Ekologik restavratsiya hududlarini sunʼiy yoʻldosh tasvirlari orqali kuzatish yaxlit va bir xil tarkibli oʻrmonlarni xaritalashdan qiyinroq boʻlishi mumkin. Ayniqsa tropik hududlarda kichik oʻrmon bo‘laklari, yaylov, qishloq xoʻjaligi, yalangʻoch tuproq, suv, botqoqlik va shahar yuzalari qisqa masofalarda yonma-yon joylashishi mumkin. Bitta sunʼiy yoʻldosh pikseli bu yuzalarning bir nechtasini bir vaqtning oʻzida qamrab olganda yuzaga keladigan spektral aralashish klassik yerdan foydalanish va yer qoplami tasnifini noaniq qilishi mumkin.

Ushbu tadqiqot Braziliyaning São Paulo shtatidagi Environmental Restoration Commitment Agreement (TCRA) hududlarini xaritalash uchun CBERS-4A/WPM sunʼiy yoʻldosh tasvirlari, Linear Spectral Mixture Model (LSMM), Geographic Object-Based Image Analysis (GEOBIA) va toʻrtta turli nazoratli mashinaviy oʻqitish algoritmini bitta tahlil zanjirida birlashtiradi.

Oʻrganilgan hudud 47 munitsipalitet va 902 TCRA poligonini qamrab oladi. CBERS-4A/WPMning 8 m fazoviy aniqlikdagi multispektral diapazonlari 2 m pankromatik diapazon bilan pan-sharpening qilinib, 2 m li koʻp diapazonli ishchi tasvirlar hosil qilingan. Soʻng har bir tasvir obyekti uchun xom spektral diapazonlarga qoʻshimcha ravishda LSMM yordamida vegetatsiya, tuproq va soya fraksiyalari hisoblangan hamda jami 63 ta belgi shakllantirilgan.

Random Forest, XGBoost, Multilayer Perceptron va Support Vector Machine modellari bir xil maʼlumot tuzilmasida taqqoslangan. Random Forest Top-k belgilarni tanlash tajribasida taxminan 0,66 bilan eng yuqori overall accuracy qiymatiga erishgan. Biroq maqolaning keyingi yakuniy koʻp metrikali baholashida XGBoost taxminan 0,41 F1 va 0,41 Kappa bilan yanada muvozanatli natija koʻrsatgan; RF esa taxminan 0,58 bilan eng yuqori precision qiymatini bergan. Manbaning Abstract va Conclusion bo‘limlaridagi RF=0,66 natijasi bilan final comparative evaluation bo‘limidagi RF≈0,62 / XGB≈0,63 farqi toʻliq mos kelmagani sababli, bu ikki baholash konteksti alohida saqlanishi kerak.

SHAP izohlanuvchanlik tahlili, ayniqsa LSMMdan hosil qilingan vegetatsiya va soya fraksiyalari sinflarni ajratishga muhim hissa qoʻshganini koʻrsatgan. Natijada tadqiqot murakkab restavratsiya landshaftlarida faqat xom sunʼiy yoʻldosh diapazonlaridan foydalanish o‘rniga subpiksel tarkibi, obyekt tuzilmasi va mashinaviy oʻqitishni birgalikda baholash yer yuzasining yanada boyroq ifodasini taʼminlashi mumkinligini ko‘rsatadi.

Tropik restavratsiya hududlarini sunʼiy yoʻldosh orqali tasniflash nega qiyin?

Masofadan zondlash tasnifida ideal holat har bir pikselning bitta yer qoplami sinfini ifodalashidir. Haqiqiy tropik restavratsiya landshaftlarida esa bu faraz ko‘pincha amal qilmaydi.

Kichik restavratsiya poligoni ichida yoki atrofida yosh vegetatsiya, yetuk oʻrmon, yaylov, qishloq xoʻjaligi, ochiq tuproq va yoʻllar yonma-yon joylashishi mumkin. Sensor o‘lchagan elektromagnit signal bu yuzalarning geometrik chegaralarini aynan takrorlamaydi; ayniqsa o‘tish zonalarida bitta piksel bir nechta sirt komponentlarining umumiy spektral signalini oʻz ichiga olishi mumkin.

Bu muammo mixed pixel — aralash piksel deb ataladi. Aralash piksel — bir xil raqamli tasvir katagi bir nechta fizik yer qoplami komponentini ifodalashi demakdir.

Shu sababli tadqiqotning yechim yondashuvi bitta usul bilan cheklanmaydi:

TCRA nima?

TCRA maqolada Environmental Restoration Commitment Agreement atamasining qisqartmasi sifatida ishlatiladi. Uning portugal tilidagi asl nomi Termos de Compromisso de Recuperação Ambiental.

Bular Braziliyada ekologik qonunchilik doirasida degradatsiyaga uchragan hududlarni tiklash bo‘yicha majburiyatlar, muddatlar va monitoring talablarini belgilovchi huquqiy vositalardir. Tadqiqotning maqsadi bu kelishuvlarning huquqiy haqiqiyligini baholash emas, balki restavratsiya hududlarida qaysi yer qoplami turlari mavjudligini sunʼiy yoʻldosh tasvirlari orqali yanada tizimli tarzda xaritalashdir.

Tadqiqot hududi

Tadqiqot São Paulo shtatida TCRA zichligi yuqori va landshaft tuzilmasi murakkab bo‘lgan 47 munitsipalitetni qamrab oladi. Hududning muhim qismi Atlantika o‘rmoni biomida joylashgan; mahalliy o‘rmon, yaylov, qishloq xo‘jaligi yerlari, shahar yuzalari va turli restavratsiya bosqichlari bir landshaftning o‘zida uchraydi.

Bu kichik va bo‘laklangan hudud tuzilmasi tasniflash nima uchun qiyinligini bevosita belgilaydi. Kichik poligonlarda chegara piksellari ulushi ortadi va atrofdagi qishloq xo‘jaligi yoki yaylov kabi sinflarning signallari restavratsiya hududi ichidagi sunʼiy yoʻldosh o‘lchoviga taʼsir qilishi mumkin.

CBERS-4A/WPM tasviri qanday qilib 2 metr aniqlikka keltirildi?

CBERS-4A/WPM sensori toʻrtta multispektral kanalni taqdim etadi: Blue, Green, Red va Near Infrared (NIR). Ularning dastlabki fazoviy aniqligi 8 m. Sensor shuningdek 2 m aniqlikdagi pankromatik diapazonga ega.

Tadqiqotda radiometrik va geometrik tuzatishlardan keyin pan-sharpening qoʻllangan. Bu jarayon multispektral diapazonlarning rang/spektral maʼlumotlarini pankromatik diapazonning yuqoriroq fazoviy tafsiloti bilan birlashtirib, tahlil uchun 2 m aniqlikdagi multispektral tasvirlarni hosil qilgan.

Bu yerda muhim texnik farq shundaki, pan-sharpening jarayoni sensorning asl multispektral o‘lchovini fizik jihatdan yangi 2 m multispektral sensor o‘lchoviga aylantirmaydi. Hosil qilingan tasvir 8 m spektral maʼlumot bilan 2 m pankromatik tafsilotning birikmasidir.

LSMM bitta piksel ichida nima borligini qanday ifodalaydi?

Linear Spectral Mixture Model bitta pikselning o‘lchangan spektral signalini asosiy sirt komponentlarining ogʻirliklangan aralashmasi sifatida ifodalaydi. Soddalashtirilgan ko‘rinishda:

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

Bu yerda \(R_{\lambda}\) maʼlum to‘lqin uzunligida kuzatilgan piksel qaytishini; \(r_{i,\lambda}\) asosiy sirt komponentining spektral imzosini; \(f_i\) shu komponentning piksel ichidagi ulushini; \(\varepsilon_{\lambda}\) esa modelning qoldiq xatosini ifodalaydi.

Ushbu tadqiqotda LSMM uchta asosiy fraksiyani hosil qilgan:

Shu tariqa model klassifikatorga faqat “bu piksel yashil ko‘rinadi” degan maʼlumotni emas, balki ayni piksel ichidagi turli sirt komponentlarining taxminiy ulushlarini ham bera oladi.

GEOBIA piksel tasnifidan qanday farq qiladi?

GEOBIA — Geographic Object-Based Image Analysis — har bir pikselni butunlay mustaqil baholash o‘rniga qo‘shni va o‘xshash piksellarni fazoviy obyektlar ko‘rinishida guruhlaydi.

Shu tariqa tasnifga faqat pikselning rangi yoki qaytishi emas, balki obyektning tekstura, shakl, qo‘shnichilik, taqsimot va kontekst maʼlumotlarini ham kiritish mumkin bo‘ladi.

Tadqiqotda Orfeo Toolbox 9.1.1 QGIS muhitida ishlatilgan va segmentatsiya uchun:

qiymatlari qoʻllangan. Past shape ogʻirligi geometrik shakldan ko‘ra spektral o‘xshashlikka ustuvorlik berish uchun tanlangan.

63 ta belgi qanday hosil bo‘ldi?

Toʻrtta asl spektral guruh va uchta LSMM fraksiya guruhi birgalikda yettita asosiy o‘zgaruvchi guruhni hosil qilgan:

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

Har bir guruh uchun toʻqqizta statistik tavsiflovchi hisoblangan:

minimum, maksimum, o‘rtacha, standart ogʻish, p05, p25, p50, p75 va p95.

Shunday qilib:

\[ 7 \times 9 = 63 \]

ta belgi hosil qilingan.

Belgilarni tanlash tasniflashdan oldin takroriy yoki kam axborot tashuvchi o‘zgaruvchilarning taʼsirini kamaytirish uchun ishlatilgan.

Tadqiqot Usuli va Natijalari

Qaysi yer qoplami sinflari ishlatilgan?

Tasniflash sxemasi MapBiomas maʼlumotnoma tizimiga mos ravishda tuzilgan va tadqiqot hududida sakkizta asosiy kategoriya baholangan:

Oʻqitish va validatsiya qanday amalga oshirildi?

Maʼlumotlar taxminan %70 o‘qitish va %30 validatsiya sifatida bo‘lingan. Forest Formation va Pasture sinflaridagi namuna soni kam sonli sinflarnikidan ancha ko‘p bo‘lgani uchun o‘qitish to‘plamiga balancing qoʻllangan.

Majority sinflaridan namunalar kamaytirilgan, kam sonli sinflardagi mavjud namunalar esa saqlangan. Sinflararo namuna hajmining variatsiya koeffitsiyenti dastlabki 1,79 dan muvozanatlashtirilgan o‘qitish to‘plamida 0,49 gacha tushirilgan.

Validatsiya to‘plami esa asl sinf taqsimoti bilan qoldirilgan. Bu tanlov modelning tabiiy nomutanosib sinf tuzilmasi ostida qanday ishlashini o‘lchashga qaratilgan.

Toʻrtta mashinaviy oʻqitish modeli

Random Forest haqiqatan ham tadqiqotning eng yaxshi modeli edimi?

Manbaning turli bo‘limlarida ikki xil baholash konteksti mavjud bo‘lgani uchun bir so‘zli javob to‘g‘ri bo‘lmaydi.

Top-k belgilarni tanlash tajribasida Random Forest aniqligi faqat bitta belgi ishlatilganda taxminan 0,40 dan boshlangan, taxminan 10 ta belgi atrofida 0,60 dan yuqoriga chiqqan va taxminan 30 ta belgi atrofida taxminan 0,66 bilan maksimumga erishgan. Ko‘proq belgi qo‘shilishi sezilarli qo‘shimcha yutuq bermagan, natija biroz pasaygan.

Bu natija barcha 63 ta belgining bir xil darajada foydali emasligini; axborot tashuvchi nisbatan kichik belgilar kichik to‘plami natijaning katta qismini taʼminlay olishini ko‘rsatadi.

Biroq maqolaning final comparative evaluation bo‘limida quyidagi holat qayd etilgan:

Manbaning Abstract va Conclusion bo‘limlari esa RF=0,66, XGB=0,63, MLP=0,62 va SVM=0,10 tarzida umumiy aniqlik tartibini beradi.

Shu sababli Verianla uchun eng ishonchli talqin RF Top-k belgilarni tanlash sharoitida eng yuqori cho‘qqi aniqlikni, XGBoost esa yakuniy ko‘p metrikali baholashda yanada muvozanatli natijalarni bergani ko‘rinishidadir. Manbaning turli bo‘limlaridagi raqamlar bir-biri bilan to‘liq bir xil emas va yangi yagona “to‘g‘ri” qiymat yaratish maqsadida ularni yashirincha birlashtirish mumkin emas.

Nega faqat overall accuracy ga qarash yetarli emas?

Sinflar teng hajmda bo‘lmaganda overall accuracy katta sinflarning muvaffaqiyatidan ko‘proq taʼsirlanishi mumkin. Masalan, Forest Formation va Pasture maʼlumotlar to‘plamida ancha ko‘p ifodalangan.

Model ko‘pchilik sinflarida yaxshi, kichik sinflarda esa sust ishlasa ham, umumiy accuracy nisbatan yuqori ko‘rinishi mumkin. Shu sababli tadqiqot precision, recall, F1, Kappa, confusion matrix va sinfga asoslangan ROC/AUC o‘lchovlarini birgalikda baholagan.

SVM bu farq uchun yaxshi misoldir. Recall taxminan 0,43 bo‘lib, boshqa modellarnikidan past emas; biroq precision taxminan 0,24 va F1 taxminan 0,14. Yaʼni u ko‘plab haqiqiy sinf namunalarini topa olsa-da, juda ko‘p noto‘g‘ri sinf tayinlarini amalga oshiradi.

Qaysi sinflar osonroq ajratildi?

XGBoostning one-vs-rest ROC tahlilida:

Suv sinfining kuchli ajratilishi fizik jihatdan mantiqiy; suv NIR hududida quruqlik yuzalaridan sezilarli darajada farq qiluvchi qaytish xususiyatini ko‘rsatadi.

Land Use Mosaic va Wetland sinflarida esa bitta obyekt ichida bir nechta sirt turi, o‘zgaruvchan tuproq namligi, o‘simlik qoplami va mavsumiy sharoitlar bo‘lishi mumkinligi sababli sinf chegaralari yanada noaniq.

SHAP tahlili mashinaviy oʻqitish nimaga qarayotganini ko‘rsatdimi?

Mashinaviy oʻqitish modelining faqat to‘g‘ri yoki noto‘g‘ri natija chiqarishi ekologik monitoring nuqtai nazaridan yetarli emas. Ishlatilgan o‘zgaruvchilar modelga nima sababdan hissa qo‘shishini tushunish ham muhim.

Tadqiqot shu maqsadda SHAP — SHapley Additive exPlanations — usulidan foydalangan.

Global SHAP tahlilida LSMMdan hosil qilingan o‘zgaruvchilar eng muhim belgilar qatoriga kirgan. Xususan:

LSMM_vegetation_min

o‘zgaruvchisi kuchli sinf ajratuvchi sifatida ajralib chiqqan.

Forest Formation uchun vegetation va shadow fraksiyalari muhim bo‘lgan bo‘lsa, Water sinfida NIR belgilarining roli kuchaygan. Pasture sinfida tuproq va o‘simlik fraksiyalarining birikmasi; Urban va Wetland kabi geterogen sinflarda esa belgilar hissasi ko‘proq tarqoq bo‘lgan.

Soya nega o‘rmon ko‘rsatkichi bo‘lishi mumkin?

Soya bir qarashda tasvir tasnifini buzuvchi istalmagan unsur deb qaralishi mumkin. Biroq o‘rmonlarda soya daraxt toji tuzilmasi, vertikal qatlamlanish, daraxt balandligi va yoritilish geometriyasi haqida bilvosita axborot olib yurishi mumkin.

Shu sababli LSMM shadow fraction ayrim hollarda o‘rmon bilan tekisroq va past bo‘yli o‘simlik qoplamiga ega yaylov kabi sinflarni ajratishga hissa qo‘shishi mumkin.

Belgilar soni nega cheksiz oshirilmasligi kerak?

Top-k tajribasi natija dastlabki belgilar bilan tez ko‘tarilganini, taxminan 30 ta belgi atrofida cho‘qqiga chiqqanini va undan keyin yangi o‘zgaruvchilar qo‘shilishi juda kam foyda berganini ko‘rsatgan.

Shuningdek, korrelyatsiya tahlili bir xil spektral diapazonning turli percentil va statistikalaridan hosil qilingan ko‘plab belgilar bir-biri bilan yuqori darajada bog‘liq bo‘lishi mumkinligini ko‘rsatadi.

Bu holat ko‘proq belgi avtomatik ravishda ko‘proq axborot degani emasligini ko‘rsatadi. Keraksiz yoki bir-birini takrorlovchi o‘zgaruvchilar hisoblash xarajatini oshirishi va modelda shovqin hosil qilishi mumkin.

Bu tizim restavratsiya muvaffaqiyatini avtomatik ravishda isbotlaydimi?

Yo‘q. Model LULC tasniflash tizimidir. TCRA poligonining muayyan vaqtda “Forest Formation”, “Pasture” yoki boshqa sinfda ko‘rinishi restavratsiyaning barcha ekologik maqsadlari muvaffaqiyatli bajarilganini o‘z-o‘zidan isbotlamaydi.

Ekologik restavratsiya muvaffaqiyati turlar tarkibi, tabiiy regeneratsiya, yashash muhiti sifati, ekotizim funksiyalari, tuproq sharoitlari va vaqt davomida rivojlanish kabi kengroq mezonlarni talab qilishi mumkin.

Ushbu usulning asosiy salohiyati ko‘p sonli restavratsiya hududlarini mintaqaviy miqyosda tezroq va kamroq xarajat bilan dastlabki skriningdan o‘tkazish hamda dala tekshiruvlarini yo‘naltirishdir.

Tadqiqotning eng muhim cheklovi

Model natijasi faqat bitta train-validation bo‘linishi asosida hisobot qilingan. Bu yondashuv mustaqil validatsiya kichik to‘plamini taʼminlasa-da, maʼlumotlar boshqacha bo‘linganda natija qanchalik o‘zgarishini ko‘rsatmaydi.

Mualliflar kelajakda:

• k-fold cross-validation,
• spatially stratified validation,
• vaqt qatori sunʼiy yoʻldosh tasvirlari,
• yanada yuqori fazoviy aniqlik,
• yanada keng va muvozanatli maʼlumotnoma maʼlumotlari,
• muqobil mashinaviy va chuqur oʻqitish usullari

qoʻllanilishini tavsiya qiladilar.

Shuning uchun ushbu tadqiqotdagi accuracy va AUC qiymatlari to‘g‘ridan-to‘g‘ri boshqa yillar, boshqa CBERS sahnalari yoki boshqa tropik mamlakatlar uchun kutiladigan natija sifatida ishlatilmasligi kerak.

Manba va Usul Haqida Izoh

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

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

Corresponding authors: Carla Rodrigues Santos va Francisco Salazar.

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

Jurnal: Geographies.

Nashriyot: MDPI.

Bibliografik yozuv: Geographies 2026, 6, 84.

DOI:10.3390/geographies6030084

Sanalar: Yuborilgan 3 iyun 2026; qayta ko‘rib chiqilgan 16 avgust 2026; qabul qilingan 19 avgust 2026; nashr etilgan 1 sentyabr 2026.

Manba turi: Masofadan zondlash va nazoratli mashinaviy oʻqitishga asoslangan yerdan foydalanish/yer qoplami tasnifi tadqiqoti.

Litsenziya: Creative Commons Attribution (CC BY).

Tadqiqot hududi: São Paulo shtatidagi 47 munitsipalitet va 902 TCRA poligoni; asosan Atlantika o‘rmoni biomi.

Sunʼiy yoʻldosh maʼlumotlari: CBERS-4A/WPM; toʻrtta 8 m multispektral diapazon + 2 m pankromatik diapazon; pan-sharpeningdan keyin 2 m tahlil tasviri.

Belgilar arxitekturasi: Blue, Green, Red, NIR + LSMM soil, vegetation va shadow fraksiyalari; toʻqqizta statistik tavsiflovchi bilan jami 63 ta belgi.

Mashinaviy oʻqitish: Random Forest, XGBoost, Multilayer Perceptron va Support Vector Machine.

Validatsiya: Taxminan %70 o‘qitish / %30 mustaqil validation; o‘qitish to‘plamida majority-class kamaytirishga asoslangan balancing; validation taqsimoti saqlangan.

Izohlanuvchanlik: SHAP orqali global va sinfga asoslangan belgilar hissasi o‘rganilgan.

Asosiy metodologik cheklov: Bitta train-validation split ishlatilgani va fazoviy cross-validation mavjud emasligi natija baholarining umumlashtirilishini cheklaydi.

Manba ichidagi natija izohi: Abstract va Conclusion RFni OA≈0,66 bilan eng yuqori model sifatida ko‘rsatsa, batafsil final comparison bo‘limida RFning Top-k tajribasidagi 0,66 cho‘qqi qiymatidan alohida ravishda final OA≈0,62; XGBoost va MLP uchun ≈0,63 qiymatlari berilgan. Xuddi shu bo‘lim XGBoostni F1/Kappa jihatidan yanada muvozanatli deb talqin qiladi. Ushbu Verianla matni ikki kontekstni bir-biriga aralashtirmaydi.

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

Maʼlumotlarning mavjudligi: Tadqiqotning asl hissalari maqola ichida keltirilgani, qo‘shimcha maʼlumot so‘rovlari corresponding authors ga yo‘naltirilishi mumkinligi qayd etilgan.

Manfaatlar to‘qnashuvi / muassasa aloqasi: Francisco Salazar Visiona Tecnologia Espacial S.A. xodimi ekani ochiqlangan; boshqa mualliflar tijorat yoki moliyaviy manfaatlar to‘qnashuvini bildirmagan.

Texnik yordam: Visiona Tecnologia Espacial S.A. texnik yordam ko‘rsatgan; CETESB texnik tavsiyalar bergan.