Ин таҳқиқот барои фарқ кардани сӯхторҳои ҷангал аз тасвирҳои моҳворавии инфрасурхи кӯтоҳмавҷ (Short-Wave Infrared, SWIR), бандҳои B8, B11 ва B12-и Sentinel-2; тарҳи payload-и оптикӣ-электронӣ, моделсозии сенсори InGaAs, меъмории deep learning-и Hybrid CNN–ResNet50 ва усули Grey Wolf Optimization (GWO)-ро дар як чаҳорчӯба муттаҳид мекунад. Муаллифон барои чаҳорчӯбаи пурра %91,03 accuracy, %91,27 precision, %91,03 recall ва %91,01 F1-score гузориш кардаанд. Аммо рақамҳои confusion matrix-и 465-намунавӣ, ки дар таҳқиқот нишон дода шудааст, бо ин performance metrics аз ҷиҳати математикӣ мувофиқат намекунанд; overall accuracy, ки аз cells-и matrix ҳисоб мешавад, тақрибан %94,62 аст. Аз ин рӯ, гарчанде метавон гуфт, ки усул натиҷаи умедбахши classification додааст, фоизи дақиқи муваффақият дар дохили манбаъ ба таври муттасил тасдиқ намешавад.

Вуруди асосии тасвире, ки дар таҳқиқот истифода шудааст, real-time аз SWIR camera-и таҳиякардаи муҳаққиқон намеояд. Experimental classification дар тасвирҳои offline satellite-и BC Wildfire Sentinel-2 dataset анҷом шудааст. Optical lens system, SWIR filters, field of view, electronic signal chain ва behavior-и InGaAs sensor бошад барои payload-и оптикӣ-электронии SWIR, ки дар оянда татбиқ шуда метавонад, ба таври conceptual ва mathematical модел шудааст. Аз ин рӯ, таҳқиқот performance-и payload-и физикии fire-detection, ки дар orbit ё aircraft кор мекунад, исбот намекунад.

Дар усул бандҳои B8 near-infrared (NIR), B11 SWIR-1 ва B12 SWIR-2 ба 128 × 128 pixels resize, normalize шуда ва дар input tensor-и се-каналаи 128 × 128 × 3 муттаҳид шудаанд. Fire-related spectral features бо Normalized Burn Ratio (NBR), Normalized Difference Vegetation Index (NDVI) ва thermal-anomaly approach-и бар фарқи B12–B11 асосёфта баррасӣ шудаанд. Hybrid CNN–ResNet50 model local spatial features-и CNN branch-ро бо deeper semantic features-и ResNet50 branch муттаҳид кардааст; GWO бошад барои ҷустуҷӯи hyperparameters ба мисли learning rate, batch size, dropout ва trainable ResNet50 layers истифода шудааст.

Аз назари Туркия: SWIR-based remote sensing барои минтақаҳои дорои хатари баланди сӯхтори ҷангал дар Туркия ҳамчун равиши арзандаи таҳқиқот барои satellite, UAV ё payload-ҳои маҳаллии observation, ки дар оянда таҳия мешаванд, пешниҳод мешавад. Аммо натиҷаҳои ин таҳқиқот ба Sentinel-2 dataset-и British Columbia ва binary classification setup-и муайян асос меёбанд. Азбаски vegetation, topography, atmospheric conditions, fire types ва sensor geometry дар Туркия метавонанд фарқ кунанд, performance percentages-и гузоришшуда набояд мустақиман ба Туркия интиқол дода шаванд; validation бо local data ва real hardware лозим аст.

Масъалае, ки таҳқиқот ҳал кардан мехоҳад, чист?

Системаҳои monitoring-и сӯхтор бар асоси visible-spectrum images метавонанд дар smoke, haze ва low-light conditions дар target discrimination мушкилӣ дошта бошанд. Равиши асосии таҳқиқот истифодаи он аст, ки short-wave infrared spectral information метавонад дар бораи burned surface, vegetation moisture/stress ва баъзе thermal anomalies маълумоти аз visible image фарқкунанда диҳад.

Research gap-и муайянкардаи муаллифон танҳо higher classification accuracy нест. Онҳо мегӯянд, ки аксари корҳои мавҷуда ба software-level image classification тамаркуз карда, SWIR optical system, sensor, electronic signal chain, spectral feature extraction ва AI optimization-ро дар як end-to-end architecture ба таври кофӣ муттаҳид намекунанд.

Системаи пешниҳодшудаи end-to-end чӣ гуна кор мекунад?

Дар Шакли 1-и таҳқиқот раванд дар панҷ марҳилаи асосӣ дода шудааст: гирифтани Sentinel-2-based images, preprocessing, SWIR spectral feature extraction, classification бо Hybrid CNN–ResNet50 ва GWO-based optimization. Дар марҳилаи охир model бо accuracy, precision, recall ва F1-score арзёбӣ мешавад.

Ба ин software chain параллел, муҳаққиқон payload architecture-еро муайян мекунанд, ки тарафи физикии future SWIR remote-sensing system-ро ифода мекунад: optical lens, SWIR filter, InGaAs detector, signal conditioning, analog-to-digital conversion, embedded controller ва data-transmission module.

Тасвирҳои Sentinel-2 чӣ гуна омода шуданд?

Original dataset аз 516 PNG images иборат аст: 258 wildfire ва 258 non-wildfire samples. Пас аз data augmentation шумораи умумии images ба 3096 расонида шудааст. Дар Table 1-и таҳқиқот 2167 images (%70) ҳамчун training ва 464 images (%15) ҳамчун validation set дода шудаанд. Test row дар table вуҷуд надорад, аммо results section мегӯяд, ки 465 test samples истифода шудаанд; 2167 + 464 + 465 баробар ба 3096 аст.

Ҳар яке аз бандҳои B8, B11 ва B12 аввал ба 128 × 128 pixels resize шуда ва алоҳида normalize шудаанд. Сипас се band дар channel axis муттаҳид шуда, input tensor-и 128 × 128 × 3 сохта шудааст.

Resize ва normalization-и тасвир чӣ гуна муайян шуданд?

Дар манбаъ resize operation бо муносибати зерин ифода мешавад:

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

Дар ин ҷо \(I_r(x,y)\) pixel-и мувофиқи resized image; \(I(x,y)\) original image; \(W\) ва \(H\) original width ва height; \(W_r\) ва \(H_r\) target width ва height мебошанд.

Min–max normalization, ки барои овардани intensity scales ба common range истифода шудааст:

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

мебошад. \(I_n\) normalized pixel value, \(I_{min}\) ва \(I_{max}\) minimum ва maximum intensities-и image-и дахлдорро ифода мекунанд.

Кадом spectral bands истифода шуданд?

Three-channel classification input аз B8, B11 ва B12 сохта шудааст:

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

B8 near-infrared (NIR), B11 SWIR-1 ва B12 SWIR-2 information-ро интиқол медиҳанд. Дар таҳқиқот махсусан гуфта мешавад, ки B11 ва B12 барои гирифтани spectral differences-и вобаста ба burned area, surface conditions ва vegetation moisture/stress истифода шудаанд.

Burned area бо NBR чӣ гуна арзёбӣ шуд?

Normalized Burn Ratio (NBR) бандҳои B8 ва B12-ро муқоиса мекунад:

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

Дар Шакли 7-и таҳқиқот NBR maps-и wildfire ва non-wildfire scenes ва difference map нишон дода шудаанд. Мувофиқи тафсири манбаъ, NBR values-и пасттаре, ки ба −1 наздик мешаванд, бо burned areas ва values-и баландтаре, ки ба +1 мераванд, бо healthier vegetation алоқаманд карда мешаванд.

Дар figure инчунин classes барои high burn severity бо NBR < −0,44; moderate burn аз −0,44 то −0,27; low burn аз −0,27 то −0,10; unburned area аз −0,10 то 0,10 ва healthy vegetation болотар аз 0,10 нишон дода шудаанд. Ин thresholds classification-и истифодашуда дар visual-и таҳқиқот мебошанд ва набояд автоматӣ ба ecosystems-и гуногун generalize шаванд.

Vegetation stress ва thermal anomaly чӣ гуна баррасӣ шуданд?

Барои vegetation analysis Normalized Difference Vegetation Index истифода шудааст:

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

Дар ин ҷо B8 NIR ва B4 red visible band мебошад. Ин equation ҷолиб аст, зеро B4 band дар three-channel model input нест; NDVI дар spectral feature analysis муайян мешавад, дар ҳоле ки classification tensor бар B8/B11/B12 сохта шудааст.

Thermal anomaly indicator дар манбаъ бо simple SWIR band difference ифода мешавад:

\[ T_a=B12-B11 \]

\(T_a\) thermal anomaly value, B12 ва B11 band intensities-и дахлдорро ифода мекунанд. Ин relation direct physical surface-temperature measurement нест; таҳқиқот онро ҳамчун anomaly indicator бар асоси difference-и SWIR band intensities истифода мекунад.

SWIR optical payload чӣ гуна модел шудааст?

Payload-и пешниҳодшуда аз optical lens system, SWIR filters, imaging optics ва field-of-view setup иборат аст. Thin-lens relation:

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

дода шудааст. \(f\) focal length, \(d_o\) object distance байни Earth surface ва lens, \(d_i\) image distance мебошад.

Optical magnification:

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

муайян шудааст.

Дар манбаъ target wavelength range-и SWIR filter:

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

дода шудааст. Spectral transmittance-и filter бошад:

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

мебошад; \(I_t\) transmitted ва \(I_i\) incident SWIR radiation intensity мебошанд.

Field of view ва ground sampling distance чӣ гуна муайян мешаванд?

Барои Field of View (FOV):

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

истифода шудааст. \(S\) sensor size ва \(f\) focal length мебошанд. FOV-и васеътар ground area-и бештарро фаро мегирад, FOV-и тангтар бошад метавонад higher target resolution диҳад.

Ground Sampling Distance (GSD) бошад:

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

дода шудааст. \(H\) satellite altitude, \(p\) pixel size ва \(f\) focal length мебошанд. Дар result graph-и таҳқиқот GSD value барои developed sensor system 50,0 m нишон дода шудааст.

Дар electronic subsystem data чӣ гуна ҳаракат мекунад?

SWIR detector incoming optical radiation-ро ба electric current табдил медиҳад:

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

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

Сигнали заиф баъд дар signal-conditioning circuit amplify мешавад:

\[ V_o=A_vV_i \]

Quantization step-и analog-to-digital converter:

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

муайян шудааст. Processing time барои embedded controller:

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

ва data-transmission rate:

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

модел шудаанд. Инҳо general engineering relations барои тавсифи system architecture мебошанд; таҳқиқот real-time performance-и ин electronic chain-ро дар flight hardware-и муайян experimental measurement накардааст.

InGaAs sensor model кадом parameters-ро истифода мекунад?

InGaAs SWIR sensor model бо spectral responsivity, noise, dynamic range ва pixel resolution муайян шудааст. Spectral responsivity:

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

noise-equivalent power:

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

ва dynamic range:

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

дода шудаанд.

Дар Шакли 8-и таҳқиқот барои proposed sensor system 70,5 dB dynamic range, 50,0 m GSD ва 100,0 ke− full-well capacity нишон дода мешаванд. Инҳо values-и аз real orbital test ченшуда нестанд, балки system parameters-и дар таҳқиқот developed/modelled мебошанд.

Чаро Hybrid CNN–ResNet50 ба ду branch ҷудо шудааст?

CNN branch-и model барои омӯзиши more local spatial features пайдарпай convolution, ReLU ва pooling layers истифода мекунад. Convolution operation дар манбаъ:

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

дода шудааст. Дар ин ҷо \(I\) input image, \(K\) convolution kernel ва \(F\) resulting feature map мебошанд.

ReLU activation:

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

мебошад.

Дар ResNet50 branch residual connection:

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

бо ин relation шарҳ дода мешавад. Ин structure барои support кардани feature transfer дар deeper layers ва кам кардани vanishing gradient problem истифода мешавад.

Feature vectors аз ду branch:

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

муттаҳид шуда, баъдан тавассути dense layers ба two-class Softmax output дода мешаванд.

Model бо кадом hyperparameters train шудааст?

Гузориш шудааст, ки training computer аз processor-и 12th-gen Intel Core i5-12400F, 16 GB RAM ва 64-bit Windows 11 Pro истифода кардааст. Дар hardware table-и таҳқиқот GPU information дода нашудааст.

GWO воқеан чиро optimize мекунад?

Дар Grey Wolf Optimization section ҳар candidate solution:

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

муайян шудааст. Дар ин ҷо LR learning rate, BS batch size, DR dropout rate ва TL number of trainable ResNet50 layers мебошад.

Search ranges:

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

дода шудаанд.

Аз ин рӯ, мувофиқи mathematical method-и таҳқиқот, quantities-и равшани optimize-шаванда аз ҷониби GWO deep-learning hyperparameters мебошанд. Гарчанде дар баъзе ҷойҳои text гуфта мешавад, ки GWO “payload design optimization” ё “feature selection” анҷом медиҳад, physical focal length, FOV, sensor pixel size ё ADC parameters дар GWO solution vector вуҷуд надоранд. Аз ин рӯ, ин claims набояд ҳамчун evidence-и physical payload optimization-и ҷудогона аз hyperparameter optimization арзёбӣ шаванд.

GWO convergence чӣ гуна гузориш шуд?

Дар Шакли 6 Alpha Wolf fitness value дар iterations-и аввал тақрибан 84,5 аст; дар iteration-и чорум ба 89,0, дар панҷум ба 91,0 мерасад ва дар iterations 5–10 дар сатҳи 91,0 мемонад. Манбаъ инро fast convergence тафсир мекунад.

Натиҷаи classification чиро нишон медиҳад?

Муаллифон барои чаҳорчӯбаи пурра metrics-и зеринро гузориш кардаанд:

Аммо confusion matrix дар ҳамон results section барои 465 test images 221 correct non-wildfire, 219 correct wildfire ва 12 ҳам 13 misclassification нишон медиҳад. Агар мустақим аз matrix cells ҳисоб шавад:

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

яъне тақрибан %94,62 ҳосил мешавад. Агар wildfire class ҳамчун positive қабул шавад, ҳамин matrix тақрибан %94,8 precision, %94,4 recall ва %94,6 F1-score медиҳад. Ин values бо metrics-и тақрибан %91, ки мақола гузориш мекунад, мувофиқ нестанд.

Аз ин рӯ, аз назари Verianla равиши дуруст ин нест, ки reported %91,03 accuracy ҳамчун performance-и қатъӣ ва internally verified-и таҳқиқот пешниҳод шавад; балки бояд ошкоро гуфта шавад, ки муаллифон %91,03 гузориш кардаанд, аммо published confusion matrix ба performance-и дигар ишора мекунад.

Номувофиқати дуюм дар confusion matrix чист?

Мувофиқи axes-и Шакли 3, дар true non-wildfire row 221 correct non-wildfire ва 12 incorrect wildfire classification; дар true wildfire row 13 incorrect non-wildfire ва 219 correct wildfire мавҷуд аст. Аммо ҷумлаи text, ки шарҳ медиҳад numbers 12 ва 13 ба кадом class нодуруст assign шудаанд, бо тартиби баръакс менамояд. Matrix visual ва textual description дар ин нуқта пурра мувофиқ нестанд.

Натиҷаҳои spectral response чиро нишон медиҳанд?

Дар Шакли 10-и таҳқиқот average normalized spectral response-и се band бо рақамҳои дақиқ дода шудааст. B12 SWIR-2 бо 0,6543 highest average normalized response; B8 NIR 0,5491; B11 SWIR-1 бошад 0,4467 дорад.

Average normalized spectral response-и баландтари B12 дар ин dataset аз ҷониби муаллифон бо higher sensitivity ба surface conditions ва vegetation changes алоқаманд карда шудааст. Аммо танҳо ин се average values исбот намекунанд, ки B12 дар ҳамаи fire scenarios аз дигар bands беҳтар аст.

Натиҷаҳои SNR чиро нишон медиҳанд?

Дар Шакли 9 SNR value барои non-wildfire images 1,884 ва барои wildfire images 2,378 гузориш шудааст. Муаллифон higher wildfire SNR-ро ҳамчун support барои қобилияти proposed SWIR approach дар discrimination-и fire-related signal тафсир мекунанд.

Бо вуҷуди ин, бояд ба назар гирифта шавад, ки ин values на аз experimental physical InGaAs payload measurement, балки аз study framework-и бар Sentinel-2 images асосёфта гирифта шудаанд. Аз ин рӯ, онҳо набояд ҳамчун real sensor signal-to-noise performance дар field тафсир шаванд.

Ablation analysis чӣ мегӯяд?

Дар Table 4-и таҳқиқот reported accuracy-и full framework 0,9103 аст. Ҳангоми хориҷ кардани баъзе components, манбаъ results-и зеринро медиҳад:

Манбаъ ин table-ро evidence-и саҳми ҳамаи modules ба classification тафсир мекунад. Аммо азбаски дар real experiments physical SWIR payload ё real InGaAs camera истифода нашудааст, rows-и “бе payload design” ва “бе sensor modeling” набояд ҳамчун hardware ablation, ки physical hardware хориҷ шуда ва experiment такрор шудааст, арзёбӣ шаванд. Таҳқиқот role-и ин components-ро дар software/modeling framework гузориш мекунад.

Натиҷаҳои дастгиришудаи таҳқиқот

• Three-channel data, ки аз Sentinel-2 B8, B11 ва B12 images сохта шудааст, барои wildfire/non-wildfire classification бо Hybrid CNN–ResNet50 истифода шудааст.
• Муаллифон барои full model %91,03 accuracy, %91,27 precision, %91,03 recall ва %91,01 F1-score гузориш кардаанд.
• Нишон дода шудааст, ки GWO дар defined search space learning rate, batch size, dropout ва trainable ResNet50 layer count-ро optimize мекунад.
• B12 band дар таҳқиқот бо 0,6543 highest average normalized spectral response байни се band-и интихобшуда нишон додааст.
• Дар манбаъ SNR value-и wildfire images 2,378 ва non-wildfire images 1,884 гузориш шудааст.
• NBR maps spectral difference байни wildfire ва non-wildfire scenes нишон медиҳанд.
• Proposed architecture image preprocessing, spectral features, CNN–ResNet50 ва GWO-ро дар як software framework муттаҳид мекунад.

Натиҷаҳое, ки таҳқиқот дастгирӣ ё исбот намекунад

• Исбот нашудааст, ки real SWIR optical-electronic payload дар orbit ё aircraft fire-ро бо %91,03 accuracy муайян мекунад.
• Physical prototype-и InGaAs sensor дар таҳқиқот барои тавлиди data ба ҷойи real Sentinel-2 истифода нашудааст.
• Onboard real-time processing performance experimental validation нашудааст.
• Нишон дода нашудааст, ки ҳамон performance зери heavy cloud, different atmospheric conditions ва different geographies нигоҳ дошта мешавад.
• Азбаски reported %91,03 accuracy бо confusion matrix математикӣ reconciliation намешавад, ҳамчун exact success rate мустақилона verified нашудааст.
• Бо mathematical solution vector нишон дода нашудааст, ки GWO physical lens, FOV, sensor ё electronic payload parameters-ро optimize мекунад.
• Исбот нашудааст, ки B12 universal best band дар ҳамаи fire-detection systems аст.
• Натиҷаҳои таҳқиқот ба forest fires-и Туркия бо ҳамон accuracy values мустақим generalize намешаванд.

Усул ва Натиҷаҳои Таҳқиқот

Experimental data ва preprocessing chain

Таҳқиқот BC Wildfire Sentinel2 Dataset-ро истифода мекунад. 516 original images баъди data augmentation ба 3096 samples афзоиш дода шудаанд. Training, validation ва test samples-и дар results section гуфташуда мутаносибан 2167, 464 ва 465 мебошанд. Барои ҳар image, B8, B11 ва B12 bands ба 128 × 128 pixels оварда, normalize шуда ва three-channel input сохта шудааст.

Таҳқиқот augmentation function-ро general form:

\[ I_a=T(I) \]

нишон медиҳад. \(T\) transformation function-и ба image татбиқшуда мебошад. Аммо манбаъ ҳамаи detailed types-и augmentation operations ва distribution-и ҳар transformation-ро берун аз mathematical equation ҳамчун fully reproducible protocol намедиҳад.

SWIR sensor ва electronic model

Дар model, conversion-и incoming SWIR radiation ба electrical signal аз ҷониби sensor, amplification-и signal, digitization бо ADC, processing дар embedded controller ва transmission ҳамчун sequential electronic chain муайян шудаанд. InGaAs sensor model responsivity, noise-equivalent power, dynamic range ва pixel resolution-ро фаро мегирад.

Аммо таҳқиқот laboratory calibration бо real sensor part number, real optical lens tolerance measurements, MTF test, temperature-dependent dark-current measurement ё orbit-level radiometric calibration-ро гузориш намекунад. Аз ин рӯ, ин section бояд ҳамчун sensor/payload design model хонда шавад.

Deep learning ва optimization

CNN ва ResNet50 ду parallel feature-extraction branches мебошанд. ResNet50 бо ImageNet pretrained weights оғоз шуда, 60 layer-и охир барои adaptation ба wildfire data trainable мондаанд. Ду feature vector дар fusion layer муттаҳид шуда ва бо Softmax ба wildfire/non-wildfire class табдил шудаанд.

Cross-entropy loss:

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

minimize шудааст. \(y_i\) true class label, \(P_i\) prediction probability ва \(C\) class count мебошад.

GWO fitness value дар манбаъ бо accuracy муайян шудааст:

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

Optimal hyperparameter solution бошад:

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

мебошад.

Detailed check-и confusion matrix ва reported metrics

Matrix-и дар Шакли 3 нишон додашуда чунин аст:

Ин чор cells total 465 samples мебошанд ва 440-и онҳо correct classification. Аз ин рӯ, accuracy-и худи visual matrix тақрибан %94,62 аст. Шарҳ дода нашудааст, ки %91,03 value дар Figure 4 ва text-и таҳқиқот аз кадом different prediction set ё calculation stage омадааст.

Дар Verianla evaluation ин фарқ critical ҳисоб шудааст, зеро classification accuracy яке аз main claims-и таҳқиқот аст. Ба ҷойи сохтани assumption-и дар манбаъ шарҳнадодашуда ё silent acceptance-и яке аз numbers ҳамчун “correct”, ҳар ду data якҷо дода шудаанд.

Bibliographic problem дар comparison table

Table 5-и манбаъ proposed model-ро бо ду previous method муқоиса мекунад. Аммо comparison-и дуюм ҳамчун “Deep Learning Wildfire Detection Using Multi-Source Remote Sensing [32]” пешниҳод мешавад, дар ҳоле ки reference 32 дар bibliography wildfire classification model нест, балки different study дар fire management мебошад. Аз ин рӯ, bibliographic match-и reference-и дуюм дар Table 5 дар дохили манбаъ verified намешавад.

Ғайр аз ин, гарчанде column names-и Table 5 percentage sign доранд, values ҳамчун 0,8840, 0,8932 ва 0,9103 дар scale-и 0–1 навишта шудаанд. Аз рӯи meaning эҳтимол инҳо мутаносибан %88,40, %89,32 ва %91,03 мебошанд; аммо table format ба ҳамон шакли манбаъ scale-label inconsistency дорад.

Ҷиҳатҳои қавии таҳқиқот

• Fire detection-ро танҳо ҳамчун RGB image classification не, балки бо focus ба SWIR spectral information баррасӣ мекунад.
• Sentinel-2 B8/B11/B12 bands-ро ошкор муайян мекунад.
• Physical/spectral indicators ба мисли NBR, NDVI ва SWIR band difference-ро дар ҳамон framework бо deep learning approach муҳокима мекунад.
• Architecture-и равшан барои fusion-и Hybrid CNN ва ResNet50 features пешниҳод мекунад.
• GWO search space ва optimized hyperparameters-ро mathematical муайян мекунад.
• Ablation analysis пешниҳод намуда, кӯшиш мекунад impact-и model components ба reported performance муқоиса шавад.
• Дар discussion section ошкор мегӯяд, ки real-time hardware validation анҷом нашудааст.

Маҳдудиятҳои асосии таҳқиқот

• Real SWIR payload hardware истеҳсол ва experimental test нашудааст.
• Experiments ба offline Sentinel-2 images асос ёфтаанд.
• Real-time onboard processing validation анҷом нашудааст.
• Heavy cloud ва adverse atmospheric conditions метавонанд performance-ро паст кунанд.
• Computational cost-и Hybrid CNN–ResNet50 ва GWO баланд аст.
• Байни confusion matrix ва reported main performance metrics numerical inconsistency-и ҷиддӣ ҳаст.
• Дар comparison table камаш як reference number бо described study мувофиқат намекунад.
• Баъзе claims дар бораи physical payload optimization аз ҷониби GWO бо defined solution variables мустақим дастгирӣ намешаванд.
• Impact-и physical payload/sensor components дар ablation бо real hardware-removal experiment нишон дода нашудааст.

Пешниҳодҳои кори оянда

Муаллифон пешниҳод мекунанд, ки дар оянда system бо real SWIR payload ва embedded hardware experimental validation шавад, real-time implementation бо lighter deep-learning architectures, multimodal sensor fusion ва transformer-based models таҳқиқ шаванд. Илова кардани UAV ва hyperspectral images низ аз development directions-и зикршуда аст.

Ёддошт оид ба Манбаъ ва Усул

Номи пурраи аслии таҳқиқот: Design and Development of a SWIR Optical-Electronic Payload for Earth Remote Sensing Applications

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

Тартиби муаллифон: Original order-и манбаъ айнан нигоҳ дошта шудааст.

Саҳми баробар/муаллифи якуми баробар: Дар манбаъ зикр нашудааст.

Муаллифи масъул: Samal Kaliyeva.

Муассисаҳо: 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.

Навъи манбаъ: Мақолаи рецензияшудаи таҳқиқотӣ. Deep-learning classification бар асоси offline Sentinel-2 images-ро бо conceptual SWIR optical-electronic payload ва InGaAs sensor modeling муттаҳид мекунад.

Маҷалла: Aerospace

Ношир: MDPI

Ҷилд / рақами мақола: 13, 649

Санаи нашр: 17 июли 2026

DOI: 10.3390/aerospace13070649

Пайванди расмии нашр: https://www.mdpi.com/2226-4310/13/7/649

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

Ҳолати рецензия: Мақолаи рецензияшудаи таҳқиқотӣ дар маҷаллаи Aerospace нашр шудааст.

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

Маблағгузорӣ: Аз ҷониби Science Committee of the Ministry of Science and Higher Education of the Republic of Kazakhstan дар доираи Research Identification Registration Number (IRN) BR27198365 маблағгузорӣ шудааст.

Дастрасии додаҳо: Гуфта шудааст, ки data-и дар таҳқиқот пешниҳодшуда бо request аз corresponding authors дастрас аст.

Conflict-of-interest statement: Source text ибораи “All authors were employed by the company Ghalam LLP”-ро истифода мекунад ва баъд барои “remaining authors” набудани commercial or financial relationship-ро мегӯяд. Аммо дар affiliation list-и мақола Ghalam LLP танҳо ба баъзе authors дода шудааст. Ин visible inconsistency silent correction нашудааст.

Ёддошти author contribution: Дар манбаъ contribution-и investigation ҳамчун “S.K., A.S., B.Z., B.Z. and A.Z.” дода шуда, B.Z. ду маротиба такрор мешавад. Verianla бовар намекунад, ки ин repetition ба ҷойи кадом author навишта шудааст.

Performance consistency note: Муаллифон %91,03 accuracy, %91,27 precision, %91,03 recall ва %91,01 F1-score гузориш мекунанд. Аммо confusion matrix-и 221/12/13/219 дар Шакли 3 ба overall accuracy-и тақрибан %94,62 мувофиқат мекунад. Манбаъ reason-и ин difference-ро шарҳ намедиҳад. Аз ин рӯ, Verianla яке аз reported ё matrix-derived values-ро silent replacement накардааст.

Comparative-source note: Comparison-и “Deep Learning Wildfire Detection Using Multi-Source Remote Sensing”, ки дар Table 5 бо [32] нишон дода шудааст, аз ҷиҳати bibliographic ба reference 32 дар bibliography мувофиқат намекунад. Аз ин рӯ, comparison-и мазкур бо independent bibliographic accuracy assumption бознависӣ нашудааст.

GWO scope note: GWO solution vector learning rate, batch size, dropout rate ва trainable layers parameters-ро дар бар мегирад. Аз ин рӯ, explicitly validated optimization scope-и method deep-learning hyperparameters мебошанд; аз ин equation set баровардан мумкин нест, ки physical SWIR payload parameters аз ҷониби GWO optimize шудаанд.

Ҳудуди илмӣ: Таҳқиқот real-time SWIR payload implementation ё onboard hardware validation анҷом надодааст. Classification experiments бо offline Sentinel-2 images анҷом шудаанд. Optical payload ва InGaAs sensor section хусусияти model/conceptual architecture барои future physical implementation дорад.

Усули истеҳсоли мундариҷа: Scientific methods, equations, numerical data, graph interpretations ва limitations дар ин шарҳи Verianla ба source study-и баррасишуда асос ёфтаанд. External source use танҳо ба bibliographic verification-и study identity ва peer-review status-и journal маҳдуд шудааст; new scientific finding ё performance data аз берун ба main article илова нашудааст.