катары коддолду

Модель метрикасы менен validation design өзүнчө коддолгон. Изилдөөлөр мүмкүн болгондо random validation, temporally independent validation, spatially independent validation, external-site validation же field/operational validation катары классификацияланган.

Бул айырмачылык өтө маанилүү. Моделдин random splitте жогорку accuracy көрсөтүшү башка талаада же аймакта да ошол эле ийгиликке жетерин далилдебейт. Ошондой эле soil moisture же disease probability божомолу бул prediction чыныгы management decisionду жакшыртканын көрсөтпөйт.

Сапатты баалоо тармактары

GeoAIде Жогорку Модель Тактыгы Эмне Үчүн Операциялык Ийгиликти Далилдебейт?

Жогорку accuracy, F1, R² же ушуга окшогон prediction метрикасы белгилүү evaluation дизайнындагы модель ийгилигин гана көрсөтөт; операциялык так айыл чарба ийгилиги үчүн модель жаңы жайларга жана мезгилдерге өткөрүлө алышы, анын белгисиздиги белгилүү болушу, чыгыш иш жүзүндө колдонулуучу башкаруу чечимине айланышы жана бул чечим суу, input, түшүмдүүлүк, чыгым же башка чыныгы талаа натыйжалары боюнча текшерилиши керек.

Sensing менен action ортосундагы далил баскычтары

Булак өзгөчө irrigation мисалын колдонуп төрт баскычтуу логиканы түшүндүрөт:

Ошондуктан операциялык текшерүү water application, water-use efficiency, crop yield/quality, energy consumption, irrigation timing жана over-/under-irrigation сыяктуу натыйжаларды conventional management же ылайыктуу baseline менен салыштырышы керек.

Өндүрүмдүүлүк жана божомолдоо

Yield prediction серепте салыштырмалуу жетилген GeoAI тармактарынын бири. Satellite time series, weather, soil, cultivar жана management-zone маалыматтарын бирге колдонуу бир vegetation indexке таянган моделге караганда кеңири prediction context бере алат.

Бирок булак бул моделдердин баары үчүн жалпы accuracy өсүшүн эсептебейт. Изилдөөлөрдө crop, region, metric жана validation дизайндары ар башка болгондуктан, жалпы мета-аналитикалык көрсөткүч чыгарылган эмес.

Зыянкечтерди жана ооруларды аныктоо

CNN, Vision Transformer, object detector жана segmentation ыкмалары crop stress, pest жана disease symptoms үчүн кеңири колдонулууда. Бирок controlled image dataset көрсөткүчү illumination, phenology, cultivar, background жана disease severity өзгөргөндө ошол бойдон калбашы мүмкүн.

Operational pest/disease management үчүн cross-domain transferability жана field-scale validation керек.

Топуракты карталоо

GeoAI soil mapping изилдөөлөрүндө field samples, proximal sensing, terrain attributes, satellite products жана environmental covariates бириктирилиши мүмкүн. Remote sensingдин агрономиялык мааниси ground truth менен байланыштырылганда жогорулайт.

Жаңы талааларга өткөрүү үчүн spatially blocked validation, local calibration, uncertainty estimates жана agronomically interpretable management outputs маанилүү.

Ресурстарды оптималдаштыруу

Resource optimization тармагы irrigation, fertilization, pesticide application жана machinery operationsду камтыйт. Model recommendationдарды техникалык жактан гана түзүү жетишсиз; алар local agronomic thresholds, equipment constraints, farmer risk tolerance жана labor requirements менен шайкеш болушу керек.

Экологиялык туруктуулук

Азыраак water, fertilizer же pesticide колдонуу runoff, pollution же emissions боюнча пайда бериши мүмкүн. Бирок санариптик технологиянын environmental footprintи талаадагы input reduction менен гана өлчөнбөйт.

Device manufacturing, electricity demand, cloud/data infrastructure жана rebound effects сыяктуу жашоо циклинин компоненттери да эске алынышы керек. Ошондуктан изилдөө environmental sustainability gainsти шартсыз жыйынтык катары көрсөтпөйт.

Экономикалык жана операциялык ишке ашыруучулук

Initial investment, subscription costs, connectivity, equipment compatibility, technical support жана user training adoptionду аныкташы мүмкүн. Булак келечекте model metricтерге кошумча return on investment, implementation cost, labor saving жана operational resilience сыяктуу көрсөткүчтөрдү да баалоону сунуштайт.

GeoAI алдында турган негизги тоскоолдуктар

Келечектеги изилдөө багыттары

Multimodal AI fusion

Келечектеги multimodal системаларда ар башка featureларды бир гана векторго бириктирүү жетиштүү деп эсептелбейт. Spatial support, temporal frequency, measurement uncertainty жана sensor failure mode сыяктуу айырмачылыктар архитектуранын ичинде ачык башкарылышы сунушталат.

Generative AI

GAN жана diffusion моделдери сейрек pest events, imbalanced disease classes же аз белгиленген crop stages үчүн synthetic training data бере алат. Бирок generated samples чыныгы биологиялык жана мейкиндиктик бөлүштүрүүлөрдү бузушу мүмкүн.

Ошондуктан synthetic-data изилдөөлөрү aggregate accuracyны гана эмес, spatial generalization, calibration, uncertainty жана field transferге таасирин да отчеттошу керек.

Explainable AI

XAI кайсы pixel же variable маанилүү экенин көрсөтүү менен эле чектелбеши керек. Түшүндүрмө кайсы географияда, кайсы scaleде жана кайсы uncertainty шартында жарактуу экени да көрсөтүлүшү керек.

Edge AI

UAV, robot, smart trap, irrigation controller жана dense IoT networks көбөйгөн сайын field-side processing маанилүү болуп барат. Edge AI latency жана bandwidth талаптарын азайтышы мүмкүн; бирок lightweight models, compression, sensor-quality control жана байланыш үзүлгөндө коопсуз fallback behavior керек.

Data privacy жана participatory design

Айыл чарба маалыматтары land productivity, input use, чарба практикасы жана location-specific vulnerabilities тууралуу сезимтал коммерциялык маалыматты камтышы мүмкүн. Consent, confidentiality, geoprivacy жана ownership ошондуктан системанын дизайнына кийин кошула турган эмес, негизги компоненттер болушу керек.

Булак келечектеги системаларды farmer, agronomist, advisor, cooperative жана platform providerлер менен бирге долбоорлоону жактайт.

AI regulation

GeoAI irrigation, fertilization, pesticide application, credit, insurance же sustainability reportingге таасир эткенде accountability, liability, transparency жана data rights дагы маанилүү болуп калат.

Operational системалар үчүн validation geography, auditability, uncertainty communication, privacy protection жана human oversight боюнча минималдуу күтүүлөрдү аныктоо сунушталат.

Foundation models

Foundation models ар түрдүү crops, regions, sensors жана tasks арасында reusable representations бере алат. Ири тил моделдери жана DINOv2/DINOv3 сыяктуу self-supervised vision моделдери бул багыттын жалпы технологиялык мисалдары катары талкууланат.

Бирок agricultural foundation modelдер spatial transfer, phenological robustness, sensor compatibility, bias, explainability жана uncertainty боюнча текшерилмейинче general-purpose agricultural solution катары кабыл алынбашы керек.

Изилдөө колдогон жыйынтыктар

Сереп GeoAI адабияты isolated mapping жана isolated predictionдан multimodal, integrated decision-support workflows багытына өтүп жатканын колдойт.

Сереп satellite, UAV, IoT, weather, soil жана management dataны бирге колдонуу ар түрдүү мейкиндиктик жана убакыттык маалымат булактарын өз ара толуктай аларын колдойт.

Сереп yield estimation, pest/disease detection, soil mapping, irrigation жана resource optimization тармактарында пайдалуу predictive жана decision-support колдонмолор бар экенин колдойт.

Сереп georeferenced input өзү эле чыныгы spatial AI үчүн жетишсиз экенин жана spatial dependence, scale, support, validation geography жана uncertainty эске алынышы керектигин колдойт.

Сереп trustworthy GeoAI үчүн explainability, uncertainty quantification, interoperability, field validation жана operational integration model accuracy сыяктуу эле маанилүү экенин колдойт.

Изилдөө колдобогон жыйынтыктар

Сереп кайсы бир AI архитектурасы бардык precision-agriculture көйгөйлөрүндө эң мыкты модель экенин көрсөтпөйт.

Сереп жогорку random-validation accuracy cross-region же field deployment ийгилигине кепилдик берерин көрсөтпөйт.

Сереп georeferenced CNN же Transformer автоматтык түрдө spatial reasoning жасай турганын көрсөтпөйт.

Сереп бардык GeoAI колдонмолору yield, water saving, fertilizer reduction же environmental impact боюнча так жана бирдей деңгээлде пайда берет деп көрсөтпөйт.

Сереп санариптик айыл чарбанын экологиялык таасири бардык учурда оң экенин көрсөтпөйт.

Сереп foundation model же generative AI системалары учурдагы specialized geospatial ыкмаларды алмаштырууга даяр экенин көрсөтпөйт.

Сереп PRISMA Figure 2деги 134 мааниси так 134 уникалдуу көз карандысыз изилдөө экенин көрсөтпөйт.

Серептин өз чектөөлөрү

Негизги systematic search негизинен Scopus жана Web of Scienceка таянат; gray literature, proprietary deployment жана айрым regional publications жетишсиз калышы мүмкүн.

Англис тилиндеги басылмаларды гана systematic screeningге киргизүү айрым аймактардын адабиятта чыныгыдан азыраак көрсөтүлүшүнө алып келиши мүмкүн.

GeoAI тез өзгөргөн тармак болгондуктан, эң жаңы системалар peer-reviewed адабиятта али жарыяланбай калышы мүмкүн.

Каралган изилдөөлөрдө crop, geography, sensor, scale, model, validation жана metric боюнча жогорку гетерогендүүлүк бар; ошондуктан statistical meta-analysis жүргүзүлгөн эмес.

Title/abstract screening, full-text eligibility assessment, quality assessment жана data extraction бир изилдөөчү тарабынан жүргүзүлгөн. Independent duplicate assessment болбогону selection bias, missed-study жана coding-error тобокелдигин жогорулатат.

Булактагы PRISMA narrative менен Figure 2нин screeningге чейинки чыгаруу категориялары толук дал келбейт.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш: Geospatial Artificial Intelligence in Precision Agriculture: A Systematic Review of Applications, Multimodal Data Integration, and Decision Support

Автор: César de Oliveira Ferreira Silva

Аффилиация: StormGeo, São Paulo 05110903, Brazil.

Corresponding author: PDFде өзүнчө corresponding-author белгиси көрсөтүлгөн эмес; жалгыз автордун байланыш электрондук почтасы берилген.

Журнал: AI and Precision Agriculture

Басмакана: MDPI

Том / Саны / Макала: 1 / 1 / 4

DOI: 10.3390/aipa1010004

Даталар: Алынды: 4 Июль 2026; кайра каралды: 17 Сентябрь 2026; кабыл алынды: 20 Сентябрь 2026; жарыяланды: 22 Сентябрь 2026.

Булак түрү: Systematic Review.

Рецензиялоо: Макала эл аралык рецензияланган AI and Precision Agriculture журналында жарыяланган.

Версия: Version of Record.

Лицензия: Creative Commons Attribution (CC BY). PDFдеги көрүнүп турган лицензия сабында версия номери өзүнчө жазылган эмес, ошондуктан лицензиянын версиясы божомолдонгон эмес.

Review reporting framework: PRISMA 2020.

Негизги жарыялоо терезеси: 2019–2026; методологиялык же концептуалдык жактан зарыл болгон айрым мурунку негизги изилдөөлөр сакталган.

Негизги маалымат базалары: Scopus жана Web of Science Core Collection.

Supplementary discovery: Google Scholar жана backward/forward citation searching.

Scopus издөө датасы: 2 Июль 2026.

Web of Science издөө датасы: 4 Июль 2026.

Тил чектөөсү: English.

Негизги synthesis ыкмасы: Narrative жана thematic synthesis; statistical meta-analysis жүргүзүлгөн эмес.

Research questions: Application domains; GeoAI/ML methods жана data sources; agricultural effectiveness; implementation/adoption barriers; future research directions.

Application-domain класстары: Crop yield estimation; pest and disease detection; soil parameter mapping; resource optimization; climate adaptation; decision support systems.

Негизги GeoAI техникалары: Multimodal fusion, GIS-based spatial analysis, spatial statistics, XAI, uncertainty quantification, digital twins, real-time/near-real-time processing.

Негизги ML/DL ыкмалары: Random Forest, ensemble methods, SVM, XGBoost, CNN, RNN, LSTM, GRU, Vision Transformer, YOLO/object detection, DNN жана graph-based models.

Негизги маалымат булактары: Satellite imagery, UAV imagery, IoT/proximal sensing, weather/climate data, soil measurements, vegetation indices жана farm-management records.

Validation классификациясы: Random; temporally independent; spatially independent; external-site; field/operational validation.

PRISMA боюнча критикалык эскертүү: Narrative method text screeningге чейин 194 duplicate + 99 outside-scope + 49 other removal деп билдирсе, Figure 2 127 duplicate + 166 automation-ineligible + 49 other removal көрсөтөт. Эки жол тең 290 screened recordга келет, бирок категориялардын бөлүштүрүлүшү дал келбейт.

134 санынын статусу: Database pathwayден 128 жана supplementary pathwayден алты eligible report болуп жалпы 134, cross-pathway deduplication жана multiple-report reconciliationга чейинки combined eligible-report саны; аны текшерилген unique-study count катары колдонбоо керек.

Негизги мейкиндиктик методологиялык түшүнүк: Change-of-support problem; satellite pixel, UAV pixel, point sensor жана management zone ар башка spatial supportтарды билдирет жана common-grid resampling гана бул айырманы жок кылбайт.

Негизги validation эскертүүсү: Spatially dependent байкоолордо random train–test splitting spatial leakage жана optimistic performance жаратышы мүмкүн; intended deploymentга ылайык spatially blocked, leave-location-out, cross-region же temporal validation бааланышы керек.

Каржылоо: Изилдөө тышкы каржылоо алган эмес.

Маалыматтардын жеткиликтүүлүгү: Data жана materials corresponding authorдон негиздүү өтүнүч боюнча алынышы мүмкүн.

Author Contributions: Булакта өзүнчө Author Contributions бөлүмү жок.

AI колдонуу жөнүндө билдирүү: Acknowledgments бөлүмүнө ылайык автор ChatGPT 5.4тү текстти кайра кароо жана булакта “LETAX code” деп жазылган кодду оңдоп, оптималдаштыруу үчүн колдонгон; натыйжаны өзү текшерип, редакциялап, басылманын мазмунуна жоопкерчиликти өзүнө алган.

Кызыкчылыктардын кагылышы: Автор StormGeo кызматкери. Булак изилдөө потенциалдуу кызыкчылыктардын кагылышына алып келиши мүмкүн болгон коммерциялык же финансылык мамилелерсиз жүргүзүлгөнүн билдирет.

Негизги systematic-review чектөөсү: Негизинен Scopus/Web of Science камтуусу, English-only screening, тез өзгөрүп жаткан адабият жана бардык screening/extraction иштеринин бир изилдөөчү тарабынан жүргүзүлүшү далилдердин камтуусун жана тандоо/коддоо ишенимдүүлүгүн чектейт.

Негизги илимий чечмелөө чеги: GeoAI адабияты так айыл чарба үчүн күчтүү prediction, monitoring жана decision-support мүмкүнчүлүктөрүн көрсөтөт; бирок жогорку модель метрикасы географиялык transferability, операциялык таасир, экономикалык баа же environmental sustainabilityнин автоматтык далили эмес.