Maeneo oevu katika mabonde ya maziwa ya kitropiki si madarasa thabiti ya ardhi yanayounda mstari mkali kati ya maji ya wazi na nchi kavu. Ni maeneo ya mpito ya kihidrologia yanayobadilika daima kulingana na kiwango cha maji, mvua, uoto, msimu na namna sensor inavyopima. Utafiti huu unaunganisha katika usanifu mmoja modeli msingi ya kijiografia OLMoEarth V1 Nano iliyofunzwa awali, picha za macho za Sentinel-2, kutawanyika-rudi kwa Sentinel-1 SAR, fahirisi za kifizikia za maji na uainishaji wa Random Forest ili kubaini mipito hii katika sehemu ya Bonde la Ziwa Victoria nchini Kenya.

Sifa bainifu ya mfumo si kujibu tu swali “eneo oevu liko wapi?”, bali pia kuweka kwenye ramani swali “modeli haiamini mpaka huu wapi na kwa nini?”. Kwa kusudi hilo, Wetland Uncertainty Field (WUF; Uga wa Kutokuwa na Uhakika wa Maeneo Oevu) iliyotengenezwa huunganisha entropia ya utabiri, kutokuwa thabiti kwa madarasa kati ya msimu wa mvua na wa kiangazi, na kutokubaliana kati ya uainishaji wa rada wa Sentinel-1 na uainishaji wa macho katika uso mmoja wa kutokuwa na uhakika wa 0–1.

Katika mfumo uliounganishwa wa misimu tofauti, usahihi wa jumla ni %90,94 katika msimu wa mvua na %90,65 katika msimu wa kiangazi. Thamani za F1 za maeneo oevu ni 0,856 na 0,850 mtawalia. Hata hivyo, matokeo haya yamehesabiwa kwa kulinganisha na bidhaa zilizopo za marejeleo za kutambua kwa mbali, si dhidi ya vipimo huru vya uwanjani. Tofauti hii ni muhimu sana kwa tafsiri sahihi ya matokeo ya utafiti.

Kwa nini mpaka wa eneo oevu si mstari thabiti?

Eneo oevu ni mfumo wa mpito ulio kati ya maji ya wazi na nchi kavu kwa mtazamo wa kihidrologia, na huamuliwa kwa pamoja na uenevu wa maji kwenye udongo, uoto na mafuriko ya msimu. Katika Bonde la Ziwa Victoria, hasa makundi mazito ya Cyperus papyrus yanaweza kuficha uso wa maji dhidi ya sensori za macho; uoto huo huo unaweza kutoa kutawanyika kwa ujazo kulikochangamana katika ishara ya rada.

Katika kipindi cha mvua, tambarare za mafuriko zinaweza kupanuka, ilhali katika kipindi cha kiangazi sehemu ya maeneo hayo inaweza kubadilika kuwa nchi kavu. Kwa hiyo, kizingiti cha “maji / nchi kavu” kinachotegemea picha ya tarehe moja na sensor moja huenda kisiwakilishe vya kutosha mpito halisi wa kiikolojia.

Eneo la utafiti ni sehemu ya Bonde la Ziwa Victoria nchini Kenya na linazingatia hasa mifumo ya maeneo oevu ya Yala Swamp, Nyando Floodplain na Winam Gulf. Mfumo wa kuratibu unaotumika katika uchakataji ni EPSG:32736. Kati ya eneo lote lenye takriban pikseli milioni 241 katika mwonekano wa takriban 10 m, karibu pikseli milioni 124, yaani %51,4, zilichukuliwa kuwa halali baada ya vinyago vya ubora.

Modeli Msingi ya Kijiografia Inafanya Nini Katika Utafiti Huu?

OLMoEarth V1 Nano haitumiki katika utafiti huu kama kiainishaji cha mwisho cha maeneo oevu moja kwa moja, bali kama injini thabiti ya uchimbaji wa vipengele inayozalisha uwakilishi wa kimuktadha wenye vipimo 128 kutoka kwenye picha za Sentinel-2; uwakilishi huu unaunganishwa na vipengele vya kifizikia vya spektra na SAR na kisha kuingizwa katika kiainishaji cha Random Forest.

Data za macho za Sentinel-2

Kwa mwaka 2025, kompositi mbili za mediani za msimu za Sentinel-2 Level-2A ziliundwa:

• Msimu wa mvua: Machi–Mei (MAM)
• Msimu wa kiangazi: Juni–Septemba (JJAS)

Mtiririko wa uchakataji hutumia bendi 12 za Sentinel-2: B02, B03, B04, B05, B06, B07, B08, B8A, B09, B11, B12 na B01. Baadhi ya bendi hutumika moja kwa moja katika kukokotoa fahirisi za kifizikia za maji.

Data za Sentinel-1 SAR

Picha za Sentinel-1 Ground Range Detected zilitumika katika polarizesheni za VV na VH. Athari ya speckle ilipunguzwa kwa kuchukua kompositi ya mediani kwa kila msimu, na thamani za kutawanyika-rudi:

\[ 10\log_{10}(\sigma^0) \]

zilibadilishwa hadi kipimo cha desibeli na kusampuliwa upya kwenye gridi ya 10 m ya Sentinel-2.

Vipengele vinne vya SAR vilitolewa kwa kila chip:

• Wastani wa kutawanyika-rudi kwa VV
• Wastani wa kutawanyika-rudi kwa VH
• Tofauti ya VV − VH
• Mkengeuko sanifu wa VV

Uchimbaji wa uwakilishi wa OLMoEarth V1 Nano

OLMoEarth V1 Nano haikufunzwa upya mahsusi kwa kazi hii. Uzani wake uliofunzwa awali ulihifadhiwa bila kubadilishwa.

Picha:

• ziligawanywa kuwa chip za pikseli 32 × 32,
• stride ya pikseli 16 ilitumika,
• chip 939.330 zilitolewa kwa kila msimu,
• matokeo ya kiwango cha token yalifanyiwa wastani na kupata vekta moja ya uwakilishi yenye vipimo 128 kwa kila chip.

Fahirisi za kifizikia za maji

Modeli haitegemei tu uwakilishi fiche wa akili bandia. Fahirisi mbili zinazoeleza moja kwa moja tabia ya kifizikia ya spektra ya maji na maeneo oevu pia zinatumika.

Mlinganyo (1) — Water Index for Wetlands (WIW):

\[ WIW= \frac{ Green-0.2Red-0.5NIR_{narrow}-0.1SWIR1 }{ Green+0.2Red+0.5NIR_{narrow}+0.1SWIR1+\varepsilon } \]

Mlinganyo (2) — Modified Normalized Difference Water Index (MNDWI):

\[ MNDWI= \frac{Green-SWIR1} {Green+SWIR1+\varepsilon} \]

\[ \varepsilon=10^{-6} \]

Kwa kila chip, mkengeuko sanifu, percentili ya 10, mediani na percentili ya 90 ya WIW na MNDWI zilikokotolewa, na hivyo kuunda vekta ya tekstura ya spektra yenye vipimo vinane kwa jumla.

Vekta ya vipengele vya misimu tofauti yenye vipimo 293

Misimu ya mvua na ya kiangazi iliwekwa katika nafasi ya pamoja ambayo modeli moja inaweza kujifunza.

Bendera ya msimu ina thamani 1 kwa kipindi cha mvua na 0 kwa kipindi cha kiangazi. Hivyo Random Forest hiyo hiyo inaweza kutoa utabiri wa darasa unaotegemea msimu katika hali zote mbili za kihidrologia.

Mantiki ya uainishaji wa hatua mbili

Kulingana na mbinu ya kina ya chanzo, hatua ya kwanza si Random Forest. Katika hatua ya kwanza, maji ya wazi hutenganishwa na mfumo wa nchi kavu kwa kutumia vizingiti vya spektra na uwiano wa maji. Ikiwa uwiano wa pikseli zenye lebo ya maji katika chip ni %30 au zaidi, chip huchukuliwa kuwa maji na huondolewa kwenye uainishaji unaofuata wa eneo oevu–nchi kavu.

Katika hatua ya pili, miongoni mwa wagombea wa nchi kavu waliobaki, utenganuzi wa eneo oevu / nchi kavu hufanywa kwa Random Forest.

Mipangilio ya Random Forest:

• n_estimators = 1000
• max_features = sqrt
• class_weight = balanced_subsample

Kwa sababu sampuli za maeneo oevu ni chache sana, sampuli za nchi kavu zilipunguzwa kwa uwiano wa 5:1 dhidi ya sampuli za maeneo oevu. Seti ya mafunzo ya misimu tofauti ya modeli ina jumla ya chip 666.970 za nchi kavu.

Kizingiti cha uwezekano wa kiutendaji

Badala ya kizingiti cha kawaida cha 0,5, uchanganuzi wa precision–recall ulifanywa kwenye seti ya uthibitishaji. Lengo lilikuwa kuweka recall angalau katika 0,83 huku precision ikiongezwa kadiri iwezekanavyo.

Kizingiti kilichochaguliwa:

0,449

kilikuwa hivyo. Katika seti huru ya tathmini ya pointi 30.000, recall ya maeneo oevu ilishuka hadi takriban %78. Chanzo kinatafsiri hili kama tofauti ndogo ya ujumlishaji inayolingana na kutokuwa na uhakika wa asili wa maeneo ya mpito.

Wetland Uncertainty Field (WUF) Ni Nini?

Wetland Uncertainty Field huweka kwenye ramani kiwango ambacho modeli haiamini mpaka wa eneo oevu si kwa nambari moja tu, bali kwa kuunganisha vyanzo vitatu huru vya taarifa: kutokuwa thabiti kwa utabiri, mabadiliko ya msimu wa mvua–kiangazi, na kutokubaliana kwa sensori za macho–SAR, kuwa uso endelevu wa kutokuwa na uhakika kati ya 0 na 1.

1. Entropia ya utabiri

Mlinganyo (3):

\[ H_{pred} = -\sum_c p_c\log_2(p_c) \]

Modeli inapokusanya uwezekano wote katika darasa moja, entropia huwa ndogo. Uwezekano unapogawanyika kati ya maji, eneo oevu na nchi kavu, entropia huongezeka. Kwa hiyo, \(H_{pred}\) ya juu huashiria maeneo ya mpito ambako modeli haina uhakika kuhusu darasa.

2. Kutokuwa thabiti kwa muda

Mlinganyo (4):

\[ T_{inst} = \frac{1}{2} \sum_c |p_{c,wet}-p_{c,dry}| \]

Umbali huu wa total variation hupima jinsi uwezekano wa madarasa wa eneo lilelile unavyobadilika kati ya msimu wa mvua na wa kiangazi. Thamani huongezeka katika matukio kama kurudi nyuma kwa tambarare ya mafuriko au mafuriko ya msimu.

3. Kutokubaliana kwa sensori

Modeli za “shadow” za SAR pekee huzalisha uwezekano tofauti wa madarasa kwa kutumia vipengele vinne tu vya rada. Uwezekano huu hulinganishwa na modeli kuu yenye uzito zaidi wa taarifa za macho.

Mlinganyo (5):

\[ S_{dis} = \frac{1}{2} \sum_{s\in\{wet,dry\}} \left( \frac{1}{C} \sum_c |p^{opt}_{c,s}-p^{SAR}_{c,s}| \right) \]

Hapa \(C=3\) ni idadi ya madarasa.

Sehemu hii ni muhimu hasa katika vinamasi vya papyrus. Rada huona unyevu na muundo wa uso/uoto kwa namna tofauti, wakati mfumo wa macho huona mwonekano na urejeshaji wa mionzi ya infraredi. Sensori mbili zinapotoa mielekeo tofauti ya madarasa kuhusu eneo lilelile la kifizikia, kutokubaliana huku hakutupwi kama kosa bali hutumiwa kama ishara ya kutokuwa na uhakika.

WUF iliyounganishwa

Vipengele vitatu vilinormalishwa kimoja kimoja hadi 0–1 kwa kutumia masafa ya percentili 2.–98.

Mlinganyo (6):

\[ WUF= \frac{1}{3}H_{norm} + \frac{1}{3}T_{norm} + \frac{1}{3}S_{norm} \]

Vipengele vyote vitatu vimepewa uzito sawa. Waandishi wanaeleza wazi kwamba uzito huu sawa ni chaguo la awali la usanifu na kwamba uchanganuzi wa unyeti wa uzito tofauti unapaswa kufanywa baadaye.

Kwa Nini Kutokubaliana kwa Sensori Hutumiwa Kama Taarifa Badala ya Kosa?

Kwa sababu Sentinel-1 SAR ni nyeti kwa unyevu wa uso, ukorofi na kutawanyika kwa rada kunakotoka ndani ya uoto, huku Sentinel-2 ikiwa nyeti kwa urejeshaji wa macho na sifa za spektra za uoto, sensori hizi zinaweza kuona eneo lilelile la mpito la papyrus au mafuriko kwa namna tofauti; utafiti hauondoi tofauti hii kama hitilafu ya sensor, bali huiingiza katika WUF kama kiashiria cha uchangamano wa kihidrologia.

Ulinzi wa NoData wa tabaka tatu

Badala ya kulazimisha uainishaji kwenye pikseli batili, mfumo huacha takriban %48,6 ya eneo lote la raster kama NoData.

1. Bendi zote za Green, Red, NIR-narrow na SWIR1 lazima ziwe kubwa kuliko \(10^{-6}\).
2. Pikseli zilizo ndani ya poligoni ya eneo la utafiti pekee ndizo huchakatwa.
3. Pikseli zenye msimbo 255 ambazo MNDWI haiwezi kuziainisha huhamishwa moja kwa moja hadi NoData.

Zaidi ya hayo, maeneo ya makazi yaliyofafanuliwa yamelazimishwa kupewa darasa la nchi kavu.

Mbinu na Matokeo ya Utafiti

Seti ya data ya tathmini

Katika tathmini ya usahihi, pointi za marejeleo zilizochaguliwa kwa uwiano kutoka bidhaa ya Esri Land Use/Land Cover zilikuwa:

• 10.000 za maji ya wazi,
• 10.000 za maeneo oevu,
• 10.000 za nchi kavu

kwa jumla pointi 30.000; kati ya hizo 29.994 zililingana na pikseli halali za raster.

Utendaji wa uainishaji wa misimu tofauti

Tofauti ya recall ya maeneo oevu kati ya misimu miwili ni pointi 1,2 za asilimia tu. Matokeo haya yanaonyesha kwamba usanifu uliounganishwa wa misimu tofauti kwa kiasi kikubwa huhifadhi utendaji kati ya hali za kihidrologia za mvua na kiangazi.

Tatizo kuu linaloonyeshwa na matriki ya makosa

Usahihi wa mtayarishaji wa uainishaji wa maji ya wazi ni takriban %99,4 katika misimu yote miwili. Chanzo kikuu cha makosa si maji ya wazi; ni mpito kati ya eneo oevu na nchi kavu.

Katika msimu wa mvua, kati ya pointi 9.999 za marejeleo ya maeneo oevu:

• 7.817 ziliainishwa kama eneo oevu,
• 1.148 kama nchi kavu,
• 1.034 kama maji ya wazi

.

Katika msimu wa kiangazi, kati ya pointi 9.999 za marejeleo ya maeneo oevu:

• 7.698 ziliainishwa kama eneo oevu,
• 1.286 kama nchi kavu,
• 1.015 kama maji ya wazi

.

Athari ya kijiografia ya uainishaji wa msimu

Katika ulinganisho wa msimu wa mvua wa chanzo, wakati wa kuhama kutoka ramani rahisi ya kizingiti cha spektra kwenda ramani ya matokeo ya OLMoEarth–Random Forest, pikseli 5.135.164, yaani %4,14 ya eneo halali, zilibadilika.

Katika msimu wa kiangazi, idadi ya pikseli zilizobadilika ilikuwa 4.966.048, sawa na %4,00 ya eneo halali.

Ramani kwenye kurasa 18 na 19 za chanzo zinaonyesha kwamba marekebisho haya yalijikita hasa kwenye mipaka ya tambarare za mafuriko na kuzunguka Yala Swamp.

Vipengele muhimu zaidi

Ingawa umuhimu wa pembeni wa vipimo mahususi vya uwakilishi wa OLMoEarth ni mdogo zaidi, jumla ya vipengele 256 vya uwakilishi wa GFM katika misimu ya mvua na kiangazi hutoa muktadha mpana wa kijiografia. Kinyume chake, viashiria mahususi vyenye nguvu zaidi ni mabadiliko ya msimu ya MNDWI na vipengele vya kutawanyika-rudi kwa SAR.

Mienendo ya msimu ya maeneo oevu

Jumla ya maeneo oevu ya kudumu + ya kawaida ya msimu ni takriban 36.178 ha. Eneo la 297 ha la msimu wa kinyume likiongezwa, jumla inakuwa 36.475 ha. Tofauti hii inaondoa kutokuwa wazi katika maandishi ya chanzo kuhusu madarasa gani yanajumuishwa katika thamani ya 36.475 ha.

Usambazaji wa jumla wa WUF

Kwenye ramani ya WUF ya chanzo, kutokuwa na uhakika mkubwa hakusambai sawasawa katika eneo lote. Hujikusanya kwenye mipaka ya tambarare za mafuriko, maeneo oevu yenye papyrus kwa wingi na maeneo ya kilimo yanayofunikwa na maji kwa msimu.

Je, WUF Inahusiana na Makosa Halisi ya Uainishaji?

Ndiyo. Wastani wa WUF wa pikseli za maeneo oevu yaliyokosekana ni takriban mara tatu ya ule wa pikseli za nchi kavu zilizoainishwa kwa usahihi; tofauti hii ilionekana katika misimu yote ya mvua na kiangazi na utofautishaji mkubwa sana wa kitakwimu uliripotiwa kwa jaribio la Mann–Whitney U.

Matokeo ya Mann–Whitney U:

• Mvua: \(U=10.120.494,\;p<1\times10^{-300}\)
• Kiangazi: \(U=11.433.640,\;p<1\times10^{-300}\)

Katika sampuli kubwa sana, p-value kuwa ndogo kupita kiasi si ushahidi wa umuhimu wa kiutendaji peke yake. Kwa sababu hiyo chanzo pia kinalenga hasa ukubwa wa tofauti ya WUF.

Ukubwa wa kutokubaliana kwa macho–SAR

Wastani wa kutokubaliana kwa sensori ni mdogo kiasi:

• Msimu wa mvua: 0,0388
• Msimu wa kiangazi: 0,0411

Hata hivyo, thamani za juu zaidi hufikia 0,614 na 0,640 mtawalia. Hali hii inaashiria zaidi kutokubaliana kunakolimbikiza kwenye malengo changamano ya eneo mahususi kuliko mgongano wa kimfumo unaoathiri bonde lote.

Matokeo yanayoungwa mkono na utafiti

• Sentinel-1, Sentinel-2, fahirisi za kifizikia za maji na uwakilishi wa OLMoEarth uliofunzwa awali vinaweza kutumiwa pamoja ndani ya mfumo mmoja wa uainishaji.
• Kuunganisha taarifa za msimu wa mvua na wa kiangazi katika nafasi moja ya vipengele vya misimu tofauti kunaweza kutoa utendaji unaofanana katika hali mbili za kihidrologia.
• Kutokuwa na uhakika hakusambai bila mpangilio kwenye ramani ya maeneo oevu; huongezeka katika maeneo ya mpito na kwenye makosa ya uainishaji.
• Mabadiliko ya MNDWI kati ya misimu na kutawanyika-rudi kwa SAR ni ishara zenye nguvu za kueleza utenganishaji wa maeneo oevu.
• Kutokubaliana kwa macho–rada yenyewe kunaweza kubeba taarifa kuhusu uchangamano wa mazingira.
• Katika data ya 2025 iliyochunguzwa, madarasa ya maeneo oevu ya kudumu na ya msimu yaliweza kuzalishwa kama bidhaa tofauti za kijiografia.

Matokeo ambayo utafiti hauungi mkono

• Usahihi wa zaidi ya %90 haumaanishi usahihi kamili wa maeneo oevu uliothibitishwa kwa kujitegemea dhidi ya vipimo halisi vya uwanjani.
• Haijaonyeshwa kwamba modeli itatoa utendaji uleule katika maeneo oevu kote Afrika au katika mabonde mengine ya kitropiki.
• WUF ikiwa juu haiwezi kusemwa kwamba pikseli lazima imeainishwa vibaya; maeneo oevu yaliyoainishwa kwa usahihi pia yana kutokuwa na uhakika wa kati hadi juu kutokana na asili yake ya mpito.
• OLMoEarth haikufanyiwa fine-tune kwa utafiti huu; uwakilishi uliogandishwa uliopata mafunzo ya awali ulitumika.
• Haijaonyeshwa kwamba kutoa uzito wa 1/3–1/3–1/3 kwa vipengele vitatu vya WUF ndiyo chaguo bora.
• Kwa sababu ya chip za picha zinazofunika maeneo yanayofanana na utegemezi wa kijiografia, vipindi vya kujiamini vya kawaida vilivyoripotiwa vinaweza kudharau kutokuwa na uhakika halisi wa usampulishaji wa kijiografia.

Maana ya kisayansi

Mchango mkuu wa kisayansi wa utafiti si kuongeza tu modeli nyingine ya uainishaji kwenye ramani ya maeneo oevu. Pendekezo la msingi zaidi ni kuchapisha kutokuwa na uhakika wa maeneo ya mpito ya kiikolojia pamoja na matokeo badala ya kuuondoa kutoka kwenye matokeo.

Bidhaa ya kawaida ya kifuniko cha ardhi hulazimisha kila pikseli kuwa na lebo moja. Utafiti huu, kwa upande mwingine, huzalisha kwa pikseli iliyo kwenye ukingo wa tambarare ya mafuriko darasa la mwisho pamoja na taarifa ya “uamuzi huu unaaminika kwa kiwango gani?”.

Mtazamo huu ni muhimu hasa katika usimamizi wa mazingira. Mtaalamu wa uhifadhi anaweza kuona si tu mpaka wa eneo oevu, bali pia ni sehemu zipi za mpaka ambapo uamuzi unaaminika na ni sehemu zipi zinahitaji ukaguzi wa ziada wa uwanjani au data yenye mwonekano wa juu.

WUF pia haipunguzi kutokuwa na uhakika kuwa alama moja tu ya kujiamini ya modeli. Kutokuwa na uhakika kwa modeli yenyewe, mabadiliko ya kifizikia kati ya misimu na kutokubaliana kwa sensori huru huhifadhiwa kama vipengele tofauti. Hivyo kutokuwa na uhakika kunakuwa si jambo la kitakwimu tu bali pia linaloweza kutafsiriwa kimazingira.

Maelezo ya Chanzo na Mbinu

Utafiti asili: Uncertainty-Aware Geospatial Foundation Model for Delineating Wetlands, Open Water, and Terrestrial Boundaries in a Tropical Lake Basin System

Waandishi: Geoffrey Kanake Gathuri, Dennis Macharia Ngunu, Brian Kiilu Kingeta

Mwandishi anayewajibika: Geoffrey Kanake Gathuri

Taasisi: Department of Research and Development, Gensre Engineering & Research, Nairobi, Kenya.

Aina ya chanzo: Makala ya utafiti ya preprint.

Jukwaa: SSRN.

SSRN Abstract ID: 7032786.

DOI: 10.2139/ssrn.7032786.

Tarehe ya kuchapishwa SSRN: 1 Julai 2026.

Hali ya mapitio ya kitaalamu: Chanzo kimewekewa alama wazi ya “Preprint not peer reviewed”.

Jarida / juzuu / toleo: Chanzo hakina taarifa ya juzuu au toleo la uchapishaji wa jarida lililopitiwa na wataalamu.

Leseni: Leseni wazi ya Creative Commons ya matumizi tena haikuthibitishwa. Ramani na michoro ya chanzo hazipaswi kutumiwa tena moja kwa moja.

Eneo la utafiti: Sehemu ya Bonde la Ziwa Victoria nchini Kenya; ikijumuisha Yala Swamp, Nyando Floodplain na Winam Gulf.

Data msingi: Picha za macho za Sentinel-2 Level-2A, Sentinel-1 GRD C-band SAR VV/VH, Dynamic World, Esri LULC na vinyago vya eneo la utafiti / makazi.

Modeli msingi: OLMoEarth V1 Nano iliyofunzwa awali na kugandishwa + tekstura ya spektra ya WIW/MNDWI + vipengele vya Sentinel-1 SAR + vekta ya vipengele vya misimu tofauti yenye vipimo 293 + Random Forest.

Modeli ya kutokuwa na uhakika: Predictive entropy + temporal instability + sensor disagreement = Wetland Uncertainty Field.

Ufadhili: Waandishi wameripoti kwamba utafiti haukupokea ruzuku mahsusi kutoka kwa mashirika ya ufadhili ya umma, kibiashara au yasiyo ya faida.

Mgongano wa maslahi: Waandishi hawakuripoti maslahi ya kifedha au uhusiano binafsi unaojulikana ambao ungeweza kuathiri utafiti.

Michango ya waandishi: Geoffrey Kanake Gathuri — uundaji wa dhana, programu, mbinu na rasimu ya kwanza; Dennis Macharia Ngunu — upangaji wa data, programu, uthibitishaji na mapitio; Brian Kiilu Kingeta — uchunguzi na uchanganuzi rasmi.

Taarifa ya akili bandia: Chanzo kinaripoti kwamba Kimi 2.6 Thinking na Claude Opus 4.8 zilitumiwa kuboresha lugha na mtiririko wa makala; waandishi kisha walipitia maandishi na kukubali wajibu.

Upatikanaji wa data na msimbo: Chanzo kinaripoti kwamba msimbo, modeli zilizofunzwa na raster zilizotokana zitahifadhiwa kwenye hazina ya umma; hata hivyo Zenodo DOI itatolewa baada ya kukubaliwa. Kwa hiyo, PDF bado haina DOI mahususi ya kudumu ya hazina.

Kizuizi kikuu cha kisayansi: Uthibitishaji unategemea bidhaa zilizopo za kifuniko cha ardhi, si uchunguzi huru wa uwanjani. Bidhaa za mafunzo na marejeleo zinaweza kuwa na vyanzo vya makosa vinavyofanana/vinavyohusiana.

Kizuizi cha takwimu za kijiografia: Kwa sababu chip za pikseli 32 × 32 zinaingiliana kwa stride ya pikseli 16 na pointi za marejeleo zina utegemezi wa kijiografia, vipindi vya kujiamini vya kawaida vya Wilson vinaweza kuonyesha kutokuwa na uhakika wa jumla kuwa mdogo kuliko ulivyo.

Dokezo la istilahi ndani ya chanzo: Ingawa muhtasari unatumia usemi “Random Forest ya hatua mbili”, mbinu ya kina inaeleza hatua ya kwanza kama uwekaji wa vizingiti vya maji–nchi kavu wa kideterministi na hatua ya pili kama uainishaji wa eneo oevu–nchi kavu kwa Random Forest. Verianla imezingatia maelezo ya kina ya mbinu.

Dokezo la jumla ya eneo ndani ya chanzo: Thamani ya 36.475 ha haipatikani kutoka kwa madarasa ya “kudumu + ya kawaida ya msimu” pekee, bali baada ya kuongeza pia 297 ha ya darasa la msimu wa kinyume.

Dokezo la programu: Katika jedwali la Kiambatisho A QGIS 3.44.9 limetolewa, huku katika orodha ya marejeleo toleo la QGIS likionekana kama 3.44.6; tofauti hii ya toleo haijasahihishwa kwa niaba ya chanzo.

Dokezo la matumizi ya vielelezo: Ramani za eneo la utafiti, ramani za uainishaji, ramani ya WUF na mchoro wa mtiririko wa chanzo hazipaswi kunakiliwa moja kwa moja. Vielelezo huru vya Verianla vinapaswa kutayarishwa kwa kutumia tu mahusiano ya kisayansi, maeneo, uwiano na metriki zilizoripotiwa wazi katika chanzo.