Муҳаққиқон аз тасвирҳои моҳвораии Sentinel-2 барои солҳои 2023–2025 маҷмӯи хусусиятҳои 7-андозаро месозанд: чор банди асосии спектралӣ ва се индекси растанӣ/об. Сипас моделҳои Random Forest, SNN, 1D-CNN ва LSTM муқоиса мешаванд. Танзимоти моделҳо бо воситаи худкори оптимизатсияи гиперпараметрҳо бо номи Optuna беҳтар карда мешаванд. Дар марҳилаи охир барои кам кардани хатоҳои хурду парокандаи «намак-қаламфур» дар харитаи гурӯҳбандӣ филтри овоздиҳии аксарият истифода мешавад.

Натиҷаи ҷолиби таҳқиқот чунин аст: дар заминҳои кишоварзии пора-пора, ки сарҳадҳои мураккаб ва пикселҳои омехта зиёданд, мураккабтарин модел ҳамеша беҳтарин натиҷа намедиҳад. Модели содатари Шабакаи Нейронии Стандартӣ нисбат ба баъзе моделҳои мураккабтар устувортар кор мекунад. Аммо саҳми асосии таҳқиқот танҳо баланд кардани холҳои дақиқӣ нест; он нишон медиҳад, ки хато махсусан дар минтақаҳои наздик ба сарҳади майдонҳо ҷамъ мешавад. Ин нишон медиҳад, ки дар харитаҳои кишоварзии бо зеҳни сунъӣ дастгиришаванда саволи «дар куҷо дуруст аст ва дар куҷо номуайян?» ҳадди ақал ба андозаи саволи «чанд хол дуруст аст?» муҳим мебошад.

Мушкил чист?

Дар минтақаҳои хушк ва нимхушк кишоварзӣ мустақиман бо захираҳои об маҳдуд мешавад. Хусусан дар минтақаҳои калони обёрӣ донистани он ки кадом зироат чӣ қадар майдонро ишғол мекунад, барои тақсимоти об, банақшагирии замин ва назорати сохтори кишт аҳамияти калидӣ дорад. Аммо агар ин маълумот аз саҳро як ба як ҷамъ карда шавад, ҳам вақт мегирад ва ҳам дар майдонҳои васеъ нигоҳ доштани навшавии он душвор мешавад.

Тасвирҳои моҳвораӣ барои ин мушкил роҳи ҳалли пурқувват пешниҳод мекунанд. Моҳвораҳое мисли Sentinel-2 рӯшноии аз сатҳи замин инъикосшударо дар бандҳои гуногун чен карда, ба ҷудо кардани синфҳое чун пӯшиши растанӣ, мавҷудияти об, хоки луч ва минтақаҳои сохташуда кумак мекунанд. Аммо заминҳои кишоварзӣ ҳамеша аз қитъаҳои калону мунтазам иборат нестанд. Дар баъзе минтақаҳо майдонҳо хурд, сарҳадҳо мураккаб ва каналҳои обёрӣ бо роҳҳо дарҳамомехта буда метавонанд.

Минтақаи обёрии Yichang дар ин таҳқиқот низ чунин намуна аст. Минтақа сохтори мозаикӣ дорад, ки дар он зироатҳое чун офтобпараст, ҷуворимакка ва гандум ҷойгир буда, қитъаҳои пора-пораи кишоварзӣ бо каналҳои обёрӣ, хатҳои дренажӣ, роҳҳо ва тасмаҳои муҳофизатӣ бурида шудаанд. Ин сохтор намояндагии «як синф»-ро аз ҷониби пикселҳои моҳвораӣ душвор мекунад.

Номи техникии мушкил таъсири пиксели омехта мебошад. Масалан, як пиксели моҳвораии 10-метрӣ дар канори майдони хурд метавонад ҳамзамон сигнали ҷуворимакка, офтобпараст ва роҳи саҳроиро дар бар гирад. Вақте модел маҷбур мешавад ин пикселро ба як синф нисбат диҳад, хатари хато зиёд мешавад. Аз ин рӯ сарҳадҳои майдонҳо, роҳҳо, каналҳо ва қитъаҳои хурд ба ҷойҳое табдил меёбанд, ки номуайянии гурӯҳбандӣ бештар аст.

Мушкилоти асосии мақола чунин аст: оё дар минтақаҳои кишоварзии пора-пора ва зери маҳдудияти об ҳангоми сохтани харитаи зироат бо тасвирҳои моҳвораӣ ва моделҳои зеҳни сунъӣ ҳам дақиқиро баланд кардан ва ҳам фаҳмидан мумкин аст, ки хато дар куҷо бештар ҷамъ мешавад?

Усул чӣ пешниҳод мекунад?

Таҳқиқот чорчӯбаи харитасозии зироатро бо «огоҳӣ аз таъсири канорӣ» пешниҳод мекунад. Таъсири канорӣ маънои коҳиш ёфтани дақиқии гурӯҳбандиро дар минтақаҳои наздик ба сарҳади майдон дорад, зеро пикселҳои моҳвораӣ аз чанд унсури гуногуни замин сигнал мегиранд.

Усул аз чанд марҳила иборат аст.

Дар марҳилаи аввал тасвирҳои моҳвораии Sentinel-2 интихоб мешаванд. Муҳаққиқон барои солҳои 2023–2025 ба мавсими афзоиш байни июл–сентябр диққат медиҳанд. Ин давра ҳамчун замоне баррасӣ мешавад, ки офтобпараст, ҷуворимакка ва дигар зироатҳо аз ҷиҳати спектралӣ беҳтар ҷудо мешаванд. Тасвирҳои абрнок ниқоб карда шуда, аз чанд тасвир композити медианавӣ сохта мешавад ва тасвири тозатари солонаи мавсими афзоиш ба даст меояд.

Дар марҳилаи дуюм хусусиятҳое омода мешаванд, ки модел истифода мекунад. Чор банди асосии Sentinel-2 истифода мешавад: кабуд, сабз, сурх ва инфрасурхи наздик. Ба онҳо се индекс илова мешавад: NDVI, EVI ва NDWI. NDVI барои нишон додани зиндагию сабзии растанӣ, EVI барои ҳассосият дар минтақаҳои пӯшиши зичи растанӣ ва NDWI барои гирифтани фарқияти обу сатҳҳои намнок истифода мешавад. Ҳамин тавр маҷмӯи умумии хусусиятҳои 7-андоза сохта мешавад.

Дар марҳилаи сеюм чор модел муқоиса мешавад: Random Forest, Шабакаи Нейронии Стандартӣ, 1D-CNN ва LSTM. Random Forest ҷониби омӯзиши классикии мошиниро намояндагӣ мекунад. SNN сохтори содатари шабакаи нейронӣ мебошад, ки хусусиятҳои спектралиро мустақиман ба синфҳо мепайвандад. 1D-CNN мекӯшад муносибатҳои маҳаллиро байни бандҳои спектралӣ бигирад. LSTM бошад модели мураккабтарест, ки одатан барои силсилаҳои вақт қавӣ аст, вале дар ин таҳқиқот дар пайдарпаии спектралӣ-индексӣ санҷида мешавад.

Дар марҳилаи чорум оптимизатсияи худкори гиперпараметрҳо бо Optuna анҷом дода мешавад. Яъне танзимоте чун суръати омӯзиш, шумораи қабатҳо, шумораи воҳидҳои пинҳонӣ, сатҳи dropout ё чуқурии дарахти ҳар модел на бо озмоишу хатои дастӣ, балки бо усули ҷустуҷӯи систематикӣ оптимизатсия мешаванд.

Дар марҳилаи панҷум ба харитаҳои гурӯҳбандӣ филтри овоздиҳии аксарият татбиқ мешавад. Ин филтр бо нигоҳ кардан ба ҳамсояҳои як пиксел нуқтаҳои ҷудогонаи хатодорро кам мекунад. Масалан, агар дар миёнаи қитъаи калони офтобпараст як пиксел иштибоҳан ҳамчун ҷуворимакка гурӯҳбандӣ шуда бошад, он мувофиқи синфи аксарияти атроф ислоҳ мешавад. Аммо агар филтр аз ҳад калон шавад, каналҳои танг, қитъаҳои хурд ва сарҳадҳои майдон метавонанд норӯшан гарданд; аз ҳамин сабаб таҳқиқот равзанаи 3×3-ро ҳамчун интихоби мутавозинтарин арзёбӣ мекунад.

Дар марҳилаи охир таҳлили номуайянӣ анҷом дода мешавад. Муҳаққиқон масофаи пикселҳоро то сарҳади майдон ҳисоб карда, дақиқии гурӯҳбандиро дар бандҳои масофа мисли 0–10 m ва 10–20 m меомӯзанд. Ҳамин тавр хато на танҳо бо холҳои умумии дақиқӣ, балки ҳамроҳ бо саволи «хато дар кадом қисми майдон зиёд мешавад?» арзёбӣ мегардад.

Формулаҳо чиро нишон медиҳанд?

Дар ин таҳқиқот формулаҳо на барои баёни назарияи вазнин, балки барои табдил додани маълумоти моҳвораӣ ба маълумоти гурӯҳбандишаванда истифода мешаванд.

Формулаи NDVI фарқи байни банди инфрасурхи наздик ва банди сурхро истифода мебарад. Пӯшиши солиму зичи растанӣ рӯшноии инфрасурхи наздикро қавӣ инъикос мекунад, дар ҳоле ки рӯшноии сурхро аз сабаби фотосинтез бештар фурӯ мебарад. Аз ин рӯ NDVI яке аз нишондиҳандаҳои асосӣ барои фаҳмидани зиндагию сабзии растанӣ мебошад.

Формулаи EVI низ пӯшиши растаниро назорат мекунад; аммо ҳадаф дорад дар пӯшиши зичи растанӣ ва зери таъсирҳои атмосферӣ маълумоти устувортар диҳад. Бо ба ҳисоб гирифтани банди кабуд кӯшиш мекунад баъзе инҳирофҳои атмосфериро кам кунад.

Формулаи NDWI бо истифода аз бандҳои сабз ва инфрасурхи наздик ба ҷудо кардани сигнали об ё сатҳи намнок кумак мекунад. Дар минтақаҳои кишоварзӣ барои ҷудо кардани синфҳое чун каналҳои об, пӯшиши намноки растанӣ ва сатҳҳои оби кушода муфид буда метавонад.

Дар омӯзиши модел талафоти энтропияи салибӣ истифода мешавад. Ин формула фарқи байни эҳтимолияти додаи модел ва синфи воқеиро чен мекунад. Ҳар қадар модел ба синфи дуруст эҳтимолияти баланд диҳад, талафот кам мешавад; ҳар қадар ба синфи нодуруст боэътимод бошад, талафот зиёд мешавад.

Дар қисми SNN формулаҳо мантиқи классикии шабакаи нейрониро нишон медиҳанд, ки байни қабатҳо бо вазнҳо, қиматҳои bias ва фаъолсозии ReLU пеш меравад. Ба таври сода, модел рақамҳои аз 7 хусусият омадаро қабат ба қабат табдил дода, ба саволи «ин пиксел офтобпараст аст, ҷуворимакка аст ё об?» ҷавоб медиҳад.

Формулаҳои 1D-CNN мекӯшанд муносибатҳои хурди маҳаллиро байни бандҳои спектралӣ ва индексҳо гиранд. Ба ҷойи ҳамсоягии дученаи фазоӣ дар тасвир, дар ин ҷо филтрҳои хурд дар тӯли пайдарпаии хусусиятҳо ҳаракат мекунанд.

Формулаҳои LSTM нишон медиҳанд, ки маълумот бо дарвозаҳои воридшавӣ, фаромӯшкунӣ ва баромад чӣ гуна нигоҳ дошта ё раҳо мешавад. LSTM одатан дар пайдарпаии вобаста ба вақт қавӣ аст. Аммо хусусиятҳои истифодашуда дар ин таҳқиқот силсилаи воқеии вақт нестанд ва бештар вектори спектралӣ-индексӣ мебошанд. Аз ин рӯ бартарии LSTM метавонад маҳдуд монда бошад.

Формулаи филтри овоздиҳии аксарият синфҳоро дар дохили як равзана мешуморад ва пиксели марказиро ба синфи аз ҳама бештар дидашуда нисбат медиҳад. Ин усули сода хатоҳои ҷудогонаи парокандаро дар харитаи гурӯҳбандӣ кам мекунад.

Формулаи таъсири канорӣ масофаи ҳар пикселро то наздиктарин сарҳади майдон ҳисоб мекунад. Ҳамин тавр муваффақияти модел на танҳо бо миёнаи умумӣ, балки ҳамроҳ бо наздикӣ ба сарҳад хонда мешавад.

Паёми асосии график / ҷадвал / схема

Тасвири минтақаи таҳқиқот нишон медиҳад, ки Минтақаи обёрии Yichang дар Дашти Hetao-и Муғулистони Дохилӣ ҷойгир аст ва минтақа мозаикаи мураккаби кишоварзӣ дорад, ки аз синфҳое чун офтобпараст, ҷуворимакка, гандум, об, замини луч ва минтақаҳои аҳолинишин иборат аст. Паёми асосии тасвир ин аст, ки таҳқиқот на дар майдонҳои мунтазаму якнавохт, балки дар ҷуғрофияи воқеии кишоварзӣ бо каналҳои обёрӣ ва қитъаҳои пора-пора гузаронида шудааст.

Графикҳои каҷхаттаҳои NDVI нишон медиҳанд, ки зироатҳо дар тӯли мавсими афзоиш намунаҳои гуногуни сабзшавӣ доранд. Дар фосилаи июл–сентябр фарқи байни офтобпараст, ҷуворимакка ва дигар зироатҳо равшантар мегардад. Аз ин рӯ муҳаққиқон ҳамин давраро барои гурӯҳбандӣ интихоб мекунанд. Паёми асосӣ барои хонанда чунин аст: модели моҳвораӣ зироатҳоро дар санаи тасодуфӣ не, балки дар давраи афзоише мехонад, ки онҳо аз ҳам беҳтар ҷудо мешаванд.

Схемаи ҷараёни усул нишон медиҳад, ки таҳқиқот танҳо аз сохтани як модели зеҳни сунъӣ иборат нест. Аввал маълумоти моҳвораӣ омода мешавад, баъд модел бо намунаҳои саҳроӣ омӯзонда мешавад, сипас танзимоти модел бо Optuna оптимизатсия мегарданд, баъд харита бо филтри аксарият тоза карда мешавад ва дар охир бо таҳлили таъсири канорӣ харитаи номуайянӣ сохта мешавад. Паёми асосии схема ин аст, ки фаҳмидани ҷойгиршавии номуайянӣ ҳам ба андозаи дақиқӣ қисми усул мебошад.

Дар графикҳои муқоисаи моделҳо дида мешавад, ки SNN самаранокии қавӣ нишон медиҳад. Дар муқоисаи ибтидоӣ SNN байни CNN, Random Forest ва LSTM ба баландтарин дақиқии асосӣ мерасад. Пас аз оптимизатсия ҳам SNN пешсаф мемонад. Ин натиҷа нишон медиҳад, ки дар заминҳои кишоварзии пора-пора модели мураккабтар ҳамеша беҳтар нест.

Графики филтри овоздиҳии аксарият нишон медиҳад, ки равзанаи 3×3 беҳтарин мувозинат медиҳад. Равзанаи хурд хатогиҳои ҷудогонаи гурӯҳбандиро тоза мекунад ва ҳамзамон сарҳади майдонҳоро то ҳадди зиёд нигоҳ медорад. Баръакс, равзанаҳои калонтар мисли 5×5 ва махсусан 7×7 харитаро ҳамвортар нишон диҳанд ҳам, қитъаҳои хурд, каналҳои танг ва хатҳои сарҳадиро аз ҳад зиёд нарм карда метавонанд.

Харитаҳои гурӯҳбандии маҳаллӣ нишон медиҳанд, ки пеш аз филтр моделҳо намунаи умумии зироатҳоро мегиранд, аммо дар баъзе пикселҳо хатоҳои пароканда ҳосил мекунанд. Пас аз филтр харитаҳо якпорчатар мешаванд. Паёми асосии ин тасвирҳо ин аст, ки натиҷаи хоми зеҳни сунъӣ ҳангоми коркард бо контексти фазоӣ харитаҳои муфидтар медиҳад.

Харитаҳои паҳншавии зироат нишон медиҳанд, ки дар Минтақаи обёрии Yichang офтобпараст мисли зироати заминавии бартаридошта паҳн шудааст, дар ҳоле ки ҷуворимакка бештар дар гурӯҳҳои муайян ҷамъ шудааст. Аз 2023 то 2025 тавсеаи майдонҳои ҷуворимакка махсусан аз шимолу ғарб ба самти марказ тавсиф мешавад. Ин тағйир танҳо намунаи кишоварзӣ нест; он таниш байни маҳдудиятҳои обу хок ва даромади иқтисодиро низ инъикос мекунад.

Харитаҳои мувофиқати чандмоделӣ нишон медиҳанд, ки номуайянии модел тасодуфӣ паҳн нашудааст. Дар дохили қитъаҳои калон моделҳо бештар бо ҳам мувофиқанд, аммо дар сарҳади майдонҳо, роҳҳо, каналҳо ва минтақаҳои хурди пора-пора ихтилофи байни моделҳо зиёд мешавад. Ин нишон медиҳад, ки номуайянӣ дар харитаҳои кишоварзӣ «сохтори ҷуғрофӣ» дорад.

Графикҳои таъсири канорӣ нишон медиҳанд, ки дар минтақаҳои 0–10-метрии наздиктарин ба сарҳад дақиқӣ ба таври равшан паст мешавад. Ин коҳиш дар ҳамаи моделҳо дида мешавад; аммо SNN нисбат ба LSTM дар ин минтақа устувортар мемонад. Паёми тасвир равшан аст: хатарноктарин қисми харита маркази қитъа не, балки сарҳади он мебошад.

Таҷрибаҳо чӣ гуна гузаронида шуданд?

Таҳқиқот дар Минтақаи обёрии Yichang дар Муғулистони Дохилии Чин гузаронида шудааст. Ин минтақа қисми Минтақаи обёрии Hetao мебошад, ки аз Дарёи Зард об мегирад. Иқлими хушк-нимхушк, бухоршавии баланд, боришоти кам, шӯрӣ ва инфрасохтори зичи обёрӣ аз хусусиятҳои асосии минтақа мебошанд.

Ҳамчун манбаи маълумот тасвирҳои моҳвораии Sentinel-2 барои солҳои 2023, 2024 ва 2025 истифода шудаанд. Дар фосилаи июл–сентябр тасвирҳое интихоб шудаанд, ки сатҳи абрнокиашон мувофиқ буд. Абрҳо бо истифода аз банди QA60 ниқоб шуда, бо равиши композити медианавӣ тасвирҳои тозатаре сохта шудаанд, ки мавсими афзоиши солонаро намояндагӣ мекунанд.

Барои вуруди модел 7 хусусият истифода шудааст: бандҳои кабуд, сабз, сурх ва инфрасурхи наздик, инчунин индексҳои NDVI, EVI ва NDWI. Илова бар ин, каҷхаттаҳои моҳонаи NDVI байни май–октябр, гарчанде мустақиман дар гурӯҳбандӣ истифода нашудаанд, ҳамчун таҳлили ёрирасон барои дидани он ки ҷудошавии фенологии зироатҳо дар кадом давра қавитар аст, арзёбӣ шудаанд.

Бо корҳои саҳроӣ барои ҳафт синф маълумоти намунавӣ сохта шудааст: офтобпараст, ҷуворимакка, гандум, дигар зироатҳо, замини луч, минтақаи сохташуда ва об. Намунаҳо мувозинат дода шуда, ба маълумоти омӯзишӣ/санҷишӣ тақсим шудаанд. Ҳадаф пешгирӣ кардани тамоюли модел танҳо ба синфҳои бартаридошта буд.

Чор модел бо ҳамон маълумот муқоиса шуданд: Random Forest, SNN, 1D-CNN ва LSTM. Танзимоти моделҳо бо Optuna оптимизатсия шуданд. Ҳамчун нишондиҳандаҳои муваффақият дақиқии умумӣ, Kappa, холи F1 ва mIoU истифода шуданд. Сипас ба харитаҳои гурӯҳбандӣ филтрҳои аксарияти 3×3, 5×5 ва 7×7 татбиқ шуда, санҷида шуд, ки кадом андозаи равзана беҳтарин мувозинат медиҳад.

Дар охир таҳлили дақиқӣ аз рӯи масофа то сарҳади майдон анҷом дода шудааст. Масофаи пикселҳо то сарҳад ҳисоб шуда, самаранокии модел дар бандҳои масофа мисли 0–10 m ва 10–20 m таҳлил шудааст. Ин қисм яке аз ҷанбаҳои арзишмандтарини таҳқиқот мебошад, зеро на танҳо ба саволи «модел муваффақ аст?» балки ба саволи «муваффақият дар куҷо паст мешавад?» низ ҷавоб меҷӯяд.

Натиҷаҳо чиро нишон медиҳанд?

Натиҷаи аввал ин аст, ки модели SNN дар заминҳои кишоварзии пора-пора аз интизор қавитар кор кардааст. Дар муқоисаи асосии пеш аз оптимизатсия SNN баландтарин дақиқии умумиро медиҳад. Пас аз оптимизатсия бо Optuna дақиқии умумии SNN ба 0.925 мерасад. Аз паси он 1D-CNN бо 0.919, Random Forest бо 0.907 ва LSTM бо 0.896 меоянд.

Натиҷаи дуюм ин аст, ки филтри овоздиҳии аксарият сифати харитаро ба таври ҷиддӣ беҳтар мекунад. Беҳтарин натиҷа бо филтри 3×3 гирифта мешавад. Ин филтр дақиқии умумии модели SNN-ро ба 0.953 мебардорад. Филтрҳои калонтар дар назари аввал харитаҳои ҳамвортар медиҳанд; аммо азбаски қитъаҳои хурд ва сарҳадҳои тангро аз ҳад зиёд нарм карда метавонанд, дақиқӣ паст шуда метавонад.

Натиҷаи сеюм ин аст, ки сохтори зироат дар минтақа бо ибораи «матрицаи офтобпараст ва гурӯҳбандии ҷуворимакка» ҷамъбаст мешавад. Офтобпараст ҳамчун зироати бартаридоштаи васеъ ва пайваста мемонад, ҷуворимакка бошад бештар дар минтақаҳои муайян ҷамъ мешавад. Аз 2023 то 2025 майдони ҷуворимакка зиёд ва майдони офтобпараст кам мешавад. Мақола ин тағйирро бо мувозинати байни ҳавасмандии иқтисодӣ, маҳдудиятҳои обу хок ва интихоби зироат алоқаманд мекунад.

Натиҷаи чорум ин аст, ки номуайянии модел бештар дар сарҳади майдонҳо ҷамъ мешавад. Дар пикселҳои 0–10 m дур аз сарҳад дақиқӣ дар ҳамаи моделҳо паст мешавад. Сабаби асосӣ таъсири пиксели омехта мебошад. Дар як пиксел метавонанд зироат, роҳ, канал, сарҳади майдон ё синфҳои гуногуни зироат ҳамзамон намояндагӣ шаванд. Дар ин минтақаҳо SNN нисбат ба LSTM устувортар рафтор мекунад.

Натиҷаи панҷум ин аст, ки холи умумии дақиқӣ худ аз худ кофӣ нест. Модел метавонад дақиқии умумии баланд диҳад; аммо агар дар минтақаҳои сарҳадӣ систематикӣ хато кунад, барои идоракунии об, ҳисобкунии майдони зироат ё банақшагирии замин натиҷаҳои хатарнок ба вуҷуд оварда метавонад. Аз ин рӯ таҳқиқот бо қувват хотиррасон мекунад, ки дар татбиқҳои зеҳни сунъии кишоварзӣ харитаҳои номуайянӣ низ бояд истеҳсол шаванд.

Чаро ин муҳим аст?

Банақшагирии кишоварзӣ дар минтақаҳои хушк на танҳо ба миқдори истеҳсол, балки ба буҷети об ҳам вобаста аст. Дақиқ донистани он ки кадом зироат дар кадом майдон парвариш мешавад, метавонад ба талаботи обёрӣ, тақсимоти об ва қарорҳои истифодаи замин таъсир расонад. Назорати паҳншавии фазоии зироатҳои таҳаммулпазиртар мисли офтобпараст ва зироатҳое мисли ҷуворимакка, ки оби бештар ва шароити мувофиқи хок мехоҳанд, барои минтақаҳои камоб маълумоти стратегӣ дода метавонад.

Ин таҳқиқот нишон медиҳад, ки харитаҳои кишоварзии дастгиришаванда бо зеҳни сунъӣ набояд танҳо «харитаи зебои ранга» истеҳсол кунанд. Бояд ҳамчунин маълум бошад, ки харита дар куҷо боэътимод ва дар куҷо номуайян аст. Зеро хатоҳое, ки дар сарҳади майдон хурд менамоянд, метавонанд дар ҳисоби масоҳат, омори зироат ё банақшагирии об калон шаванд.

Ҷанбаи дигари муҳими таҳқиқот он аст, ки фарзияҳоро дар бораи мураккабии модел зери савол мегузорад. Моделҳое мисли LSTM, ки пешрафтатар менамоянд, дар ҳар навъи маълумот худкорона натиҷаи беҳтар намедиҳанд. Агар маълумот силсилаи воқеии вақт набошад ва аз хусусиятҳои статикии спектралӣ иборат бошад, модели содатари SNN метавонад устувортар кор кунад. Ин натиҷа аҳамияти интихоби «модели аз ҳама мувофиқ ба маълумот»-ро ба ҷойи «мураккабтарин модел» дар лоиҳаҳои зеҳни сунъӣ хотиррасон мекунад.

Илова бар ин, амали нисбатан содае мисли филтри овоздиҳии аксарият, агар дар миқёси дуруст истифода шавад, метавонад натиҷаи моделро ба таври ҷиддӣ беҳтар кунад. Ин нишон медиҳад, ки дар зеҳни сунъии кишоварзӣ на танҳо меъмории модел, балки марҳилаҳои пешкоркард ва паскоркард низ барои муваффақият муайянкунанда мебошанд.

Нуктаҳои эҳтиётӣ

Ин таҳқиқот preprint аст. Яъне натиҷаҳо ҳанӯз аз арзёбии ҳамтоён нагузаштаанд. Аз ин рӯ бозёфтҳо бояд на ҳамчун натиҷаҳои илмии ниҳоӣ, балки ҳамчун саҳмҳои методие хонда шаванд, ки бояд арзёбӣ ва дар шароити гуногун санҷида шаванд.

Таҳқиқот ба як минтақа равона шудааст. Минтақаи обёрии Yichang бо иқлими хушк-нимхушк, шӯрӣ, каналҳои обёрӣ, қитъаҳои пора-пора ва сохтори муайяни зироат ҷуғрофияи махсус дорад. Ҳамон самаранокии модел метавонад дар кишварҳои дигар, зироатҳои дигар, андозаҳои дигари қитъа ё тасвирҳои дигари моҳвораӣ ба ҳамон шакл ба даст наояд.

Гарчанде ҳалнокии 10 m-и Sentinel-2 барои бисёр татбиқҳои кишоварзӣ муфид аст, барои қитъаҳои хурд ва сарҳадҳои танг маҳдуд буда метавонад. Хусусан дар минтақаҳои сарҳадии 0–10 m мушкили пиксели омехта ҳамчун маҳдудияти физикӣ пайдо мешавад. Ин масъалае нест, ки танҳо бо модели беҳтар пурра ҳал шавад; маълумоти ҳалнокии баландтар ё таҳлили sub-pixel лозим шуда метавонад.

Дар ҳоле ки схемаи усул аз ҳамгироии маълумоти чандманбаъӣ ёд мекунад, дар тавсифи маълумот вуруди асосии гурӯҳбандӣ ба бандҳо ва индексҳои Sentinel-2 асос ёфтааст. Чунин ҷузъиёти методӣ бояд дар версияҳои баъдӣ равшантар нишон дода шаванд.

Муваффақияти модел ба намунаҳои саҳроии мувозинатнок ва равзанаи интихобшудаи июл–сентябр вобаста аст. Дар давраҳои дигари афзоиш, мавсимҳои абрнок ё зироатҳое, ки аз ҷиҳати фенологӣ ба ҳам бештар монанданд, самаранокӣ метавонад тағйир ёбад.

Филтри аксарият ҳангоми интихоби дуруст муфид аст; аммо агар равзана калон шавад, метавонад унсурҳои хурди кишоварзиро нест кунад. Аз ин рӯ ислоҳи харита бояд на танҳо аз рӯи ҳамвории визуалӣ, балки бо арзёбии якҷояи нигоҳдории сарҳад ва дақиқии синф анҷом дода шавад.

Дастрасӣ ба маълумот ҳамчун «бо дархост пешниҳод мешавад» нишон дода шудааст. Ин аз нигоҳи такроршавии мустақил ба андозаи мубодилаи кушодаи маълумот қавӣ нест. Барои санҷидани усул аз ҷониби муҳаққиқони дигар дастрасӣ ба маълумот ва код муҳим мебошад.

Хулоса

Ин таҳқиқоти preprint ба як нуктаи муҳими харитасозии зироатҳои кишоварзӣ бо тасвирҳои моҳвораӣ диққат медиҳад: дақиқӣ танҳо як рақами миёна нест; он дар фазо тағйир меёбад. Дар заминҳои пора-пораи кишоварзӣ хатои модел махсусан дар сарҳади майдонҳо, канори каналҳо, роҳҳо ва қитъаҳои хурд ҷамъ мешавад. Аз ин рӯ харитаи хуби кишоварзӣ бояд на танҳо ба саволи «кадом зироат дар куҷост?» балки ба саволи «кадом қисми ин тахмин номуайянтар аст?» низ ҷавоб диҳад.

Натиҷаҳои таҳқиқот нишон медиҳанд, ки дар Минтақаи обёрии Yichang офтобпараст ҳамчун зироати бартаридошта боқӣ мондааст, дар ҳоле ки ҷуворимакка байни 2023–2025 дар майдони бештар паҳн шудааст. Ин тағйир нишон медиҳад, ки қарорҳои кишоварзие, ки байни маҳдудиятҳои обу хок ва даромади иқтисодӣ шакл мегиранд, бо зондкунии фосилавӣ назорат шуданашон мумкин аст.

Дар қисми зеҳни сунъӣ натиҷаи ҷолибтарин он аст, ки модели содатари SNN дар заминҳои кишоварзии пора-пора ва дорои пикселҳои омехта самаранокии қавӣ нишон медиҳад. Бо филтри аксарияти 3×3 якпорчагӣ ва дақиқии харитаи ин модел меафзояд. Аммо мушкили пиксели омехта дар минтақаҳои сарҳадӣ боқӣ мемонад. Аз ин рӯ муҳим буда метавонад, ки таҳқиқоти оянда бо маълумоти ҳалнокии баландтар, тасвирҳои радарӣ, таҳлили sub-pixel ва маълумоти метеорологӣ-гидрологӣ дастгирӣ шаванд.

Тафсири бехатартар чунин аст: ин равиш барои назорати беҳтари сохтори зироат дар минтақаҳои обёрии хушк номзади қавии методӣ мебошад; аммо бояд дар минтақаҳои гуногун, зироатҳои гуногун ва бо маълумоти кушодатари бештар аз нав санҷида шавад.

Ёддошт оид ба манбаъ ва усул

Ин матн аз мақолаи preprint бо унвони «An edge-effect-aware framework for uncertainty-resolved crop mapping and planting-structure monitoring in arid irrigation landscapes» омода шудааст. Таҳқиқот дар Минтақаи обёрии Yichang-и Чин тасвирҳои мавсими афзоиши Sentinel-2 барои давраи 2023–2025, намунаҳои саҳроӣ, бандҳои спектралӣ, индексҳои NDVI/EVI/NDWI, оптимизатсияи модели асосёфта ба Optuna, филтри овоздиҳии аксарият ва таҳлили номуайянии таъсири канориро якҷо истифода мебарад.

Матн тарҷумаи таҳтуллафзӣ нест. Ғояи асосӣ, усул, формулаҳо, графикҳо, ҷадвалҳо, ҷараёни таҷриба, натиҷаҳо ва маҳдудиятҳои мақола барои хонандаи Verianla содакарда шуда, ҳамчун мундариҷаи аслии таҳририи тоҷикӣ бозгӯӣ шудаанд. Азбаски таҳқиқот preprint аст, бозёфтҳо на ҳамчун тавсияи қатъии амалӣ, балки ҳамчун натиҷаҳои таҳқиқотӣ, ки бояд дар шароити гуногуни кишоварзӣ ва ҷуғрофӣ тасдиқ шаванд, арзёбӣ мегарданд.