Geofazoviy sun’iy intellekt (Geospatial Artificial Intelligence, GeoAI), geografik axborot tizimlari, masofadan zondlash, fazoviy tahlil va sun’iy intellekt usullarini fazoviy jihatdan bogʻlangan ma’lumotlar bilan birlashtirib, monitoring, bashoratlash, optimallashtirish va qarorlarni qoʻllab-quvvatlashni ta’minlaydigan fanlararo tahliliy doiradir. Ushbu tizimli sharh 2019–2026 davridagi adabiyotlar asosida aniq qishloq xoʻjaligida GeoAI qoʻllanmalarini koʻrib chiqadi; sun’iy yoʻldosh tasvirlari, UAV ma’lumotlari, IoT va proximal sensor oʻlchovlari, ob-havo/iqlim ma’lumotlari, tuproq ma’lumotlari hamda xoʻjalik boshqaruvi yozuvlari qanday integratsiya qilinishini baholaydi. Sharhda ajralib turadigan qoʻllanish sohalari crop yield estimation, pest and disease detection, soil parameter mapping, resource optimization, climate adaptation va decision support systems hisoblanadi. Asosiy xulosa shuki, GeoAI faqat yuqori model aniqligidan iborat emas: fazoviy bogʻliqlik, masshtab nomuvofiqligi, transferability, uncertainty, field validation, interpretability va real ish jarayoniga integratsiya hisobga olinmasa, geografik bogʻlangan modelni operatsion qishloq xoʻjaligi qaror tizimi deb boʻlmaydi.

Sharh PRISMA 2020 hisobot koʻrsatmalaridan foydalangan; Scopus va Web of Science Core Collection asosiy bibliografik ma’lumotlar bazalari sifatida qoʻllanilgan, Google Scholar hamda backward/forward citation searching esa qoʻshimcha izlash kanallari sifatida baholangan. Dalillar ekin turi, mintaqa, sensor, algoritm, validation design va baholash metrikasi boʻyicha juda heterogen boʻlgani sababli meta-tahlil oʻtkazilmagan; narrative va thematic synthesis ishlatilgan.

Adabiyotlar umuman bitta ma’lumot manbasiga tayangan xaritalash va bashoratlash ishlaridan turli sensorlar va yozuvlarni bir xil decision-support zanjirida birlashtiradigan tizimlarga qarab siljimoqda. Shunga qaramay, hosildorlik, resurslardan foydalanish samaradorligi, ekologik foyda va iqtisodiy daromad barcha geografiyalarda avtomatik ravishda yuzaga kelmaydi. Natijalar ekin turi, mintaqa, sensor sifati, calibration, mahalliy agronomik chegaralar, aloqa infratuzilmasi, xarajat, foydalanuvchi salohiyati va ilovaning haqiqiy dala sharoitida tasdiqlanishi bilan birga baholanishi kerak.

Geofazoviy Sun’iy Intellekt (GeoAI) Aniq Qishloq Xoʻjaligida Nima?

Geofazoviy sun’iy intellekt (GeoAI) — qishloq xoʻjaligi kuzatuvlarini faqat koordinatalardan foydalanish bilan cheklamaydigan; GIScience, remote sensing, spatial statistics, machine learning, deep learning va qaror tahlilini fazoviy va vaqt konteksti bilan birlashtirib, aniq joylar uchun bashorat, xarita, xavfni baholash yoki boshqaruv tavsiyalarini ishlab chiqaradigan yondashuvlar oilasidir.

Nega aniq qishloq xoʻjaligi fazoviy muammo hisoblanadi?

Dala bir xil ishlab chiqarish yuzasi emas. Crop performance, soil fertility, pest pressure, water availability va management response bir xil yer maydonining oʻzida ham joy va vaqtga qarab oʻzgarishi mumkin. Aniq qishloq xoʻjaligining asosiy maqsadi bu farqlilikni yoʻqotmasdan kuzatish va zarur boʻlganda bir dalaning oʻzida turli boshqaruv qarorlarini qoʻllashdir.

Shuning uchun GeoAI ning ilmiy vazifasi faqat “dalaning suratini tasniflash” emas. Model olgan ma’lumot qayerda amal qilishi, qaysi hududni ifodalashi, qaysi mavsumga tegishli ekanligi, qoʻshni kuzatuvlar bilan qanchalik bogʻliq ekani va tavsiya qaysi management scale da qoʻllanishi mumkinligi ham tahlilning bir qismidir.

GeoAI ekotizimining ma’lumot manbalari

Figure 1 ning ilmiy arxitekturasi

Manba Figure 1 da GeoAI tizimini besh qatlamli axborot oqimi sifatida quradi. Birinchi qatlamda sun’iy yoʻldosh tasvirlari, UAV tasvirlari, proximal/IoT sensorlar, ob-havo–iqlim ma’lumotlari va tuproq/xoʻjalik yozuvlari mavjud. Ikkinchi qatlam spatial–temporal integration boʻlib, turli manbalar standartlashtiriladi, moslashtiriladi, birlashtiriladi, sifat nazoratidan oʻtkaziladi va hujjatlashtiriladi.

Uchinchi qatlam cloud va edge services dir. Ma’lumotlarni saqlash, streaming, computation, containers, GIS databases va API infratuzilmalari shu yerda boʻlishi mumkin. Toʻrtinchi qatlam GeoAI analytics dir: spatial statistics, machine learning, deep learning, computer vision, explainability va uncertainty analysis.

Oxirgi qatlam validated decision support dir. Manba bu yerda crop-health/yield forecasts, pest and disease scouting priorities, prescription maps va irrigation/soil/climate advisories kabi chiqishlarni koʻrsatadi. Ushbu tuzilma model bashorati yakuniy mahsulot emas, balki tasdiqlangan qishloq xoʻjaligi qaroriga olib boruvchi oraliq qatlam ekanini ta’kidlaydi.

Change-of-support muammosi nima?

Turli sensorlardan keladigan kuzatuvlar bir xil narsani bir xil jismoniy tayanchda oʻlchamaydi. Sun’iy yoʻldosh pikseli oʻnlab yoki yuzlab kvadrat metr yuzaning oʻrtacha qiymatini ifodalashi mumkin. UAV pikseli kanopining ancha kichik qismini ifodalasa, tuproq namligi sensori bitta nuqta yoki cheklangan sensing volume haqida ma’lumot beradi.

Bu oʻlchovlarning barchasini umumiy 10 m, 20 m yoki boshqa raster grid ga qayta namunalash matematik jihatdan umumiy koordinata tizimini yaratishi mumkin, biroq kuzatuvlarning asl spatial support ini bir xil qilmaydi. Resampling va interpolation dispersiya, covariance va fazoviy naqshlarni oʻzgartirishi mumkin.

Shuning uchun multimodal GeoAI integratsiyasi faqat fayllarni ustma-ust qoʻyish jarayoni emas. Support transformation, scale compatibility, temporal synchronization va heterogeneous-input uncertainty ning modelga qanday olib kirilishi alohida baholanishi kerak.

Koʻp modalli ma’lumotlar nima uchun muhim?

Bitta sensor qishloq xoʻjaligi tizimining barcha jismoniy holatini kuzata olmaydi. Sun’iy yoʻldosh tasvirlari keng hududni takroriy kuzatishi mumkin, ammo alohida oʻsimlik tafsilotlarini cheklangan darajada koʻradi. UAV juda yuqori fazoviy tafsilot beradi, biroq katta hudud va uzluksiz coverage xarajatini oshirishi mumkin. IoT sensori mahalliy joyda juda tez-tez oʻlchov olishi mumkin, ammo butun maydonni ifodalamasligi mumkin.

Multimodal fusion yondashuvida bu manbalar bir-birini toʻldiruvchi ma’lumot olib kelishi koʻzda tutiladi. Masalan, yield forecasting tizimi satellite time series ni weather data, soil covariates, cultivar ma’lumoti va management records bilan birlashtirishi mumkin. Shunda model faqat canopy reflectance ni emas, kanopi qanday tuproq, ob-havo va boshqaruv sharoitida rivojlanganini ham baholashi mumkin.

Sharhda ajralib turgan oltita qoʻllanish sohasi

Qaysi AI usullari ishlatiladi?

Sharhning asosiy xulosasi “bitta algoritm qolganlarning barchasidan ustun” degani emas. Turli model oilalari turli ma’lumot tuzilmalari va vazifalarda qoʻllanadi.

Random Forest va boshqa ensemble usullari tabular soil data hamda oʻrta hajmdagi remote-sensing ma’lumot toʻplamlarida barqarorlik va talqin qilinishi sababli tez-tez ishlatiladi. CNN lar tasvirga asoslangan crop-health, segmentation va pest/disease detection vazifalarida ajralib turadi. RNN, LSTM va GRU kabi sequence modellar weather, crop-growth va yield time series uchun ishlatiladi.

Vision Transformer va hybrid CNN–Transformer tizimlari kengroq tasvir konteksti va multimodal representations ni modellashtirish uchun tadqiq qilinmoqda. Graph-based models esa kuzatuvlar orasidagi munosabatlarni aniq ifodalash foydali boʻlgan muammolarda qoʻllanishi mumkin.

GeoAI workflow darajasida multimodal fusion, GIS-based spatial analysis, Explainable AI (XAI), uncertainty quantification, digital twins va cloud–edge processing model atrofidagi tizim arxitekturasini tashkil qiladi.

Explainable AI va uncertainty nima uchun birgalikda muhim?

Model irrigation, fertilization yoki pesticide application kabi haqiqiy boshqaruv qaroriga ta’sir qilsa, faqat bashorat sinfini koʻrsatish yetarli emas. Agronom yoki fermer qaysi ma’lumot qarorga ta’sir qilganini va model bu qarorga qanchalik ishonishini bilishni xohlashi mumkin.

Sharh SHAP, LIME, Grad-CAM, surrogate models va attention visualization kabi XAI yondashuvlarini muhokama qiladi. Uncertainty quantification esa ishonchi past prediction yoki prescription larni field inspection uchun belgilashga yordam berishi mumkin.

Bu ikki qatlam turli savollarga javob beradi: explainability “model nega bunday dedi?” savoliga; uncertainty esa “model aytganiga qanchalik ishonish mumkin?” savoliga qaratilgan.

Geografik Bogʻlangan Ma’lumot Nega Oʻzi Haqiqiy GeoAI Emas?

Ma’lumotning koordinatga ega boʻlishi yoki xaritada koʻrsatilishi haqiqiy fazoviy reasoning ni kafolatlamaydi; manba GeoAI spatial dependence, covariance, support, scale, regional heterogeneity, spatial validation va transferability kabi fazoviy xususiyatlarni sampling dan qaror bosqichigacha ochiq hisobga olishi kerakligini ta’kidlaydi.

Fazoviy bogʻliqlik

Geografik jihatdan bir-biriga yaqin qishloq xoʻjaligi kuzatuvlari umumiy tuproq, topografiya, iqlim, sugʻorish yoki boshqaruv sharoitlarini boʻlishishi mumkin. Shu sababli klassik mustaqil kuzatuv farazi har doim ham toʻgʻri emas.

Fazoviy statistika bu bogʻliqlikni covariance, variogram, kriging, spatial Bayesian models yoki boshqa spatial models orqali ochiq modellashtirishi mumkin. GeoAI ning “geospatial” xususiyati ham faqat latitude/longitude ustunidan emas, balki bu munosabatlarning tahliliy tuzilmaga qanday kiritilganidan kelib chiqadi.

Spatial leakage

Masalan, bir dalaning bir-biriga juda yaqin ikki pikselidan biri tasodifan training, ikkinchisi test guruhiga tushsa, test namunasi oʻquv ma’lumotlaridan mustaqil boʻlmasligi mumkin. Model hududning fazoviy xususiyatlarini allaqachon bilvosita koʻrgan boʻladi.

Bunday holatda random train–test split odatdagidan yuqori performance metric berishi mumkin. Manba intended deployment ga mos spatially blocked validation, leave-location-out, cross-region validation yoki temporal holdout kabi qiyinroq dizaynlardan foydalanishni tavsiya qiladi.

Deep learning fazoviy reasoning ni avtomatik ta’minlamaydi

CNN tasvir texture sini juda yaxshi oʻrganishi mumkin; ammo tasvirning geografik qoʻshnichilik tuzilmasini yoki qaysi fazoviy masshtabda amal qilishini majburiy ravishda ifodalamaydi. Transformer ham positional yoki spatial representation mazmunli qurilmagan boʻlsa, faqat model arxitekturasi tufayli haqiqiy geografik reasoning ga ega boʻlmaydi.

Shuning uchun yuqori accuracy oʻzi haqiqiy GeoAI isboti emas. Model qaysi field, region, season, sensor va spatial scale uchun amal qilishi ham koʻrsatilishi kerak.

Mapped output bilan spatially informed product oʻrtasidagi farq

Model prediction i xaritaga aylantirilishi mumkin; ammo xaritalangan chiqish bilan fazoviy jihatdan tasdiqlangan mahsulot bir xil emas. Spatially informed workflow sampling strategy, spatial dependence, support, validation geography, uncertainty va scale ma’lumotlarini hujjatlashtiradi hamda foydalanuvchiga model qayerda qoʻllanishi mumkinligini tushuntiradi.

Figure 3: Operatsion GeoAI pipeline

Rasmda Amazon S3, EC2, Kubernetes, Jupyter, SageMaker, PostGIS, RDS, DynamoDB, GeoServer, WMS va WFS kabi texnologiyalar misol sifatida koʻrsatilgan. Manba bu mahsulotlarni majburiy arxitektura sifatida belgilamaydi; AWS, Azure, Google Cloud, ochiq manbali, hybrid yoki on-premises infratuzilmalar bir xil funksional zanjirni amalga oshirishi mumkin.

Tadqiqot Usuli va Natijalari

Sharhning tadqiqot savollari

Tizimli sharh besh asosiy savol boʻyicha tuzilgan: GeoAI ning joriy qoʻllanish sohalari va ularning rivojlanishi; ishlatiladigan GeoAI/ML usullari hamda ma’lumot manbalari; productivity, resource efficiency, environmental sustainability va operational decision making boʻyicha dalillar; keng koʻlamli qoʻllashni cheklaydigan texnik, operatsion, ijtimoiy-iqtisodiy va boshqaruv muammolari; keyingi avlod GeoAI tizimlari uchun tadqiqot boʻshliqlari.

Adabiyotlarni qidirish strategiyasi

2019 dan oldingi nashrlar asosiy empirical evidence fondini kengaytirish uchun emas; zarur spatial/geostatistical/remote-sensing/AI usullarining asoslarini tushuntirish, keng qoʻllaniladigan conceptual framework ni taqdim etish yoki yangi adabiyotlarni talqin qilish uchun benchmark context yaratish maqsadida saqlangan.

Kiritish va chiqarish mantiqi

Tadqiqot doirada qolishi uchun qishloq xoʻjaligi muammosi, fazoviy yoki georeferenced ma’lumot va AI asosidagi tahlil oʻrtasida aniq bogʻlanish boʻlishi kerak. Faqat AI ishlatgan, ammo geospatial component boʻlmagan tadqiqotlar hamda faqat GIS/remote sensing ishlatgan, ammo AI analytical component boʻlmagan tadqiqotlar chiqarib tashlangan.

Qisqa abstract, poster, editorial, opinion, non-English record va metodologik jihatdan baholab boʻlmaydigan yozuvlar ham chiqarib tashlangan. Journal quartile yoki impact-factor cut-off ishlatilmagan; jurnal obroʻsi methodological quality ning oʻrnini bosuvchi mezon sifatida qabul qilinmagan.

PRISMA hisoblaridagi manba ichki nomuvofiqlik

Ikki hisobot usuli bir xil 290 yozuv natijasiga keladi; biroq duplicate va ineligible toifalarining taqsimoti bir-biriga mos kelmaydi. Manba buning uchun alohida reconciliation izohini bermaydi. Verianla bu qiymatlardan birini yashirin ravishda “toʻgʻri” deb qabul qilmaydi.

Screening dan keyingi oqim

Talqin chegarasi: 134 qiymati cross-pathway deduplication va ayni tadqiqotni tavsiflaydigan multiple reports reconciliation jarayonidan oldingi mos hisobotlar sonidir. Manba bu qiymat tasdiqlangan noyob tadqiqotlar soni emasligini aniq qayd etadi.

Ma’lumotlarni ajratib olish

Bitta tadqiqotchi har bir mos yozuvdan publication year, study type, crop/agricultural system, country/region, application domain, sensing platform, data source, spatial/temporal scale, algorithm, evaluation metric, reported outcome, implementation barrier va future-research need ma’lumotlarini kodlagan.

Usullar traditional ML, DL, Transformer-based models, object detection/segmentation, multimodal fusion, GIS spatial analysis, XAI, uncertainty quantification, digital twins va dashboard-based decision support kabi oilalarga ajratilgan.

Validation alohida dalil qatlami sifatida kodlandi

Model metrikasi bilan validation design alohida kodlangan. Tadqiqotlar imkon qadar random validation, temporally independent validation, spatially independent validation, external-site validation yoki field/operational validation sifatida tasniflangan.

Bu farqlash juda muhim. Modelning random split da yuqori accuracy koʻrsatishi boshqa dala yoki mintaqada ham xuddi shunday muvaffaqiyat berishini isbotlamaydi. Xuddi shuningdek, soil moisture yoki disease probability ni bashorat qilish ushbu prediction haqiqiy management decision ni yaxshilaganini koʻrsatmaydi.

Sifatni baholash sohalari

GeoAI da Yuqori Model Aniqligi Nega Operatsion Muvaffaqiyatni Isbotlamaydi?

Yuqori accuracy, F1, R² yoki shunga oʻxshash prediction metrikasi faqat muayyan evaluation dizaynidagi model muvaffaqiyatini koʻrsatadi; operatsion aniq qishloq xoʻjaligi muvaffaqiyati uchun modelning yangi joy va davrlarga koʻchirilishi, noaniqligi ma’lum boʻlishi, chiqish amalda qoʻllanadigan boshqaruv qaroriga aylantirilishi va bu qaror suv, input, hosildorlik, xarajat yoki boshqa haqiqiy dala natijalari boʻyicha tasdiqlanishi kerak.

Sensing bilan action oʻrtasidagi dalil pogʻonalari

Manba ayniqsa irrigation misoli orqali toʻrt bosqichli mantiqni tushuntiradi:

Shuning uchun operatsion tasdiqlash water application, water-use efficiency, crop yield/quality, energy consumption, irrigation timing va over-/under-irrigation kabi natijalarni conventional management yoki mos baseline bilan taqqoslashi kerak.

Mahsuldorlik va bashoratlash

Yield prediction sharhda nisbatan yetuk GeoAI sohalaridan biridir. Satellite time series, weather, soil, cultivar va management-zone ma’lumotlarini birga ishlatish bitta vegetation index ga asoslangan modelga qaraganda kengroq prediction context berishi mumkin.

Biroq manba barcha bu modellar uchun umumiy accuracy oshishini hisoblamaydi. Tadqiqotlarda crop, region, metric va validation dizaynlari turlicha boʻlgani uchun meta-tahliliy umumiy ishlash qiymati yaratilmagan.

Zararkunanda va kasalliklarni aniqlash

CNN, Vision Transformer, object detector va segmentation usullari crop stress, pest va disease symptoms uchun tobora keng qoʻllanmoqda. Shunga qaramay controlled image dataset ishlashi illumination, phenology, cultivar, background va disease severity oʻzgarganda bir xil qolmasligi mumkin.

Operational pest/disease management uchun cross-domain transferability va field-scale validation talab qilinadi.

Tuproqni xaritalash

GeoAI soil mapping tadqiqotlarida field samples, proximal sensing, terrain attributes, satellite products va environmental covariates birlashtirilishi mumkin. Remote sensing ning agronomik qiymati ground truth bilan bogʻlanganda ortadi.

Yangi dalalarga koʻchirish uchun spatially blocked validation, local calibration, uncertainty estimates va agronomically interpretable management outputs muhim.

Resurslarni optimallashtirish

Resource optimization sohasi irrigation, fertilization, pesticide application va machinery operations ni qamrab oladi. Model recommendation larini faqat texnik jihatdan ishlab chiqish yetarli emas; ular local agronomic thresholds, equipment constraints, farmer risk tolerance va labor requirements ga mos boʻlishi kerak.

Ekologik barqarorlik

Kamroq water, fertilizer yoki pesticide ishlatish runoff, pollution yoki emissions boʻyicha foyda berish imkoniga ega. Ammo raqamli texnologiyaning environmental footprint i faqat daladagi input reduction bilan oʻlchanmaydi.

Device manufacturing, electricity demand, cloud/data infrastructure va rebound effects kabi hayot sikli tarkiblari ham hisobga olinishi kerak. Shu sababli tadqiqot environmental sustainability gains ni shartsiz natija sifatida taqdim etmaydi.

Iqtisodiy va operatsion amalga oshirilish imkoniyati

Initial investment, subscription costs, connectivity, equipment compatibility, technical support va user training adoption ni belgilashi mumkin. Manba kelajakda model metric lariga qoʻshimcha ravishda return on investment, implementation cost, labor saving va operational resilience kabi koʻrsatkichlarni ham baholashni tavsiya qiladi.

GeoAI oldidagi asosiy toʻsiqlar

Kelajak tadqiqot yoʻnalishlari

Multimodal AI fusion

Kelajakdagi multimodal tizimlarda turli feature larni faqat bitta vektorda birlashtirish yetarli deb hisoblanmaydi. Spatial support, temporal frequency, measurement uncertainty va sensor failure mode kabi farqlarni arxitekturada ochiq boshqarish tavsiya qilinadi.

Generative AI

GAN va diffusion modellari kam uchraydigan pest events, imbalanced disease classes yoki kam yorliqlangan crop stages uchun synthetic training data berishi mumkin. Ammo generated samples haqiqiy biologik va fazoviy taqsimotlarni buzishi mumkin.

Shuning uchun synthetic-data tadqiqotlari faqat aggregate accuracy ni emas, spatial generalization, calibration, uncertainty va field transfer ga ta’sirni ham hisobot qilishi kerak.

Explainable AI

XAI faqat qaysi pixel yoki variable muhimligini koʻrsatish bilan cheklanmasligi kerak. Izoh qaysi geografiyada, qaysi scale da va qaysi uncertainty sharoitida amal qilishi ham koʻrsatilishi kerak.

Edge AI

UAV, robot, smart trap, irrigation controller va dense IoT networks kengaygani sari field-side processing muhimlashadi. Edge AI latency va bandwidth talablarini kamaytirishi mumkin; ammo lightweight models, compression, sensor-quality control va aloqa uzilganda xavfsiz fallback behavior kerak.

Data privacy va participatory design

Qishloq xoʻjaligi ma’lumotlari land productivity, input use, xoʻjalik amaliyotlari va location-specific vulnerabilities haqida sezgir tijoriy ma’lumotlarni oʻz ichiga olishi mumkin. Consent, confidentiality, geoprivacy va ownership shu sababli tizim dizayniga keyin qoʻshiladigan emas, asosiy tarkibiy qismlar boʻlishi kerak.

Manba kelajak tizimlarini farmer, agronomist, advisor, cooperative va platform provider lar bilan birga loyihalashni qoʻllab-quvvatlaydi.

AI regulation

GeoAI irrigation, fertilization, pesticide application, credit, insurance yoki sustainability reporting ga ta’sir qilganda accountability, liability, transparency va data rights yanada muhimlashadi.

Operational tizimlar uchun validation geography, auditability, uncertainty communication, privacy protection va human oversight boʻyicha minimal talablarni belgilash tavsiya etiladi.

Foundation models

Foundation models turli crops, regions, sensors va tasks oʻrtasida reusable representations berishi mumkin. Katta til modellari va DINOv2/DINOv3 kabi self-supervised vision modellari bu yoʻnalishning umumiy texnologik misollari sifatida muhokama qilinadi.

Biroq agricultural foundation model lar spatial transfer, phenological robustness, sensor compatibility, bias, explainability va uncertainty boʻyicha tasdiqlanmasdan general-purpose agricultural solution sifatida qabul qilinmasligi kerak.

Tadqiqot qoʻllab-quvvatlaydigan xulosalar

Sharh GeoAI adabiyotlari isolated mapping va isolated prediction dan multimodal, integrated decision-support workflows tomon siljiyotganini qoʻllab-quvvatlaydi.

Sharh satellite, UAV, IoT, weather, soil va management data ni birgalikda ishlatish turli fazoviy va vaqt boʻyicha axborot manbalarini oʻzaro toʻldirishi mumkinligini qoʻllab-quvvatlaydi.

Sharh yield estimation, pest/disease detection, soil mapping, irrigation va resource optimization sohalarida foydali predictive va decision-support ilovalar mavjudligini qoʻllab-quvvatlaydi.

Sharh georeferenced input ning oʻzi haqiqiy spatial AI uchun yetarli emasligini va spatial dependence, scale, support, validation geography hamda uncertainty hisobga olinishi kerakligini qoʻllab-quvvatlaydi.

Sharh trustworthy GeoAI uchun explainability, uncertainty quantification, interoperability, field validation va operational integration model accuracy kabi muhim ekanini qoʻllab-quvvatlaydi.

Tadqiqot qoʻllab-quvvatlamaydigan xulosalar

Sharh biror AI arxitekturasi barcha precision-agriculture muammolarida eng yaxshi model ekanini koʻrsatmaydi.

Sharh yuqori random-validation accuracy cross-region yoki field deployment muvaffaqiyatini kafolatlashini koʻrsatmaydi.

Sharh georeferenced CNN yoki Transformer avtomatik ravishda spatial reasoning bajarishini koʻrsatmaydi.

Sharh barcha GeoAI ilovalari yield, water saving, fertilizer reduction yoki environmental impact boʻyicha aniq va bir xil darajadagi foyda berishini koʻrsatmaydi.

Sharh raqamli qishloq xoʻjaligining ekologik ta’siri har doim ijobiy ekanini koʻrsatmaydi.

Sharh foundation model yoki generative AI tizimlari mavjud specialized geospatial usullarni almashtirishga tayyor ekanini koʻrsatmaydi.

Sharh PRISMA Figure 2 dagi 134 qiymati aniq 134 ta noyob mustaqil tadqiqot ekanini koʻrsatmaydi.

Sharhning oʻz cheklovlari

Asosiy systematic search asosan Scopus va Web of Science ga tayangan; gray literature, proprietary deployment va ayrim regional publications yetishmasligi mumkin.

Faqat Ingliz tilidagi nashrlarni systematic screening ga kiritish ayrim mintaqalar adabiyotda mavjudligidan kamroq ifodalanishiga olib kelishi mumkin.

GeoAI tez oʻzgarayotgan soha boʻlgani sababli eng yangi tizimlar peer-reviewed adabiyotda hali paydo boʻlmagan boʻlishi mumkin.

Koʻrib chiqilgan tadqiqotlar orasida crop, geography, sensor, scale, model, validation va metric boʻyicha katta heterogenlik mavjud; shu sababli statistical meta-analysis oʻtkazilmagan.

Title/abstract screening, full-text eligibility assessment, quality assessment va data extraction bitta tadqiqotchi tomonidan bajarilgan. Independent duplicate assessment boʻlmasligi selection bias, missed-study va coding-error xavfini oshiradi.

Manbadagi PRISMA narrative bilan Figure 2 ning screening oldidan chiqarish toifalari toʻliq mos kelmaydi.

Manba va Usul Haqida Izoh

Asl sarlavha: Geospatial Artificial Intelligence in Precision Agriculture: A Systematic Review of Applications, Multimodal Data Integration, and Decision Support

Muallif: César de Oliveira Ferreira Silva

Affiliatsiya: StormGeo, São Paulo 05110903, Brazil.

Corresponding author: PDF da alohida corresponding-author belgisi koʻrsatilmagan; yagona muallifning aloqa e-pochtasi berilgan.

Jurnal: AI and Precision Agriculture

Nashriyot: MDPI

Jild / Son / Maqola: 1 / 1 / 4

DOI: 10.3390/aipa1010004

Sanalar: Qabul qilindi: 4 Iyul 2026; qayta koʻrib chiqildi: 17 Sentabr 2026; ma’qullandi: 20 Sentabr 2026; nashr qilindi: 22 Sentabr 2026.

Manba turi: Systematic Review.

Taqriz holati: Maqola xalqaro taqrizli AI and Precision Agriculture jurnalida nashr etilgan.

Versiya: Version of Record.

Litsenziya: Creative Commons Attribution (CC BY). PDF dagi koʻrinadigan litsenziya satrida versiya raqami alohida yozilmagani uchun litsenziya versiyasi taxmin qilinmagan.

Review reporting framework: PRISMA 2020.

Asosiy nashr davri: 2019–2026; metodologik yoki konseptual jihatdan zarur boʻlgan ayrim eski asosiy tadqiqotlar saqlab qolingan.

Asosiy ma’lumotlar bazalari: Scopus va Web of Science Core Collection.

Supplementary discovery: Google Scholar va backward/forward citation searching.

Scopus qidiruv sanasi: 2 Iyul 2026.

Web of Science qidiruv sanasi: 4 Iyul 2026.

Til cheklovi: English.

Asosiy synthesis usuli: Narrative va thematic synthesis; statistical meta-analysis oʻtkazilmagan.

Research questions: Application domains; GeoAI/ML methods va data sources; agricultural effectiveness; implementation/adoption barriers; future research directions.

Application-domain sinflari: Crop yield estimation; pest and disease detection; soil parameter mapping; resource optimization; climate adaptation; decision support systems.

Asosiy GeoAI texnikalari: Multimodal fusion, GIS-based spatial analysis, spatial statistics, XAI, uncertainty quantification, digital twins, real-time/near-real-time processing.

Asosiy ML/DL usullari: Random Forest, ensemble methods, SVM, XGBoost, CNN, RNN, LSTM, GRU, Vision Transformer, YOLO/object detection, DNN va graph-based models.

Asosiy ma’lumot manbalari: Satellite imagery, UAV imagery, IoT/proximal sensing, weather/climate data, soil measurements, vegetation indices va farm-management records.

Validation tasnifi: Random; temporally independent; spatially independent; external-site; field/operational validation.

PRISMA boʻyicha muhim izoh: Narrative method text screening oldidan 194 duplicate + 99 outside-scope + 49 other removal ni bildirsa, Figure 2 da 127 duplicate + 166 automation-ineligible + 49 other removal koʻrsatilgan. Har ikki yoʻl 290 screened record ga keladi, ammo toifalar taqsimoti mos emas.

134 sonining holati: Database pathway dan 128 va supplementary pathway dan oltita eligible report boʻlib jami 134 ta combined eligible-report cross-pathway deduplication va multiple-report reconciliation dan oldingi qiymatdir; tasdiqlangan unique-study count sifatida ishlatilmasligi kerak.

Asosiy fazoviy metodologik tushuncha: Change-of-support problem; satellite pixel, UAV pixel, point sensor va management zone turli spatial support larni ifodalaydi va faqat common-grid resampling bu farqni yoʻqotmaydi.

Asosiy validation ogohlantirishi: Spatially dependent kuzatuvlarda random train–test splitting spatial leakage va optimistic performance keltirib chiqarishi mumkin; intended deployment ga mos spatially blocked, leave-location-out, cross-region yoki temporal validation baholanishi kerak.

Moliyalashtirish: Tadqiqot tashqi moliyalashtirish olmagan.

Ma’lumotlarning mavjudligi: Data va materials corresponding author dan asosli soʻrov boʻyicha olinishi mumkin.

Author Contributions: Manbada alohida Author Contributions boʻlimi mavjud emas.

AI dan foydalanish bayonoti: Acknowledgments boʻlimiga koʻra muallif ChatGPT 5.4 dan matnni qayta koʻrib chiqish va manbada “LETAX code” deb yozilgan kodni tuzatib, optimallashtirish uchun foydalangan; chiqishni oʻzi tekshirgan va tahrirlagan hamda nashr mazmuni uchun javobgarlikni oʻz zimmasiga olgan.

Manfaatlar toʻqnashuvi: Muallif StormGeo xodimi. Manba tadqiqot potensial manfaatlar toʻqnashuvini yuzaga keltirishi mumkin boʻlgan tijoriy yoki moliyaviy munosabatlarsiz oʻtkazilganini bildiradi.

Asosiy systematic-review cheklovi: Asosan Scopus/Web of Science qamrovi, English-only screening, tez oʻzgarayotgan adabiyot va barcha screening/extraction jarayonlari bitta tadqiqotchi tomonidan bajarilgani dalillar qamrovi hamda tanlash/kodlash ishonchliligini cheklaydi.

Asosiy ilmiy talqin chegarasi: GeoAI adabiyotlari aniq qishloq xoʻjaligi uchun kuchli prediction, monitoring va decision-support imkoniyatlarini koʻrsatadi; biroq yuqori model metrikasi geografik transferability, operatsion ta’sir, iqtisodiy qiymat yoki environmental sustainability ning avtomatik isboti emas.