Tadqiqotchilar 2023–2025 yillarga oid Sentinel-2 sun’iy yo‘ldosh tasvirlaridan 7 o‘lchovli xususiyatlar to‘plamini tuzadi: to‘rtta asosiy spektral diapazon va uchta o‘simlik/suv indeksi. Keyin Random Forest, SNN, 1D-CNN va LSTM modellari taqqoslanadi. Model sozlamalari Optuna nomli avtomatik giperparametr optimallashtirish vositasi bilan yaxshilanadi. Yakuniy bosqichda esa tasniflash xaritasidagi kichik, tarqoq “tuz-murch” xatolarini kamaytirish uchun ko‘pchilik ovozi filtri qo‘llanadi.

Tadqiqotning e’tiborga molik topilmasi shuki: bo‘laklangan, chegaralari murakkab va aralash piksellar keng tarqalgan qishloq xo‘jaligi hududlarida eng murakkab model har doim eng yaxshi natija bermaydi. Soddaroq Standart Neyron Tarmoq modeli ayrim murakkab modellarga qaraganda barqarorroq ishlaydi. Biroq tadqiqotning asosiy hissasi faqat aniqlik ballarini oshirish emas; xatolar ayniqsa dala chegaralariga yaqin hududlarda to‘planishini ko‘rsatishdir. Bu sun’iy intellekt yordamidagi qishloq xo‘jaligi xaritalarida “qayeri to‘g‘ri, qayeri noaniq?” savoli kamida “necha ball to‘g‘ri?” savolidek muhim ekanini ko‘rsatadi.

Muammo nima?

Qurg‘oqchil va yarim qurg‘oqchil hududlarda qishloq xo‘jaligi bevosita suv resurslari bilan cheklanadi. Ayniqsa yirik sug‘orish hududlarida qaysi ekinlar qancha maydonni egallaganini bilish suv taqsimoti, yer rejalashtirish va ekin tuzilishini kuzatish uchun juda muhim. Biroq bu ma’lumot daladan birma-bir yig‘ilsa, ko‘p vaqt oladi va katta hududlarda uni dolzarb saqlash qiyinlashadi.

Sun’iy yo‘ldosh tasvirlari bu muammoga kuchli yechim taklif qiladi. Sentinel-2 kabi yo‘ldoshlar yer yuzasidan qaytgan yorug‘likni turli diapazonlarda o‘lchab, o‘simlik qoplami, suv mavjudligi, yalang‘och tuproq va qurilgan hudud kabi sinflarni ajratishga yordam beradi. Ammo qishloq xo‘jaligi maydonlari har doim ham katta va muntazam uchastkalardan iborat emas. Ayrim hududlarda dalalar kichik, chegaralar murakkab, sug‘orish kanallari va yo‘llar bir-biriga kirishib ketgan bo‘lishi mumkin.

Ushbu tadqiqotdagi Yichang Sug‘orish Hududi ham shunday misol. Hududda kungaboqar, makkajo‘xori va bug‘doy kabi ekinlar mavjud bo‘lib, bo‘laklangan qishloq xo‘jaligi uchastkalari sug‘orish kanallari, drenaj tarmoqlari, yo‘llar va himoya polosalari bilan kesilgan mozaik tuzilmani hosil qiladi. Bu tuzilma sun’iy yo‘ldosh piksellarining “bitta sinf”ni ifodalashini qiyinlashtiradi.

Muammoning texnik nomi aralash piksel ta’siridir. Masalan, 10 metrlik sun’iy yo‘ldosh pikseli kichik dalaning chetida bir vaqtning o‘zida makkajo‘xori, kungaboqar va dala yo‘li signalini olib yurishi mumkin. Model bu pikselni bitta sinfga biriktirishga majbur bo‘lganda xato xavfi ortadi. Shu sababli dala chegaralari, yo‘llar, kanallar va kichik uchastkalar tasniflash noaniqligi eng yuqori bo‘lgan joylarga aylanadi.

Maqolaning asosiy muammosi quyidagicha: Bo‘laklangan va suv cheklovi mavjud qishloq xo‘jaligi hududlarida sun’iy yo‘ldosh tasvirlari va sun’iy intellekt modellari bilan ekin xaritasini tuzishda ham aniqlikni oshirish, ham xato qayerda to‘planishini tushunish mumkinmi?

Usul nimani taklif qiladi?

Tadqiqot “chegara ta’siridan xabardor” ekin xaritalash doirasini taklif qiladi. Chegara ta’siri dala chegaralariga yaqin hududlarda sun’iy yo‘ldosh piksellari bir nechta yer elementi signallarini olgani sababli tasniflash aniqligi pasayishini anglatadi.

Usul bir necha bosqichdan iborat.

Birinchi bosqichda Sentinel-2 sun’iy yo‘ldosh tasvirlari tanlanadi. Tadqiqotchilar 2023–2025 yillar uchun Iyul-Sentyabr oralig‘idagi o‘sish mavsumiga e’tibor qaratadi. Bu davr kungaboqar, makkajo‘xori va boshqa ekinlarni spektral jihatdan yaxshiroq ajratish mumkin bo‘lgan davr sifatida qaraladi. Bulutli tasvirlar maskalanadi va bir nechta tasvirdan median kompozit tuzilib, yillik o‘sish mavsumini tozaroq ifodalovchi tasvir olinadi.

Ikkinchi bosqichda model foydalanadigan xususiyatlar tayyorlanadi. Sentinel-2 ning to‘rtta asosiy diapazoni ishlatiladi: ko‘k, yashil, qizil va yaqin infraqizil. Ularga uchta indeks qo‘shiladi: NDVI, EVI va NDWI. NDVI o‘simlikning hayotiyligi va yashilligini, EVI zich o‘simlik qoplami hududlaridagi sezgirlikni, NDWI esa suv va nam yuzalar farqini aniqlash uchun ishlatiladi. Shu tariqa jami 7 o‘lchovli xususiyatlar to‘plami hosil qilinadi.

Uchinchi bosqichda to‘rtta model taqqoslanadi: Random Forest, Standart Neyron Tarmoq, 1D-CNN va LSTM. Random Forest klassik mashinaviy o‘rganish yondashuvini ifodalaydi. SNN spektral xususiyatlarni bevosita sinflarga bog‘laydigan soddaroq neyron tarmoq tuzilmasidir. 1D-CNN spektral diapazonlar o‘rtasidagi mahalliy munosabatlarni tutishga harakat qiladi. LSTM odatda vaqt qatorlarida kuchli bo‘lgan, ammo ushbu tadqiqotda spektral-indeks ketma-ketligida sinab ko‘rilgan murakkabroq modeldir.

To‘rtinchi bosqichda Optuna yordamida avtomatik giperparametr optimallashtirish amalga oshiriladi. Ya’ni har bir modelning o‘rganish tezligi, qatlamlar soni, yashirin birliklar soni, dropout koeffitsiyenti yoki daraxt chuqurligi kabi sozlamalari qo‘lda sinab ko‘rish bilan emas, tizimli qidiruv usuli orqali optimallashtiriladi.

Beshinchi bosqichda tasniflash xaritalariga ko‘pchilik ovozi filtri qo‘llanadi. Bu filtr piksel atrofidagi qo‘shnilarga qarab, yakka holdagi xato nuqtalarni kamaytiradi. Masalan, katta kungaboqar uchastkasining o‘rtasidagi bitta piksel xato qilib makkajo‘xori deb tasniflangan bo‘lsa, u atrofdagi ko‘pchilik sinfiga ko‘ra tuzatiladi. Ammo filtr juda kattalashsa, tor kanallar, kichik uchastkalar va dala chegaralari xiralashishi mumkinligi sababli tadqiqot 3×3 oynani eng muvozanatli variant deb baholaydi.

Yakuniy bosqichda esa noaniqlik tahlili bajariladi. Tadqiqotchilar piksellarning dala chegarasigacha bo‘lgan masofasini hisoblaydi va tasniflash aniqligini 0–10 m, 10–20 m kabi masofa diapazonlarida o‘rganadi. Shu tariqa xato faqat umumiy aniqlik balli bilan emas, “dalaning qayerida xato ortadi?” savoli bilan birga baholanadi.

Formulalar nimani anglatadi?

Ushbu tadqiqot formulalardan og‘ir nazariy tushuntirish uchun emas, sun’iy yo‘ldosh ma’lumotini tasniflanadigan axborotga aylantirish uchun foydalanadi.

NDVI formulasi yaqin infraqizil va qizil diapazon o‘rtasidagi farqdan foydalanadi. Sog‘lom va zich o‘simlik qoplami yaqin infraqizil nurni kuchli qaytaradi, qizil nurni esa fotosintez tufayli ko‘proq yutadi. Shu sababli NDVI o‘simlik hayotiyligini tushunishda asosiy ko‘rsatkichlardan biridir.

EVI formulasi ham o‘simlik qoplamini kuzatadi; biroq zich o‘simlik qoplamida va atmosfera ta’sirlari mavjud bo‘lganda barqarorroq ma’lumot ishlab chiqarishni maqsad qiladi. Ko‘k diapazonni ham hisobga olib, ayrim atmosfera og‘ishlarini kamaytirishga harakat qiladi.

NDWI formulasi yashil va yaqin infraqizil diapazonlardan foydalanib, suv yoki nam yuzalar signalini ajratishga yordam beradi. Qishloq xo‘jaligi hududlarida suv kanallari, nam o‘simlik qoplami va ochiq suv yuzalari kabi sinflarni ajratishda foydali bo‘lishi mumkin.

Modelni o‘qitishda kross-entropiya yo‘qotishi ishlatiladi. Bu formula model bergan ehtimollik bilan haqiqiy sinf o‘rtasidagi farqni o‘lchaydi. Model to‘g‘ri sinfga yuqori ehtimollik bergan sari yo‘qotish kamayadi; noto‘g‘ri sinfga ishonchi oshgan sari yo‘qotish ortadi.

SNN tomonidagi formulalar qatlamlar orasida vaznlar, bias qiymatlari va ReLU aktivatsiyasi orqali ishlaydigan klassik neyron tarmoq mantiqini ko‘rsatadi. Sodda aytganda, model 7 xususiyatdan kelgan raqamlarni qatlamma-qatlam o‘zgartirib, “bu piksel kungaboqarmi, makkajo‘xorimi yoki suvmi?” degan savolga javob ishlab chiqaradi.

1D-CNN formulalari spektral diapazonlar va indekslar o‘rtasidagi kichik mahalliy munosabatlarni aniqlashga harakat qiladi. Tasvirdagi ikki o‘lchovli fazoviy qo‘shnichilik o‘rniga, bu yerda xususiyatlar ketma-ketligi bo‘ylab siljiydigan kichik filtrlar qo‘llanadi.

LSTM formulalari kirish, unutish va chiqish darvozalari orqali ma’lumot qanday saqlanishi va chiqarilishini tushuntiradi. LSTM odatda vaqtga bog‘liq ketma-ketliklarda kuchli. Ammo bu tadqiqotda ishlatilgan xususiyatlar haqiqiy vaqt qatori emas, ko‘proq spektral-indeks vektoridir. Shu sababli LSTM afzalligi cheklangan bo‘lishi mumkin.

Ko‘pchilik ovozi filtri formulasi oyna ichidagi sinflarni sanaydi va markaziy pikselni eng ko‘p uchraydigan sinfga biriktiradi. Bu sodda usul tasniflash xaritasidagi tarqoq yakka xatolarni kamaytiradi.

Chegara ta’siri formulasi esa har bir pikselning eng yaqin dala chegarasigacha bo‘lgan masofasini hisoblaydi. Shu tariqa model muvaffaqiyati faqat umumiy o‘rtacha bilan emas, chegaraga yaqinlik bilan birga o‘qiladi.

Grafik / Jadval / Sxemaning asosiy xabari

Tadqiqot hududi tasviri Yichang Sug‘orish Hududi Ichki Mo‘g‘ulistondagi Hetao Tekisligida joylashganini va hudud kungaboqar, makkajo‘xori, bug‘doy, suv, yalang‘och maydon va aholi punktlari kabi sinflardan iborat murakkab qishloq xo‘jaligi mozaikasiga ega ekanini ko‘rsatadi. Tasvirning asosiy xabari shuki, tadqiqot muntazam va bir xil dalalarda emas, balki sug‘orish kanallari va bo‘laklangan uchastkalar bilan bo‘lingan haqiqiy qishloq xo‘jaligi geografiyasida o‘tkazilgan.

NDVI egri chiziqlarini ko‘rsatadigan grafiklar ekinlar o‘sish mavsumi davomida turli yashillanish naqshlarini namoyon etishini ko‘rsatadi. Iyul-Sentyabr oralig‘ida kungaboqar, makkajo‘xori va boshqa ekinlar orasidagi farq yanada yaqqol bo‘ladi. Shu sababli tadqiqotchilar tasniflash uchun shu davrni tanlaydi. O‘quvchi nuqtai nazaridan bu grafiklarning asosiy xabari shuki: Sun’iy yo‘ldosh modeli ekinlarni tasodifiy sanada emas, ular bir-biridan eng yaxshi ajraladigan o‘sish davrida o‘qishga harakat qiladi.

Usul oqim sxemasi tadqiqot faqat bitta sun’iy intellekt modelini qurishdan iborat emasligini ko‘rsatadi. Avval sun’iy yo‘ldosh ma’lumoti tayyorlanadi, keyin dala namunalari bilan model o‘qitiladi, so‘ng Optuna yordamida model sozlamalari optimallashtiriladi, undan keyin ko‘pchilik filtri bilan xarita tozalanadi va oxirida chegara ta’siri tahlili orqali noaniqlik xaritasi olinadi. Sxemaning asosiy xabari shuki, aniqlik qanchalik muhim bo‘lsa, noaniqlikning joylashuvini tushunish ham usulning bir qismidir.

Model taqqoslash grafiklarida SNN kuchli natija ko‘rsatgani ko‘rinadi. Dastlab SNN, CNN, Random Forest va LSTM orasida eng yuqori bazaviy aniqlikka erishadi. Optimallashtirishdan keyin ham SNN yetakchi bo‘lib qoladi. Bu natija bo‘laklangan qishloq xo‘jaligi hududlarida murakkabroq model har doim yaxshiroq emasligini ko‘rsatadi.

Ko‘pchilik ovozi filtri grafigi 3×3 oyna eng yaxshi muvozanatni berganini ko‘rsatadi. Kichik oyna yakka tasniflash xatolarini tozalash bilan birga dala chegaralarini katta darajada saqlab qoladi. Bunga qarshi 5×5 va ayniqsa 7×7 kabi kattaroq oynalar xaritani silliqroq ko‘rsatsa-da, kichik uchastkalar, tor kanallar va chegara chiziqlarini ortiqcha yumshatishi mumkin.

Mahalliy tasniflash xaritalari filtrdan oldin modellar umumiy ekin naqshini ushlaganini, ammo ayrim piksellarda tarqoq xatolar hosil qilganini ko‘rsatadi. Filtrdan keyin xaritalar yaxlitroq bo‘ladi. Bu tasvirlarning asosiy xabari shuki, sun’iy intellekt natijasi xom holida emas, fazoviy kontekst bilan birga qayta ishlanganda foydaliroq xaritalar hosil qiladi.

Ekin taqsimoti xaritalari Yichang Sug‘orish Hududida kungaboqar ustun fon ekini kabi keng tarqalganini, makkajo‘xori esa ko‘proq muayyan klasterlarda to‘planganini ko‘rsatadi. 2023 yildan 2025 yilga tomon makkajo‘xori maydonlari ayniqsa shimoli-g‘arbdan markazga qarab kengaygani tasvirlanadi. Bu o‘zgarish faqat qishloq xo‘jaligi naqshi emas; suv-tuproq cheklovlari bilan iqtisodiy daromad o‘rtasidagi taranglikni ham aks ettiradi.

Ko‘p modelning izchillik xaritalari model noaniqligi tasodifiy tarqalmaganini ko‘rsatadi. Katta uchastkalarning ichki qismlarida modellar ko‘proq bir fikrda bo‘lsa, dala chegaralari, yo‘llar, kanallar va kichik bo‘laklangan hududlarda model kelishmovchiligi ortadi. Bu qishloq xo‘jaligi xaritalarida noaniqlikning “geografik tuzilishi” borligini ko‘rsatadi.

Chegara ta’siri grafiklari chegaraga eng yaqin 0–10 metrlik hududlarda aniqlik sezilarli pasayishini ko‘rsatadi. Bu pasayish barcha modellarda kuzatiladi; biroq SNN bu hududda LSTM ga qaraganda barqarorroq bo‘lib qoladi. Tasvirning asosiy xabari aniq: xaritaning eng xavfli joyi uchastkaning o‘rtasi emas, uning chegarasidir.

Tajribalar qanday o‘tkazilgan?

Tadqiqot Xitoyning Ichki Mo‘g‘uliston hududidagi Yichang Sug‘orish Hududida o‘tkazilgan. Hudud Sariq daryodan suv oladigan Hetao Sug‘orish Hududining bir qismi. Qurg‘oqchil-yarim qurg‘oqchil iqlim, yuqori bug‘lanish, kam yog‘in, sho‘rlanish va zich sug‘orish infratuzilmasi hududning asosiy xususiyatlaridan.

Ma’lumot manbai sifatida 2023, 2024 va 2025 yillarga oid Sentinel-2 sun’iy yo‘ldosh tasvirlari ishlatilgan. Iyul-Sentyabr oralig‘ida bulutlilik darajasi mos bo‘lgan tasvirlar tanlangan. Bulutlar QA60 diapazoni yordamida maskalangan va median kompozit yondashuvi orqali yillik o‘sish mavsumini ifodalovchi tozaroq tasvirlar yaratilgan.

Model kirishi sifatida 7 xususiyat ishlatilgan: ko‘k, yashil, qizil va yaqin infraqizil diapazonlar hamda NDVI, EVI va NDWI indekslari. Bundan tashqari, May-Oktabr oralig‘idagi oylik NDVI egri chiziqlari tasniflashda bevosita ishlatilmagan bo‘lsa-da, ekinlarning fenologik farqlanishi qaysi davrda kuchliroq ekanini ko‘rish uchun yordamchi tahlil sifatida baholangan.

Dala ishlari orqali yetti sinf uchun namunaviy ma’lumot yaratilgan: kungaboqar, makkajo‘xori, bug‘doy, boshqa ekinlar, yalang‘och maydon, qurilgan hudud va suv. Namunalar muvozanatlashtirilgan va o‘qitish/tasdiqlash ma’lumotlariga ajratilgan. Shu orqali modelning faqat ustun sinflarga og‘ishini oldini olish maqsad qilingan.

To‘rtta model bir xil ma’lumot bilan taqqoslangan: Random Forest, SNN, 1D-CNN va LSTM. Modellarning sozlamalari Optuna yordamida optimallashtirilgan. Muvaffaqiyat ko‘rsatkichlari sifatida umumiy aniqlik, Kappa, F1 skori va mIoU ishlatilgan. Keyin tasniflash xaritalariga 3×3, 5×5 va 7×7 ko‘pchilik filtrlari qo‘llanib, qaysi oyna o‘lchami eng yaxshi muvozanatni berishi sinovdan o‘tkazilgan.

Oxirida dala chegaralarigacha bo‘lgan masofaga qarab aniqlik tahlili o‘tkazilgan. Piksellarning chegaragacha masofasi hisoblangan va model ishlashi 0–10 m, 10–20 m kabi masofa diapazonlarida o‘rganilgan. Bu bo‘lim tadqiqotning eng qimmatli jihatlaridan biri; chunki u faqat “model muvaffaqiyatlimi?” savolini emas, “muvaffaqiyat qayerda pasayadi?” savolini ham javoblashga harakat qiladi.

Natijalar nimani ko‘rsatadi?

Birinchi natija SNN modeli bo‘laklangan qishloq xo‘jaligi hududlarida kutilganidan kuchli ishlaganidir. Optimallashtirishdan oldingi bazaviy taqqoslashda SNN eng yuqori umumiy aniqlikni beradi. Optuna bilan optimallashtirilgandan keyin SNN ning umumiy aniqligi 0.925 ga chiqadi. 1D-CNN 0.919, Random Forest 0.907 va LSTM 0.896 bilan undan keyin keladi.

Ikkinchi natija ko‘pchilik ovozi filtri xarita sifatini sezilarli oshirganidir. Eng yaxshi natija 3×3 filtr bilan olinadi. Bu filtr SNN modelining umumiy aniqligini 0.953 ga ko‘taradi. Kattaroq filtrlar dastlab silliqroq xaritalar berishi mumkin; biroq kichik dala bo‘laklari va tor chegaralarni ortiqcha yumshatishi sababli aniqlik pasayishi mumkin.

Uchinchi natija hududdagi ekin naqshini “kungaboqar matritsasi va makkajo‘xori klasterlanishi” deb umumlashtirish mumkinligidir. Kungaboqar keng va uzluksiz ustun ekin bo‘lib qoladi, makkajo‘xori esa ko‘proq muayyan hududlarda to‘planadi. 2023 yildan 2025 yilgacha makkajo‘xori maydoni ortadi; kungaboqar maydoni esa kamayadi. Maqola bu o‘zgarishni iqtisodiy rag‘batlar, suv-tuproq cheklovlari va ekin tanlovi o‘rtasidagi muvozanat bilan bog‘laydi.

To‘rtinchi natija model noaniqligi eng ko‘p dala chegaralarida to‘planishidir. Chegaradan 0–10 m uzoqlikdagi piksellarda aniqlik barcha modellarda pasayadi. Buning asosiy sababi aralash piksel ta’siri. Bitta piksel ichida ekin, yo‘l, kanal, dala chegarasi yoki turli ekin sinflari birgalikda ifodalanishi mumkin. Bu hududlarda SNN LSTM ga qaraganda barqarorroq ishlaydi.

Beshinchi natija umumiy aniqlik balli o‘z-o‘zicha yetarli emasligidir. Model yuqori umumiy aniqlik berishi mumkin; biroq chegara hududlarida tizimli xato qilsa, suv boshqaruvi, ekin maydonini hisoblash yoki yer rejalashtirish uchun xavfli natijalar tug‘dirishi mumkin. Shu sababli tadqiqot qishloq xo‘jaligi sun’iy intellekt ilovalarida noaniqlik xaritalari ham yaratilishi kerakligini kuchli eslatadi.

Bu nima uchun muhim?

Qurg‘oqchil hududlarda qishloq xo‘jaligini rejalashtirish faqat ishlab chiqarish miqdori bilan emas, suv byudjeti bilan ham bog‘liq. Qaysi ekin qaysi maydonda yetishtirilayotganini to‘g‘ri bilish sug‘orish talabiga, suv taqsimotiga va yer foydalanish qarorlariga ta’sir qilishi mumkin. Kungaboqar kabi chidamliroq ekinlar bilan makkajo‘xori kabi ko‘proq suv va mos tuproq sharoitini talab qiladigan ekinlarning fazoviy taqsimotini kuzatish suv cheklovi mavjud hududlar uchun strategik ma’lumot berishi mumkin.

Ushbu tadqiqot sun’iy intellekt yordamidagi qishloq xo‘jaligi xaritalari faqat “chiroyli rangli xarita” ishlab chiqarmasligi kerakligini ko‘rsatadi. Xaritaning qayeri ishonchli, qayeri noaniq ekanini ham bilish kerak. Chunki dala chegaralarida kichik ko‘ringan xatolar maydon hisobida, ekin statistikasida yoki suv rejalashtirishda kattalashishi mumkin.

Tadqiqotning yana bir muhim tomoni model murakkabligi haqidagi farazlarni savol ostiga qo‘yishidir. LSTM kabi rivojlanganroq ko‘rinadigan modellar har bir ma’lumot turida avtomatik ravishda yaxshiroq natija bermaydi. Agar ma’lumot haqiqiy vaqt qatori emas, balki statik spektral xususiyatlardan iborat bo‘lsa, soddaroq SNN modeli mustahkamroq ishlashi mumkin. Bu topilma sun’iy intellekt loyihalarida “eng murakkab model” o‘rniga “ma’lumotga eng mos model”ni tanlash muhimligini eslatadi.

Bundan tashqari, ko‘pchilik ovozi filtri kabi nisbatan sodda jarayon to‘g‘ri miqyosda ishlatilganda model natijasini sezilarli yaxshilashi mumkin. Bu qishloq xo‘jaligi sun’iy intellektida faqat model arxitekturasi emas, balki oldindan va keyingi ishlov berish bosqichlari ham muvaffaqiyatda hal qiluvchi ekanini ko‘rsatadi.

E’tibor beriladigan jihatlar

Ushbu tadqiqot preprintdir. Ya’ni natijalar hali hakamlik baholashidan o‘tmagan. Shu sababli topilmalarni yakuniy ilmiy xulosa sifatida emas, baholanishi va turli sharoitlarda sinovdan o‘tkazilishi kerak bo‘lgan metodik hissalar sifatida o‘qish lozim.

Tadqiqot bitta hududga qaratilgan. Yichang Sug‘orish Hududi qurg‘oqchil-yarim qurg‘oqchil iqlim, sho‘rlanish, sug‘orish kanallari, bo‘laklangan uchastkalar va muayyan ekin naqshlari bilan o‘ziga xos geografiyadir. Xuddi shu model natijasi boshqa mamlakatlarda, boshqa ekinlarda, boshqa uchastka kattaliklarida yoki boshqa sun’iy yo‘ldosh tasvirlarida aynan takrorlanmasligi mumkin.

Sentinel-2 ning 10 m aniqligi ko‘plab qishloq xo‘jaligi ilovalari uchun foydali bo‘lsa-da, kichik uchastkalar va tor chegaralar uchun cheklangan bo‘lishi mumkin. Ayniqsa 0–10 m chegara hududlarida aralash piksel muammosi fizik cheklov sifatida paydo bo‘ladi. Bu faqat yaxshiroq model bilan to‘liq hal qilinadigan muammo emas; yuqori aniqlikdagi ma’lumot yoki sub-pixel tahlil talab qilinishi mumkin.

Tadqiqotda usul sxemasi ko‘p manbali ma’lumot integratsiyasi haqida gapirsa-da, ma’lumot tavsifida asosiy tasniflash kirishi Sentinel-2 diapazonlari va indekslariga asoslangan. Bunday metodik tafsilotlar keyingi versiyalarda aniqroq ko‘rsatilishi kerak.

Model muvaffaqiyati muvozanatlangan dala namunalariga va tanlangan Iyul-Sentyabr oynasiga bog‘liq. Turli o‘sish davrlarida, bulutli mavsumlarda yoki fenologik jihatdan bir-biriga ko‘proq o‘xshaydigan ekinlarda natija o‘zgarishi mumkin.

Ko‘pchilik filtri to‘g‘ri tanlanganda foydali; biroq oyna kattalashsa, kichik qishloq xo‘jaligi elementlarini yo‘qotishi mumkin. Shu sababli xaritani tuzatish jarayonlari faqat vizual silliqlikka qarab emas, chegara saqlanishi va sinf aniqligini birgalikda baholab bajarilishi kerak.

Ma’lumotlarga kirish “so‘rov bo‘yicha taqdim etiladi” deb ko‘rsatilgan. Bu mustaqil takror ishlab chiqarish nuqtai nazaridan ochiq ma’lumot almashish darajasida kuchli emas. Usulni boshqa tadqiqotchilar sinashi uchun ma’lumot va kodga kirish muhim.

Xulosa

Ushbu preprint tadqiqot sun’iy yo‘ldosh tasvirlari bilan qishloq xo‘jaligi ekinlarini xaritalashda muhim nuqtaga e’tibor qaratadi: aniqlik faqat o‘rtacha bitta son emas; u makonda o‘zgaradi. Bo‘laklangan qishloq xo‘jaligi hududlarida model xatosi ayniqsa dala chegaralarida, kanal chetlarida, yo‘llarda va kichik uchastkalarda to‘planadi. Shu sababli yaxshi qishloq xo‘jaligi xaritasi faqat “qaysi ekin qayerda?” savoliga emas, “bu taxminning qaysi qismi ko‘proq noaniq?” savoliga ham javob berishi kerak.

Tadqiqot topilmalari Yichang Sug‘orish Hududida kungaboqar ustun ekin bo‘lib qolganini, makkajo‘xori esa 2023–2025 oralig‘ida ko‘proq maydonga tarqalganini ko‘rsatadi. Bu o‘zgarish suv-tuproq cheklovlari bilan iqtisodiy daromad o‘rtasida shakllanadigan qishloq xo‘jaligi qarorlarini masofadan zondlash orqali kuzatish mumkinligini ko‘rsatadi.

Sun’iy intellekt tomonida esa eng e’tiborga molik natija soddaroq SNN modeli bo‘laklangan va aralash pikselli qishloq xo‘jaligi hududlarida kuchli ishlaganidir. 3×3 ko‘pchilik filtri bilan birga ushbu modelning xarita yaxlitligi va aniqligi oshadi. Biroq chegara hududlaridagi aralash piksel muammosi davom etadi. Shu sababli kelajak tadqiqotlarini yuqori aniqlikdagi ma’lumotlar, radar tasvirlari, sub-pixel tahlil va meteorologik-gidrologik ma’lumotlar bilan qo‘llab-quvvatlash muhim bo‘lishi mumkin.

Eng ehtiyotkor talqin quyidagicha: Ushbu yondashuv qurg‘oqchil sug‘orish hududlarida ekin tuzilishini yaxshiroq kuzatish uchun kuchli metodik nomzoddir; biroq u turli hududlarda, turli ekinlarda va yanada ochiq ma’lumot bilan qayta sinovdan o‘tkazilishi kerak.

Manba va usul bo‘yicha izoh

Ushbu maqola “An edge-effect-aware framework for uncertainty-resolved crop mapping and planting-structure monitoring in arid irrigation landscapes” nomli preprint maqoladan tayyorlangan. Tadqiqot Xitoydagi Yichang Sug‘orish Hududida 2023–2025 davriga oid Sentinel-2 o‘sish mavsumi tasvirlari, dala namunalari, spektral diapazonlar, NDVI/EVI/NDWI indekslari, Optuna asosidagi model optimallashtirish, ko‘pchilik ovozi filtri va chegara ta’siri noaniqlik tahlilini birgalikda qo‘llaydi.

Matn so‘zma-so‘z tarjima emas. Maqoladagi asosiy g‘oya, usul, formulalar, grafiklar, jadvallar, tajriba oqimi, natijalar va cheklovlar Verianla o‘quvchisi uchun soddalashtirilib, original turkcha tahririy mazmun shaklida qayta bayon qilingan. Tadqiqot preprint bo‘lgani sababli topilmalar yakuniy amaliy tavsiya sifatida emas, turli qishloq xo‘jaligi va geografik sharoitlarda tasdiqlanishi kerak bo‘lgan tadqiqot natijalari sifatida baholanishi lozim.