Пайгирии минтақаҳои барқарорсозии экологӣ аз рӯи тасвирҳои моҳворавӣ метавонад нисбат ба харитасозии ҷангалҳои яклухт ва якхела душвортар бошад. Хусусан дар минтақаҳои тропикӣ қитъаҳои хурди ҷангал, чарогоҳ, заминҳои кишоварзӣ, хоки урён, об, ботлоқзорҳо ва сатҳҳои шаҳрӣ метавонанд дар масофаҳои кӯтоҳ паҳлуи ҳам ҷой гиранд. Вақте ки як пиксели моҳворавӣ чанд навъи ин сатҳҳоро ҳамзамон дар бар мегирад, омехташавии спектралӣ метавонад таснифи классикии истифодаи замин ва пӯшиши заминро номуайян созад.

Ин таҳқиқот барои харитасозии минтақаҳои Environmental Restoration Commitment Agreement (TCRA) дар иёлати São Paulo-и Бразилия тасвирҳои моҳворавии CBERS-4A/WPM, Linear Spectral Mixture Model (LSMM), Geographic Object-Based Image Analysis (GEOBIA) ва чор алгоритми гуногуни омӯзиши мошинии назоратшавандаро дар як занҷири таҳлилӣ муттаҳид мекунад.

Минтақаи таҳқиқшуда 47 муниципалитет ва 902 полигони TCRA-ро дар бар мегирад. Бандҳои мултиспектралии CBERS-4A/WPM бо тафриқаи 8 m бо банди панхроматикии 2 m pan-sharpening шуда, тасвирҳои кории бисёрбандаи 2 m ҳосил карда шудаанд. Сипас барои ҳар як объекти тасвирӣ, ба ғайр аз бандҳои хоми спектралӣ, бо LSMM фраксияҳои растанӣ, хок ва соя ҳисоб карда шуда, дар маҷмӯъ 63 хусусият сохта шудааст.

Моделҳои Random Forest, XGBoost, Multilayer Perceptron ва Support Vector Machine дар як сохтори маълумот муқоиса шудаанд. Random Forest дар озмоиши интихоби хусусиятҳои Top-k бо тақрибан 0,66 ба баландтарин overall accuracy расидааст. Аммо дар арзёбии ниҳоии бисёрметрикии баъдии мақола XGBoost бо тақрибан 0,41 F1 ва 0,41 Kappa натиҷаи мутавозинтар нишон додааст; RF бошад бо тақрибан 0,58 баландтарин precision-ро ба даст овардааст. Азбаски натиҷаи RF=0,66 дар бахшҳои Abstract ва Conclusion-и манбаъ бо фарқи RF≈0,62 / XGB≈0,63 дар бахши final comparative evaluation комилан мувофиқат намекунад, ин ду заминаи арзёбӣ бояд ҷудо нигоҳ дошта шаванд.

Таҳлили шарҳпазирии SHAP нишон додааст, ки махсусан фраксияҳои растанӣ ва соя, ки аз LSMM ҳосил шудаанд, ба ҷудокунии синфҳо саҳми муҳим мегузоранд. Дар натиҷа таҳқиқот нишон медиҳад, ки дар манзараҳои мураккаби барқарорсозӣ ба ҷойи истифодаи танҳо бандҳои хоми моҳворавӣ, арзёбии якҷояи таркиби зерпикселӣ, сохтори объектӣ ва омӯзиши мошинӣ метавонад тасвири ғанитар аз сатҳи заминро таъмин кунад.

Чаро таснифи минтақаҳои барқарорсозии тропикӣ бо моҳвора душвор аст?

Дар таснифи зондкунии фосилавӣ ҳолати идеалӣ он аст, ки ҳар пиксел танҳо як синфи пӯшиши заминро намояндагӣ кунад. Аммо дар манзараҳои воқеии барқарорсозии тропикӣ ин фарзия аксаран дуруст нест.

Дар дохил ё атрофи як полигони хурди барқарорсозӣ растании ҷавон, ҷангали баркамол, чарогоҳ, кишоварзӣ, хоки кушода ва роҳҳо метавонанд паҳлуи ҳам ҷой гиранд. Сигнали электромагнитие, ки сенсор чен мекунад, сарҳадҳои геометрии ин сатҳҳоро айнан пайгирӣ намекунад; махсусан дар минтақаҳои гузаришӣ як пиксел метавонад сигнали муштараки спектралии чанд ҷузъи сатҳиро дар бар гирад.

Ин мушкил mixed pixel — пиксели омехта номида мешавад. Пиксели омехта ҳолатест, ки як ҳуҷайраи рақамии тасвирӣ беш аз як ҷузъи физикии пӯшиши заминро намояндагӣ мекунад.

Аз ин рӯ равиши ҳалли масъала дар таҳқиқот ба як усул маҳдуд нест:

TCRA чист?

TCRA дар мақола ҳамчун ихтисораи истилоҳи Environmental Restoration Commitment Agreement истифода мешавад. Номи аслии португалии он Termos de Compromisso de Recuperação Ambiental аст.

Инҳо воситаҳои ҳуқуқие мебошанд, ки дар доираи қонунгузории экологии Бразилия уҳдадориҳо, ҷадвалҳо ва талаботи мониторингро барои барқарорсозии минтақаҳои вайроншуда муайян мекунанд. Ҳадафи таҳқиқот арзёбии эътибори ҳуқуқии ин созишномаҳо нест; балки харитасозии низоммандтари он аст, ки дар минтақаҳои барқарорсозӣ кадом навъҳои пӯшиши замин аз рӯи тасвирҳои моҳворавӣ мавҷуданд.

Минтақаи таҳқиқот

Таҳқиқот 47 муниципалитети иёлати São Paulo-ро дар бар мегирад, ки дар онҳо зичии TCRA баланд ва сохтори манзара мураккаб аст. Қисми муҳими минтақа дар биоми Ҷангали Атлантик ҷойгир мебошад; ҷангали маҳаллӣ, чарогоҳ, заминҳои кишоварзӣ, сатҳҳои шаҳрӣ ва марҳилаҳои гуногуни барқарорсозӣ дар як манзара ҳамзамон мавҷуданд.

Ин сохтори хурд ва пора-пораи минтақаҳо бевосита ба мушкилии тасниф таъсир мерасонад. Дар полигонҳои хурд ҳиссаи пикселҳои сарҳадӣ зиёд мешавад ва сигналҳои синфҳои атроф, аз ҷумла кишоварзӣ ё чарогоҳ, метавонанд ба ченкунии моҳворавӣ дар дохили минтақаи барқарорсозӣ таъсир расонанд.

Тасвири CBERS-4A/WPM чӣ гуна ба тафриқаи 2 метр оварда шуд?

Сенсори CBERS-4A/WPM чор канали мултиспектралӣ медиҳад: Blue, Green, Red ва Near Infrared (NIR). Тафриқаи фазоии аслии онҳо 8 m аст. Сенсор ҳамчунин банди панхроматикии дорои тафриқаи 2 m дорад.

Дар таҳқиқот пас аз ислоҳҳои радиометрӣ ва геометрӣ pan-sharpening татбиқ шудааст. Ин раванд маълумоти рангӣ/спектралии бандҳои мултиспектралиро бо ҷузъиёти баландтари фазоии банди панхроматикӣ муттаҳид карда, барои таҳлил тасвирҳои мултиспектралии дорои тафриқаи 2 m ҳосил кардааст.

Фарқи муҳими техникӣ дар ин ҷо он аст, ки pan-sharpening ченкунии аслии мултиспектралии сенсорро аз ҷиҳати физикӣ ба ченкунии нави сенсории мултиспектралии 2 m табдил намедиҳад. Тасвири ҳосилшуда омезиши маълумоти спектралии 8 m бо ҷузъиёти панхроматикии 2 m аст.

LSMM чӣ гуна нишон медиҳад, ки дар дохили пиксел чӣ мавҷуд аст?

Linear Spectral Mixture Model сигнали спектралии ченшудаи як пикселро ҳамчун омехтаи вазндори ҷузъҳои асосии сатҳӣ ифода мекунад. Дар шакли содашуда:

\[ R_{\lambda} = \sum_{i=1}^{n} f_i r_{i,\lambda} + \varepsilon_{\lambda} \]

Дар ин ҷо \(R_{\lambda}\) инъикоси пикселро дар дарозии мавҷи муайян; \(r_{i,\lambda}\) имзои спектралии ҷузъи асосии сатҳиро; \(f_i\) ҳиссаи он ҷузъро дар дохили пиксел; \(\varepsilon_{\lambda}\) бошад хатои боқимондаи моделро ифода мекунад.

Дар ин таҳқиқот LSMM се фраксияи асосӣ ҳосил кардааст:

Ҳамин тавр, модел метавонад ба таснифкунанда на танҳо маълумоти “ин пиксел сабз менамояд”, балки ҳиссаҳои тахминии ҷузъҳои гуногуни сатҳиро дар ҳамон пиксел низ пешниҳод кунад.

GEOBIA аз таснифи пикселӣ чӣ фарқ дорад?

GEOBIA — Geographic Object-Based Image Analysis — ба ҷойи арзёбии комилан мустақили ҳар пиксел, пикселҳои ҳамсоя ва монандро ба объектҳои фазоӣ гурӯҳбандӣ мекунад.

Бо ин роҳ ба тасниф на танҳо ранг ё инъикоси пиксел, балки маълумоти матнура, шакл, ҳамсоягӣ, паҳншавӣ ва контексти объект низ ворид карда мешавад.

Дар таҳқиқот Orfeo Toolbox 9.1.1 дар муҳити QGIS истифода шуда, барои сегментатсия:

арзишҳо татбиқ шудаанд. Вазни пасти shape барои афзалият додан ба монандии спектралӣ нисбат ба шакли геометрӣ интихоб шудааст.

63 хусусият чӣ гуна ба вуҷуд омад?

Чор гурӯҳи аслии спектралӣ ва се гурӯҳи фраксияи LSMM якҷоя ҳафт гурӯҳи асосии тағйирёбандаро ташкил карданд:

Blue + Green + Red + NIR + Soil + Vegetation + Shadow

Барои ҳар гурӯҳ нӯҳ тавсифгари оморӣ ҳисоб карда шуд:

минимум, максимум, миёна, инҳирофи стандартӣ, p05, p25, p50, p75 ва p95.

Ҳамин тавр:

\[ 7 \times 9 = 63 \]

хусусият ҳосил карда шуд.

Интихоби хусусиятҳо пеш аз тасниф барои коҳиш додани таъсири тағйирёбандаҳои такрорӣ ё каммаълумот истифода шуд.

Усул ва Натиҷаҳои Таҳқиқот

Кадом синфҳои пӯшиши замин истифода шуданд?

Нақшаи тасниф мутобиқ ба низоми истинодии MapBiomas сохта шуда, дар минтақаи таҳқиқот ҳашт категорияи асосӣ арзёбӣ гардид:

Омӯзиш ва санҷиш чӣ гуна анҷом дода шуд?

Маълумот тақрибан ба %70 омӯзиш ва %30 санҷиш ҷудо карда шуд. Азбаски шумораи намунаҳо дар синфҳои Forest Formation ва Pasture нисбат ба синфҳои камшумор хеле зиёд буд, ба маҷмӯи омӯзишӣ balancing татбиқ гардид.

Аз синфҳои Majority шумораи намунаҳо кам карда шуд, дар ҳоле ки намунаҳои мавҷудаи синфҳои камшумор нигоҳ дошта шуданд. Коэффисиенти тағйирёбии андозаи намунаҳо байни синфҳо аз 1,79-и ибтидоӣ дар маҷмӯи омӯзишии мутавозиншуда то 0,49 паст карда шуд.

Маҷмӯи санҷишӣ бошад бо тақсимоти аслии синфҳо нигоҳ дошта шуд. Ин интихоб барои чен кардани рафтори модел дар шароити сохтори табиии нобаробари синфҳо пешбинӣ шудааст.

Чор модели омӯзиши мошинӣ

Оё Random Forest воқеан беҳтарин модели таҳқиқот буд?

Азбаски дар бахшҳои гуногуни манбаъ ду заминаи ҷудогонаи арзёбӣ мавҷуд аст, ҷавоби яккалимаӣ дуруст нест.

Дар озмоиши интихоби хусусиятҳои Top-k дақиқии Random Forest ҳангоми истифодаи танҳо як хусусият аз тақрибан 0,40 оғоз шуда, дар ҳудуди 10 хусусият аз 0,60 боло рафта ва дар ҳудуди 30 хусусият бо тақрибан 0,66 ба ҳадди аксар расидааст. Илова кардани хусусиятҳои бештар фоидаи иловагии назаррас надода, натиҷа каме коҳиш ёфтааст.

Ин натиҷа нишон медиҳад, ки ҳамаи 63 хусусият ба як андоза муфид нестанд; зермаҷмӯи нисбатан хурди хусусиятҳои иттилоотдор метавонад қисми зиёди натиҷаро таъмин кунад.

Бо вуҷуди ин, дар бахши final comparative evaluation-и мақола намунаи зерин гузориш шудааст:

Бахшҳои Abstract ва Conclusion-и манбаъ бошад, тартиби дақиқии умумиро ба шакли RF=0,66, XGB=0,63, MLP=0,62 ва SVM=0,10 пешниҳод мекунанд.

Аз ин рӯ, тафсири боэътимодтар барои Verianla чунин аст: RF дар шароити интихоби хусусиятҳои Top-k баландтарин дақиқии қулларо, дар ҳоле ки XGBoost дар арзёбии ниҳоии бисёрметрикӣ натиҷаҳои мутавозинтарро нишон додааст. Рақамҳои бахшҳои гуногуни манбаъ комилан яксон нестанд ва набояд барои сохтани як арзиши нави ягонаи “дуруст” пинҳонӣ муттаҳид карда шаванд.

Чаро танҳо ба overall accuracy нигоҳ кардан кофӣ нест?

Вақте синфҳо андозаи баробар надоранд, overall accuracy метавонад бештар аз муваффақияти синфҳои калон таъсир гирад. Масалан, Forest Formation ва Pasture дар маҷмӯи маълумот хеле бештар намояндагӣ шудаанд.

Ҳатто агар модел дар синфҳои аксарият хуб ва дар синфҳои хурд заиф бошад, accuracy-и умумӣ метавонад нисбатан баланд ба назар расад. Аз ин рӯ таҳқиқот precision, recall, F1, Kappa, confusion matrix ва ченакҳои ROC/AUC-и синфиро якҷоя арзёбӣ кардааст.

SVM барои ин фарқ мисоли хуб аст. Recall бо тақрибан 0,43 аз моделҳои дигар паст нест; аммо precision тақрибан 0,24 ва F1 тақрибан 0,14 аст. Яъне, бо вуҷуди пайдо кардани бисёре аз намунаҳои воқеии синф, он миқдори зиёди таъйиноти нодурусти синфро анҷом медиҳад.

Кадом синфҳо осонтар ҷудо шуданд?

Дар таҳлили one-vs-rest ROC-и XGBoost:

Ҷудошавии хуби синфи об аз ҷиҳати физикӣ маъно дорад; об дар минтақаи NIR рафтори инъикосии ба таври равшан фарқкунанда аз сатҳҳои хушкӣ нишон медиҳад.

Дар синфҳои Land Use Mosaic ва Wetland бошад, азбаски дар як объект чанд навъи сатҳ, намнокии тағйирёбандаи хок, пӯшиши растанӣ ва шароити мавсимӣ вуҷуд дошта метавонанд, сарҳадҳои синфҳо номуайянтаранд.

Оё таҳлили SHAP нишон дод, ки омӯзиши мошинӣ ба чӣ нигоҳ мекунад?

Барои мониторинги муҳити зист танҳо натиҷаи дуруст ё нодурусти модели омӯзиши мошинӣ кофӣ нест. Фаҳмидани он ки чаро тағйирёбандаҳои истифодашуда ба модел саҳм мегузоранд, низ муҳим аст.

Таҳқиқот барои ин мақсад аз усули SHAP — SHapley Additive exPlanations — истифода кардааст.

Дар таҳлили глобалии SHAP тағйирёбандаҳои аз LSMM ҳосилшуда дар байни муҳимтарин хусусиятҳо ҷой гирифтаанд. Хусусан:

LSMM_vegetation_min

ҳамчун ҷудокунандаи қавии синф барҷаста шудааст.

Барои Forest Formation фраксияҳои vegetation ва shadow муҳим буданд, дар ҳоле ки дар синфи Water хусусиятҳои NIR бештар намоён шуданд. Дар синфи Pasture омезиши фраксияҳои хок ва растанӣ; дар синфҳои гетерогенӣ ба мисли Urban ва Wetland бошад саҳми хусусиятҳо парокандатар буд.

Чаро соя метавонад нишондиҳандаи ҷангал бошад?

Дар назари аввал соя метавонад унсури номатлубе ҳисобида шавад, ки таснифи тасвирро халалдор мекунад. Аммо дар ҷангалҳо соя метавонад дар бораи сохтори тоҷи дарахт, қабатбандии амудӣ, баландии дарахт ва геометрияи равшанӣ маълумоти ғайримустақим диҳад.

Аз ин рӯ LSMM shadow fraction дар баъзе ҳолатҳо метавонад барои ҷудо кардани ҷангал аз синфҳое чун чарогоҳ, ки пӯшиши растании ҳамвортар ва пасттар доранд, саҳм гузорад.

Чаро шумораи хусусиятҳоро набояд беохир зиёд кард?

Озмоиши Top-k нишон дод, ки натиҷа бо хусусиятҳои аввал зуд боло меравад, дар ҳудуди 30 хусусият ба қулла мерасад ва баъд аз он илова кардани тағйирёбандаҳои нав фоидаи хеле кам медиҳад.

Илова бар ин, таҳлили коррелятсия нишон медиҳад, ки бисёре аз хусусиятҳое, ки аз процентилҳо ва оморҳои гуногуни як банди спектралӣ ҳосил шудаанд, метавонанд бо ҳам сахт вобаста бошанд.

Ин ҳолат нишон медиҳад, ки хусусиятҳои бештар худкор маънои маълумоти бештарро надоранд. Тағйирёбандаҳои нолозим ё такроршаванда метавонанд хароҷоти ҳисоббарориро зиёд карда, ба модел садо ворид кунанд.

Оё ин система муваффақияти барқарорсозиро худкор исбот мекунад?

Не. Модел як системаи таснифи LULC аст. Он ки полигони TCRA дар як лаҳза ҳамчун “Forest Formation”, “Pasture” ё синфи дигар намоён мешавад, худ аз худ исбот намекунад, ки ҳамаи ҳадафҳои экологии барқарорсозӣ бомуваффақият иҷро шудаанд.

Муваффақияти барқарорсозии экологӣ метавонад меъёрҳои фарохтар, аз ҷумла таркиби намудҳо, регенератсияи табиӣ, сифати зистгоҳ, вазифаҳои экосистема, шароити хок ва рушди тӯлонӣ дар вақтро талаб кунад.

Иқтидори асосии ин усул дар он аст, ки шумораи зиёди минтақаҳои барқарорсозӣ дар миқёси минтақавӣ тезтар ва бо хароҷоти камтар аз скрининги ибтидоӣ гузаронида шаванд ва санҷишҳои саҳроӣ ба самти зарурӣ равона карда шаванд.

Муҳимтарин маҳдудияти таҳқиқот

Натиҷаи модел танҳо аз рӯи як тақсимоти train-validation гузориш шудааст. Ин равиш зермаҷмӯи мустақили санҷиширо таъмин мекунад, аммо нишон намедиҳад, ки ҳангоми тақсимоти дигаргуншудаи маълумот натиҷа то чӣ андоза тағйир меёбад.

Муаллифон барои оянда истифодаи:

• k-fold cross-validation,
• spatially stratified validation,
• тасвирҳои моҳворавии силсилаи вақт,
• тафриқаи фазоии баландтар,
• маълумоти истинодии фарохтар ва мутавозинтар,
• усулҳои алтернативии омӯзиши мошинӣ ва омӯзиши амиқ

ро пешниҳод мекунанд.

Аз ин рӯ, арзишҳои accuracy ва AUC дар ин таҳқиқот набояд бевосита ҳамчун натиҷаи интизоршаванда барои солҳои дигар, саҳнаҳои дигари CBERS ё кишварҳои дигари тропикӣ истифода шаванд.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: CBERS 4A/WPM Image Classification for Mapping Land Use and Land Cover in TCRAs

Муаллифон: Carla Rodrigues Santos; Francisco Salazar; Fernanda Beatriz Jordan Rojas Dallaqua; Bruno Schultz.

Corresponding authors: Carla Rodrigues Santos ва Francisco Salazar.

Муассисаҳо: Grupo de Pesquisa DEGET da Unemat, Sinop, Mato Grosso, Brazil; Visiona Tecnologia Espacial S.A., São José dos Campos, São Paulo, Brazil.

Маҷалла: Geographies.

Ношир: MDPI.

Сабти библиографӣ: Geographies 2026, 6, 84.

DOI:10.3390/geographies6030084

Санаҳо: Ирсол 3 июн 2026; бозбинӣ 16 август 2026; қабул 19 август 2026; нашр 1 сентябр 2026.

Навъи манбаъ: Таҳқиқоти таснифи истифодаи замин/пӯшиши замин дар асоси зондкунии фосилавӣ ва омӯзиши мошинии назоратшаванда.

Иҷозатнома: Creative Commons Attribution (CC BY).

Минтақаи таҳқиқот: 47 муниципалитет ва 902 полигони TCRA дар иёлати São Paulo; асосан биоми Ҷангали Атлантик.

Маълумоти моҳворавӣ: CBERS-4A/WPM; чор банди мултиспектралии 8 m + банди панхроматикии 2 m; тасвири таҳлилии 2 m пас аз pan-sharpening.

Меъмории хусусиятҳо: Blue, Green, Red, NIR + фраксияҳои LSMM soil, vegetation ва shadow; дар маҷмӯъ 63 хусусият бо нӯҳ тавсифгари оморӣ.

Омӯзиши мошинӣ: Random Forest, XGBoost, Multilayer Perceptron ва Support Vector Machine.

Санҷиш: Тақрибан %70 омӯзиш / %30 validation-и мустақил; balancing дар маҷмӯи омӯзишӣ бар асоси кам кардани majority-class; тақсимоти validation нигоҳ дошта шудааст.

Шарҳпазирӣ: Саҳми глобалӣ ва синфии хусусиятҳо бо SHAP таҳлил шудааст.

Маҳдудияти асосии методологӣ: Истифодаи танҳо як train-validation split ва набудани cross-validation-и фазоӣ умумиятдиҳии баҳогузориҳои натиҷаро маҳдуд мекунад.

Ёддошти натиҷаи дохили манбаъ: Abstract ва Conclusion RF-ро бо OA≈0,66 ҳамчун модели баландтарин нишон медиҳанд, дар ҳоле ки дар бахши муфассали final comparison ҷудо аз қимати қуллаи 0,66-и RF дар озмоиши Top-k, final OA≈0,62; барои XGBoost ва MLP бошад ≈0,63 дода мешавад. Ҳамин бахш XGBoost-ро аз ҷиҳати F1/Kappa мутавозинтар шарҳ медиҳад. Ин матни Verianla ду контекстро ба ҳам омехта намекунад.

Маблағгузорӣ: FAPESP — São Paulo Research Foundation, grant 2024/19134-1, Innovative Research in Small Business.

Дастрасии маълумот: Зикр шудааст, ки саҳмҳои аслии таҳқиқот дар дохили мақола мавҷуданд ва дархостҳои маълумоти иловагӣ метавонанд ба corresponding authors фиристода шаванд.

Баръаксии манфиатҳо / робитаи муассисавӣ: Гуфта шудааст, ки Francisco Salazar корманди Visiona Tecnologia Espacial S.A. аст; дигар муаллифон бархӯрди манфиатҳои тиҷоратӣ ё молиявиро эълом накардаанд.

Дастгирии техникӣ: Visiona Tecnologia Espacial S.A. дастгирии техникӣ расонидааст; CETESB пешниҳодҳои техникӣ додааст.