Бул изилдөө токой өрттөрүн кыска толкундуу инфракызыл (Short-Wave Infrared, SWIR) спутник сүрөттөрүнөн айырмалоо максатында Sentinel-2нин B8, B11 жана B12 тилкелерин; оптикалык-электрондук пайдалуу жүк дизайнын, InGaAs сенсор моделдөөсүн, Hybrid CNN–ResNet50 терең үйрөнүү архитектурасын жана Grey Wolf Optimization (GWO) ыкмасын бирдиктүү алкакта бириктирет. Авторлор толук алкак үчүн %91,03 accuracy, %91,27 precision, %91,03 recall жана %91,01 F1-score билдиришкен. Бирок изилдөөдө көрсөтүлгөн 465 үлгүлүү confusion matrixтеги сандар бул performance metrics менен математикалык жактан дал келбейт; matrix клеткаларынан эсептелген жалпы accuracy болжол менен %94,62. Ошондуктан ыкма үмүттөндүргөн классификация жыйынтыгын берди деп айтууга болгону менен, так ийгилик пайызы булак ичинде ырааттуу түрдө тастыкталбайт.

Изилдөөдө колдонулган негизги сүрөт кириши изилдөөчүлөр иштеп чыккан SWIR камерадан real-time түрдө алынган эмес. Эксперименттик классификация BC Wildfire Sentinel-2 маалымат топтомундагы offline спутник сүрөттөрүндө жүргүзүлгөн. Оптикалык линза системасы, SWIR фильтрлери, field of view, электрондук сигнал чынжыры жана InGaAs сенсор жүрүм-туруму болсо келечекте ишке ашырылышы мүмкүн болгон SWIR оптикалык-электрондук пайдалуу жүк үчүн концептуалдык жана математикалык түрдө моделденген. Демек, изилдөө орбитада же аба аппаратында иштеген физикалык өрт аныктоо payloadынын иштөөсүн далилдебейт.

Ыкмада B8 жакын инфракызыл (NIR), B11 SWIR-1 жана B12 SWIR-2 тилкелери 128 × 128 пикселге кайра өлчөмдөлүп, нормалдаштырылып, үч каналдуу 128 × 128 × 3 кириш tensorуна бириктирилген. Өрт менен байланышкан спектралдык өзгөчөлүктөр Normalized Burn Ratio (NBR), Normalized Difference Vegetation Index (NDVI) жана B12–B11 айырмасына негизделген термалдык аномалия ыкмасы менен каралган. Hybrid CNN–ResNet50 модели CNN бутагындагы локалдуураак мейкиндик өзгөчөлүктөрүн ResNet50 бутагындагы тереңирээк семантикалык өзгөчөлүктөр менен бириктирген; GWO болсо learning rate, batch size, dropout жана trainable ResNet50 layers сыяктуу гиперпараметрлерди издөө үчүн колдонулган.

Түркия жагынан: SWIR негизиндеги алыстан зонддоо Түркиянын токой өрт коркунучу жогору аймактарында спутник, учкучсуз аба аппараты же келечекте иштелип чыга турган жергиликтүү байкоо payloadдары үчүн изилдөөгө татыктуу ыкманы сунуштайт. Бирок бул изилдөөнүн жыйынтыктары British Columbia булактуу Sentinel-2 маалымат топтомуна жана белгилүү бир бинардык классификация түзүлүшүнө негизделет. Түркиядагы өсүмдүк жамынтыгы, топография, атмосфералык шарттар, өрт түрлөрү жана сенсор геометриясы айырмаланышы мүмкүн болгондуктан, билдирилген performance пайыздарын Түркияга түздөн-түз өткөрүүгө болбойт; жергиликтүү маалымат жана реалдуу жабдуу менен validation талап кылынат.

Изилдөө чечүүгө аракет кылган көйгөй эмне?

Көрүнүүчү спектр сүрөттөрүнө негизделген өрт мониторинг системалары түтүн, туман жана төмөн жарык шарттарында бута айырмалоодо кыйналышы мүмкүн. Изилдөөнүн негизги ыкмасы кыска толкундуу инфракызыл спектралдык маалымат күйгөн бет, өсүмдүк нымдуулугу/стресси жана айрым термалдык аномалиялар жөнүндө көрүнүүчү сүрөттөн башкача маалымат алып жүрө алышынан пайдаланат.

Авторлор белгилеген адабият боштугу жогорку classification accuracy менен гана чектелбейт. Алар учурдагы изилдөөлөрдүн көбү программалык деңгээлдеги сүрөт классификациясына көңүл бурарын; SWIR оптикалык системаны, сенсорду, электрондук сигнал чынжырын, спектралдык feature extraction жана AI optimizationду бир end-to-end архитектурада жетиштүү бириктирбегенин белгилешет.

Сунушталган end-to-end система кантип иштейт?

Изилдөөнүн 1-сүрөтүндө процесс беш негизги этап менен берилет: Sentinel-2 негизиндеги сүрөттөрдү алуу, preprocessing, SWIR спектралдык feature extraction, Hybrid CNN–ResNet50 менен классификация жана GWO негизиндеги optimization. Акыркы этапта модель accuracy, precision, recall жана F1-score менен бааланат.

Бул программалык чынжырга параллелдүү түрдө изилдөөчүлөр келечектеги SWIR алыстан зонддоо системасынын физикалык тарабын билдирген payload архитектурасын аныкташат: оптикалык линза, SWIR фильтр, InGaAs detector, signal conditioning, analog-to-digital conversion, embedded controller жана data transmission module.

Sentinel-2 сүрөттөрү кантип даярдалды?

Оригинал маалымат топтому 516 PNG сүрөттөн турат: 258 wildfire жана 258 non-wildfire үлгүсү. Data augmentationдан кийин жалпы сүрөт саны 3096га көбөйтүлгөн. Изилдөөнүн Таблица 1инде 2167 сүрөт (%70) training жана 464 сүрөт (%15) validation топтому катары берилген. Test сабы таблицада жок, бирок жыйынтык бөлүмүндө 465 test үлгүсү колдонулганы айтылат; 2167 + 464 + 465 суммасы 3096.

Ар бир B8, B11 жана B12 тилкеси адегенде 128 × 128 пикселге кайра өлчөмдөлүп, өзүнчө нормалдаштырылган. Андан кийин үч тилке channel axis боюнча бириктирилип, 128 × 128 × 3 кириш tensorу түзүлгөн.

Сүрөттү кайра өлчөмдөө жана нормалдаштыруу кантип аныкталды?

Булакта кайра өлчөмдөө операциясы төмөнкү байланыш менен берилет:

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

Бул жерде \(I_r(x,y)\) кайра өлчөмдөлгөн сүрөттүн тиешелүү пикселин; \(I(x,y)\) оригинал сүрөттү; \(W\) жана \(H\) оригинал кеңдик жана бийиктикти; \(W_r\) жана \(H_r\) болсо максат кеңдик жана бийиктикти билдирет.

Intensity scaleдарды жалпы диапазонго келтирүү үчүн колдонулган min–max normalization:

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

түрүндө. \(I_n\) normalized pixel value, \(I_{min}\) жана \(I_{max}\) тиешелүү сүрөттүн minimum жана maximum intensity маанилерин билдирет.

Кайсы спектралдык тилкелер колдонулду?

Үч каналдуу классификация кириши B8, B11 жана B12 тилкелеринен түзүлгөн:

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

B8 жакын инфракызыл (NIR), B11 SWIR-1 жана B12 SWIR-2 маалыматтарын алып жүрөт. Изилдөөдө айрыкча B11 жана B12 күйгөн аймак, бет шарттары жана өсүмдүк нымдуулугу/стресси менен байланышкан спектралдык айырмачылыктарды кармоо үчүн колдонулганы айтылат.

Күйгөн аймак NBR менен кантип бааланды?

Normalized Burn Ratio (NBR) B8 жана B12 тилкелерин салыштырат:

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

Изилдөөнүн 7-сүрөтүндө wildfire жана non-wildfire көрүнүштөрүнүн NBR карталары жана айырма картасы көрсөтүлөт. Булак чечмелөөсүнө ылайык −1ге жакындаган төмөн NBR маанилери күйгөн аймактар менен, +1ге багытталган жогорку маанилер болсо ден соолуктуу өсүмдүк жамынтыгы менен байланышат.

Сүрөттө ошондой эле жогорку күйүү интенсивдүүлүгү үчүн NBR < −0,44; орто күйүү үчүн −0,44төн −0,27ге чейин; төмөн күйүү үчүн −0,27ден −0,10го чейин; күйбөгөн аймак үчүн −0,10дон 0,10го чейин жана ден соолуктуу өсүмдүк жамынтыгы үчүн 0,10дон жогору класстар көрсөтүлгөн. Бул thresholds изилдөө визуалында колдонулган классификация жана ар башка экосистемаларга автоматтык жалпыланбашы керек.

Өсүмдүк стресси жана термалдык аномалия кантип каралды?

Өсүмдүк жамынтыгын талдоо үчүн Normalized Difference Vegetation Index колдонулган:

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

Бул жерде B8 NIR, B4 болсо кызыл көрүнүүчү тилке. Бул теңдеме көңүл бурарлык түрдө үч каналдуу модель киришинде жок B4 тилкесин колдонот; NDVI спектралдык feature analysis ичинде аныкталса, classification tensor B8/B11/B12 аркылуу түзүлгөн.

Термалдык аномалия көрсөткүчү булакта жөнөкөй SWIR тилке айырмасы менен берилет:

\[ T_a=B12-B11 \]

\(T_a\) термалдык аномалия маанисин, B12 жана B11 тиешелүү тилке intensityлерин билдирет. Бул байланыш түз физикалык surface temperature өлчөөсү эмес; изилдөө аны SWIR band intensity айырмасына негизделген anomaly indicator катары колдонот.

SWIR оптикалык пайдалуу жүк кантип моделденди?

Сунушталган пайдалуу жүк оптикалык линза системасынан, SWIR фильтрлерден, imaging optics жана field-of-view түзүлүшүнөн турат. Thin-lens байланышы:

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

түрүндө берилген. \(f\) focal length, \(d_o\) Жер бети менен линза ортосундагы object distance жана \(d_i\) image distance.

Оптикалык magnification:

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

деп аныкталат.

Булакта SWIR фильтрдин максат wavelength диапазону:

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

түрүндө берилген. Фильтрдин spectral transmittance болсо:

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

менен берилет; \(I_t\) transmitted жана \(I_i\) incident SWIR radiation intensity.

Field of view жана ground sampling distance кантип аныкталат?

Field of View (FOV) үчүн:

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

байланышы колдонулган. \(S\) sensor size, \(f\) focal length. Кең FOV көбүрөөк жер аянтын камтыйт, ал эми тарыраак FOV жогорку target resolution бере алат.

Ground Sampling Distance (GSD) болсо:

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

менен берилет. \(H\) satellite altitude, \(p\) pixel size жана \(f\) focal length. Изилдөөнүн жыйынтык графигинде иштелип чыккан сенсор системасы үчүн GSD мааниси 50,0 m деп көрсөтүлгөн.

Электрондук subsystemде маалымат кантип жылат?

SWIR detector кирген optical radiationды электр тогуна айлантат:

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

\(I_d\) detector output current, \(R_{\lambda}\) spectral responsivity жана \(P_{opt}\) incoming optical power.

Алсыз сигнал андан кийин signal conditioning circuit ичинде күчөтүлөт:

\[ V_o=A_vV_i \]

Analog-to-digital converterдин quantization stepи:

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

деп аныкталат. Embedded controller үчүн processing time:

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

жана data transmission rate:

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

байланыштары менен моделденет. Бул системанын архитектурасын аныктаган жалпы инженердик байланыштар; изилдөө белгилүү flight hardwareде бул электрондук чынжырдын real-time performanceын эксперименттик түрдө өлчөгөн эмес.

InGaAs сенсор модели кайсы параметрлерди колдонот?

InGaAs SWIR сенсор модели spectral responsivity, noise, dynamic range жана pixel resolution аркылуу аныкталган. Spectral responsivity:

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

noise-equivalent power:

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

жана dynamic range:

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

түрүндө берилген.

Изилдөөнүн 8-сүрөтүндө сунушталган сенсор системасы үчүн 70,5 dB dynamic range, 50,0 m GSD жана 100,0 ke− full-well capacity маанилери көрсөтүлөт. Булар реалдуу orbital testтен өлчөнгөн эмес, изилдөөдө иштелип чыккан/моделденген система параметрлери.

Hybrid CNN–ResNet50 эмне үчүн эки бутакка бөлүнгөн?

Моделдин CNN бутагы локалдуураак мейкиндик өзгөчөлүктөрдү үйрөнүү үчүн катар-катар convolution, ReLU жана pooling layers колдонот. Convolution операциясы булакта:

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

деп берилет. Бул жерде \(I\) input image, \(K\) convolution kernel жана \(F\) алынган feature map.

ReLU activation:

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

түрүндө.

ResNet50 бутагында residual connection:

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

байланышы менен түшүндүрүлөт. Бул түзүлүш тереңирээк layerлерде feature transferди колдоо жана vanishing gradient көйгөйүн азайтуу үчүн колдонулат.

Эки бутактан чыккан feature vectorлор:

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

түрүндө бириктирилип, андан кийин dense layers аркылуу эки класстуу Softmax outputка өткөрүлөт.

Модель кайсы гиперпараметрлер менен окутулду?

Training компьютеринде 12-муундагы Intel Core i5-12400F процессор, 16 GB RAM жана 64 bit Windows 11 Pro колдонулганы айтылат. Изилдөөнүн hardware таблицасында GPU маалыматы берилген эмес.

GWO чындыгында эмнени оптималдаштырат?

Grey Wolf Optimization бөлүмүндө ар бир candidate solution:

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

түрүндө аныкталат. Бул жерде LR learning rate, BS batch size, DR dropout rate жана TL ResNet50нин trainable layer count.

Search ranges:

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

деп берилет.

Демек, изилдөөнүн математикалык ыкмасына ылайык GWO ачык түрдө оптималдаштырган чоңдуктар терең үйрөнүү гиперпараметрлери. Тексттин айрым жерлеринде GWO “payload design optimization” кылары же “feature selection” аткарары айтылса да, physical focal length, FOV, sensor pixel size же ADC сыяктуу payload параметрлер GWO solution vectorдо жок. Ошондуктан бул дооматтар hyperparameter optimizationдан өзүнчө physical payload optimization далили катары бааланбашы керек.

GWO convergence кантип билдирилди?

6-сүрөттө Alpha Wolf fitness мааниси алгачкы итерацияларда болжол менен 84,5 деңгээлинде; төртүнчү итерацияда 89,0га, бешинчи итерацияда 91,0га жетет жана 5–10-итерациялар арасында 91,0 деңгээлинде калат. Булак муну тез convergence катары чечмелейт.

Классификация жыйынтыгы эмнени көрсөтөт?

Авторлор толук алкак үчүн төмөнкү метрикаларды билдиришкен:

Бирок ошол эле жыйынтык бөлүмүндөгү confusion matrix 465 test сүрөт үчүн 221 туура non-wildfire, 219 туура wildfire, 12 жана 13 туура эмес классификацияны көрсөтөт. Matrix клеткаларынан түз эсептегенде:

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

башкача айтканда болжол менен %94,62 алынат. Wildfire классы positive деп кабыл алынганда, ошол эле matrix болжол менен %94,8 precision, %94,4 recall жана %94,6 F1-score берет. Бул маанилер макала билдирген %91 деңгээлиндеги метрикалар менен дал келбейт.

Ошондуктан Verianla жагынан туура ыкма — билдирилген %91,03 accuracyны изилдөөнүн так жана өз ичинде тастыкталган performanceы катары берүү эмес; авторлор %91,03 деп билдиргенин, бирок жарыяланган confusion matrix башка performanceка ишара кыларын ачык белгилөө.

Confusion matrixтеги экинчи дал келбестик эмне?

3-сүрөттүн окторуна ылайык true non-wildfire сабында 221 туура non-wildfire жана 12 туура эмес wildfire классификациясы; true wildfire сабында 13 туура эмес non-wildfire жана 219 туура wildfire бар. Бирок текстте 12 жана 13 сандары кайсы класска туура эмес дайындалганын түшүндүргөн сүйлөм тескери иретте көрүнөт. Matrix визуалы менен тексттик баяндоо бул жерде толук дал келбейт.

Спектралдык жооп жыйынтыктары эмнени көрсөтөт?

Изилдөөнүн 10-сүрөтүндө үч тилкенин орточо normalized spectral response маанилери так сандар менен берилген. B12 SWIR-2 0,6543 менен эң жогорку орточо normalized responseка; B8 NIR 0,5491ге; B11 SWIR-1 болсо 0,4467ге ээ.

B12 бул маалымат топтомунда жогорку орточо normalized spectral response көрсөткөнү авторлор тарабынан бет шарттары жана өсүмдүк жамынтыгынын өзгөрүүлөрүнө жогорку сезимталдык менен байланыштырылған. Бирок ушул үч орточо маанинин өзү B12 бардык өрт сценарийлеринде башка тилкелерден үстөм экенин далилдебейт.

SNR жыйынтыктары эмнени көрсөтөт?

9-сүрөттө non-wildfire сүрөттөр үчүн билдирилген SNR мааниси 1,884, wildfire сүрөттөр үчүн 2,378. Авторлор жогорку wildfire SNR маанисин сунушталган SWIR ыкмасы өрт менен байланышкан сигналды айырмалоого жөндөмдүү экенин колдогон көрсөткүч катары чечмелешет.

Бирок бул маанилер эксперименттик физикалык InGaAs payload өлчөөсүнөн эмес, Sentinel-2 сүрөттөрүнө негизделген изилдөө алкагынан алынганын эске алуу керек. Ошондуктан аларды реалдуу сенсордун талаадагы signal-to-noise performanceы катары чечмелебөө керек.

Ablation analysis эмне дейт?

Изилдөөнүн Таблица 4үндө толук алкактын билдирилген accuracy мааниси 0,9103. Айрым компоненттер чыгарылганда булакта төмөнкү жыйынтыктар берилет:

Булак бул таблицаны бардык модулдар классификацияга салым кошконунун далили катары чечмелейт. Бирок реалдуу эксперименттерде физикалык SWIR payload же реалдуу InGaAs камера колдонулбагандыктан “payload designсыз” жана “sensor modelingсиз” саптарын физикалык hardware алынып салынып, эксперимент кайра жасалган hardware ablation катары кароого болбойт. Изилдөө бул компоненттердин software/modeling алкагындагы ролун билдирет.

Изилдөө колдогон жыйынтыктар

• Sentinel-2 B8, B11 жана B12 сүрөттөрүнөн түзүлгөн үч каналдуу маалымат Hybrid CNN–ResNet50 менен wildfire/non-wildfire классификациясы үчүн колдонулган.
• Авторлор толук модель үчүн %91,03 accuracy, %91,27 precision, %91,03 recall жана %91,01 F1-score билдиришкен.
• GWO аныкталган search space ичинде learning rate, batch size, dropout жана trainable ResNet50 layer countту оптималдаштырганы көрсөтүлгөн.
• B12 тилкеси изилдөөдө 0,6543 менен тандалган үч тилкенин арасындагы эң жогорку орточо normalized spectral response көрсөткөн.
• Булакта wildfire сүрөттөрдүн SNR мааниси 2,378, non-wildfire сүрөттөрдүн мааниси 1,884 деп билдирилген.
• NBR карталары wildfire жана non-wildfire көрүнүштөрүнүн арасында спектралдык айырма көрсөтөт.
• Сунушталган архитектура image preprocessing, spectral features, CNN–ResNet50 жана GWOну бир software frameworkта бириктирет.

Изилдөө колдобогон же далилдебеген жыйынтыктар

• Реалдуу SWIR оптикалык-электрондук payload орбитада же аба аппаратында өрттү %91,03 accuracy менен аныктары далилденген эмес.
• InGaAs сенсордун физикалык прототиби изилдөөдө реалдуу Sentinel-2нин ордуна маалымат чыгаруу үчүн колдонулган эмес.
• Onboard real-time processing performance эксперименттик түрдө тастыкталган эмес.
• Калың булут, ар кандай атмосфералык шарттар жана ар башка географияларда ошол эле performance сакталаары көрсөтүлгөн эмес.
• Билдирилген %91,03 accuracy confusion matrix менен математикалык түрдө шайкеш келбегендиктен так ийгилик көрсөткүчү катары көз карандысыз тастыкталган эмес.
• GWO физикалык линза, FOV, сенсор же электрондук payload параметрлерин оптималдаштырганы математикалык solution vector менен көрсөтүлгөн эмес.
• B12 бардык өрт аныктоо системаларында универсалдуу эң жакшы тилке экендиги далилденген эмес.
• Изилдөөнүн жыйынтыктары Түркиядагы токой өрттөрүнө ошол эле accuracy маанилери менен түздөн-түз жалпыланбайт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Эксперименттик маалымат жана preprocessing chain

Изилдөө BC Wildfire Sentinel2 Datasetти колдонот. 516 оригинал сүрөт data augmentationдан кийин 3096 үлгүгө көбөйтүлгөн. Training, validation жана жыйынтык бөлүмүндө айтылган test үлгүлөрү тиешелүүлүгүнө жараша 2167, 464 жана 465. Ар бир сүрөт үчүн B8, B11 жана B12 тилкелери 128 × 128 пикселге келтирилип нормалдаштырылып, үч каналдуу кириш түзүлгөн.

Изилдөө augmentation функциясын жалпы түрдө:

\[ I_a=T(I) \]

деп көрсөтөт. \(T\) сүрөткө колдонулган transformation function. Бирок булак augmentation операцияларынын бардык деталдуу түрлөрүн жана ар бир transformation distributionун математикалык теңдемеден тышкары толук reproducible protocol катары бербейт.

SWIR сенсор жана электрондук модель

Моделде сенсор кирген SWIR radiationды электр сигналына айландырышы, сигнал күчөтүлүшү, ADC менен digitize кылынышы, embedded controllerде иштетилиши жана өткөрүлүшү ырааттуу electronic chain катары аныкталат. InGaAs сенсор модели responsivity, noise-equivalent power, dynamic range жана pixel resolution сыяктуу чоңдуктарды камтыйт.

Бирок изилдөө реалдуу sensor part number менен laboratory calibration, real optical lens tolerance measurements, MTF test, detector temperatureга көз каранды dark-current measurement же orbit-level radiometric calibration билдирбейт. Ошондуктан бул бөлүм сенсор/пайдалуу жүк дизайн модели катары окулушу керек.

Терең үйрөнүү жана оптималдаштыруу

CNN жана ResNet50 эки параллелдүү feature extraction branch. ResNet50 ImageNet pretrained weights менен башталып, акыркы 60 layer wildfire dataга ыңгайлашуу үчүн trainable калтырылган. Эки feature vector fusion layerде бириктирилип, Softmax аркылуу wildfire/non-wildfire классына айландырылган.

Cross-entropy loss:

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

менен минималдаштырылган. \(y_i\) чыныгы class label, \(P_i\) prediction probability жана \(C\) class count.

GWO fitness мааниси булакта accuracy менен аныкталган:

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

Оптимал гиперпараметр solution болсо:

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

түрүндө.

Confusion matrix жана билдирилген метрикаларды деталдуу текшерүү

3-сүрөттө көрсөтүлгөн matrix төмөнкүдөй:

Бул төрт клетка жалпы 465 үлгү жана 440ы туура классификацияланган. Ошондуктан visual matrixтин өз accuracyсы болжол менен %94,62. Изилдөөнүн 4-сүрөтү жана текстинде берилген %91,03 мааниси кайсы башка prediction set же calculation stageдан чыкканын түшүндүрбөйт.

Verianla баалоосунда бул айырма критикалык деп эсептелет; анткени classification accuracy изилдөөнүн негизги дооматтарынын бири. Булакта түшүндүрүлбөгөн божомол түзүү же сандардын бирин үнсүз “туура” деп кабыл алуунун ордуна эки маалымат тең берилген.

Салыштыруу таблицасындагы библиографиялык көйгөй

Булактын Таблица 5и сунушталган моделди эки мурдагы ыкма менен салыштырат. Бирок экинчи салыштыруу “Deep Learning Wildfire Detection Using Multi-Source Remote Sensing [32]” аты менен берилсе да, bibliographyдагы 32-номердүү жазуу wildfire classification модели эмес, fire management боюнча башка изилдөө. Ошондуктан Таблица 5теги экинчи referenceтин библиографиялык дал келүүсү булак ичинде тастыкталбайт.

Мындан тышкары, Таблица 5тин column namesинде пайыз белгиси болсо да, values 0,8840, 0,8932 жана 0,9103 түрүндө 0–1 scaleда жазылган. Мааниси боюнча булар тиешелүүлүгүнө жараша %88,40, %89,32 жана %91,03 болушу мүмкүн; бирок таблица форматы булакта кандай болсо, ошондой scale-label inconsistencyге ээ.

Изилдөөнүн күчтүү жактары

• Өрт аныктоону RGB image classification катары гана эмес, SWIR spectral informationга басым жасап карайт.
• Sentinel-2 B8/B11/B12 тилкелерин ачык аныктайт.
• NBR, NDVI жана SWIR band difference сыяктуу физикалык/спектралдык көрсөткүчтөрдү deep learning ыкмасы менен бир алкакта талкуулайт.
• Hybrid CNN жана ResNet50 featuresти бириктирген ачык architecture сунуштайт.
• GWO search space жана оптималдаштырылган hyperparametersти математикалык түрдө аныктайт.
• Ablation analysis сунуштап, model componentsтин билдирилген performanceка таасирин салыштырууга аракет кылат.
• Real-time hardware validation жасалбаганын discussion бөлүмүндө ачык айтат.

Изилдөөнүн негизги чектөөлөрү

• Реалдуу SWIR payload hardware өндүрүлүп, эксперименттик сыналган эмес.
• Эксперименттер offline Sentinel-2 сүрөттөрүнө негизделген.
• Real-time onboard processing validation жасалган эмес.
• Калың булут жана жагымсыз атмосфералык шарттар performanceты төмөндөтүшү мүмкүн.
• Hybrid CNN–ResNet50 жана GWOнун computational costу жогору.
• Confusion matrix менен билдирилген негизги performance metrics арасында олуттуу сандык дал келбестик бар.
• Салыштыруу таблицасында жок дегенде бир reference number менен сүрөттөлгөн изилдөө дал келбейт.
• GWO физикалык payload optimization кылат деген айрым билдирүүлөр аныкталган solution variables менен түз колдоого алынбайт.
• Ablationда physical payload/sensor componentsтин таасири real hardware removal experiment менен көрсөтүлгөн эмес.

Келечектеги иш сунуштары

Авторлор келечекте системаны реалдуу SWIR payload жана embedded hardware үстүндө эксперименттик түрдө тастыктоону, жеңилирээк deep-learning architectures менен real-time applicationды, multimodal sensor fusion жана transformer-based modelsти изилдөөнү сунушташат. UAV жана hyperspectral images кошуу да өнүктүрүү багыттарынын арасында.

Булак жана Ыкма Жөнүндө Эскертүү

Толук оригинал изилдөө аталышы: Design and Development of a SWIR Optical-Electronic Payload for Earth Remote Sensing Applications

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

Авторлордун ирети: Булактагы оригинал ирет өзгөртүүсүз сакталган.

Тең салым/тең биринчи автор: Булакта көрсөтүлгөн эмес.

Жооптуу автор: Samal Kaliyeva.

Мекемелер: 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.

Булак түрү: Рецензияланган изилдөө макаласы. Offline Sentinel-2 сүрөттөрүнө негизделген deep-learning classification менен концептуалдык SWIR оптикалык-электрондук payload жана InGaAs sensor modelingди бириктирет.

Журнал: Aerospace

Басмакана: MDPI

Том / макала номери: 13, 649

Жарыя күнү: 17 июль 2026

DOI: 10.3390/aerospace13070649

Расмий жарыя шилтемеси: https://www.mdpi.com/2226-4310/13/7/649

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

Рецензия статусу: Aerospace журналында жарыяланган рецензияланган изилдөө макаласы.

Лицензия: Creative Commons Attribution (CC BY) open-access license.

Каржылоо: Science Committee of the Ministry of Science and Higher Education of the Republic of Kazakhstan тарабынан Research Identification Registration Number (IRN) BR27198365 алкагында каржыланган.

Маалымат жеткиликтүүлүгү: Изилдөөдө берилген маалыматтар суроо боюнча жооптуу авторлордон алынары айтылган.

Кызыкчылыктардын кагылышы билдирүүсү: Булак тексти “All authors were employed by the company Ghalam LLP” деп жазат жана андан кийин “remaining authors” үчүн коммерциялык же финансылык мамиле жок экенин билдирет. Бирок макаладагы affiliation listте Ghalam LLP айрым авторлорго гана тиешелүү. Бул көрүнгөн дал келбестик үнсүз оңдолгон эмес.

Автордук салым эскертүүсү: Булакта investigation салымы “S.K., A.S., B.Z., B.Z. and A.Z.” түрүндө берилип, B.Z. эки жолу кайталанган. Verianla бул кайталоо кайсы автордун ордуна жазылганын божомолдобойт.

Performance consistency эскертүүсү: Авторлор %91,03 accuracy, %91,27 precision, %91,03 recall жана %91,01 F1-score билдиришет. Бирок 3-сүрөттөгү 221/12/13/219 confusion matrix болжол менен %94,62 overall accuracyга туура келет. Булак бул айырманын себебин түшүндүрбөйт. Ошондуктан Verianla билдирилген жана matrixтен эсептелген маанилердин бирин үнсүз экинчисинин ордуна койгон эмес.

Салыштырма булак эскертүүсү: Таблица 5те [32] менен көрсөтүлгөн “Deep Learning Wildfire Detection Using Multi-Source Remote Sensing” салыштыруусу bibliographyдагы 32-номердүү иш менен библиографиялык жактан дал келбей турганы көрүнөт. Ошондуктан бул салыштыруу өз алдынча bibliographic accuracy божомолу менен кайра жазылган эмес.

GWO scope эскертүүсү: GWO solution vector learning rate, batch size, dropout rate жана trainable layers параметрлерин камтыйт. Ошондуктан ыкманын ачык тастыкталган optimization scopeу deep-learning hyperparameters; physical SWIR payload параметрлерин GWO оптималдаштырды деген жыйынтык бул equationsтен чыгарылбайт.

Илимий чек: Изилдөө real-time SWIR payload implementation же onboard hardware validation жасаган эмес. Classification experiments offline Sentinel-2 сүрөттөрүндө жүргүзүлгөн. Оптикалык payload жана InGaAs sensor бөлүгү келечектеги физикалык implementation үчүн model/conceptual architecture мүнөзүндө.

Мазмун түзүү ыкмасы: Бул Verianla түшүндүрмөсүндөгү илимий ыкмалар, equations, сандык data, graph interpretations жана limitations каралган source studyге негизделген. External sources колдонуу study identity жана журналдын peer-review statusун bibliographic validation менен гана чектелген; сырттан жаңы scientific finding же performance data main articleга кошулган эмес.