Ushbu tadqiqot o‘rmon yong‘inlarini qisqa to‘lqinli infraqizil (Short-Wave Infrared, SWIR) sun’iy yo‘ldosh tasvirlaridan ajratish maqsadida Sentinel-2 ning B8, B11 va B12 diapazonlarini; optik-elektron foydali yuk dizaynini, InGaAs sensor modellashtirishini, Hybrid CNN–ResNet50 chuqur o‘rganish arxitekturasini va Grey Wolf Optimization (GWO) usulini yagona doirada birlashtiradi. Mualliflar to‘liq doira uchun %91,03 accuracy, %91,27 precision, %91,03 recall va %91,01 F1-score ni xabar qilganlar. Biroq tadqiqotda ko‘rsatilgan 465 namunali confusion matrix dagi sonlar bu ishlash metrikalari bilan matematik jihatdan mos kelmaydi; matrix kataklaridan hisoblangan umumiy accuracy taxminan %94,62. Shu sababli usul umidli tasniflash natijasini bergan deyish mumkin bo‘lsa-da, aniq muvaffaqiyat foizi manba ichida izchil tarzda tasdiqlanmaydi.

Tadqiqotda ishlatilgan asosiy tasvir kirishi tadqiqotchilar ishlab chiqqan SWIR kameradan real vaqtda olinmagan. Eksperimental tasniflash BC Wildfire Sentinel-2 ma’lumotlar to‘plamidagi offline sun’iy yo‘ldosh tasvirlarida bajarilgan. Optik linza tizimi, SWIR filtrlari, field of view, elektron signal zanjiri va InGaAs sensor xatti-harakati esa kelajakda amalga oshirilishi mumkin bo‘lgan SWIR optik-elektron foydali yuk uchun konseptual va matematik tarzda modellashtirilgan. Demak, tadqiqot orbitada yoki havo vositasida ishlayotgan fizik yong‘in aniqlash payloadining ishlashini isbotlamaydi.

Usulda B8 yaqin infraqizil (NIR), B11 SWIR-1 va B12 SWIR-2 diapazonlari 128 × 128 pikselga qayta o‘lchamlangan, normallashtirilgan va uch kanalli 128 × 128 × 3 kirish tensorida birlashtirilgan. Yong‘in bilan bog‘liq spektral xususiyatlar Normalized Burn Ratio (NBR), Normalized Difference Vegetation Index (NDVI) va B12–B11 farqiga asoslangan termal anomaliya yondashuvi bilan ko‘rib chiqilgan. Hybrid CNN–ResNet50 modeli CNN tarmog‘idagi mahalliyroq fazoviy xususiyatlarni ResNet50 tarmog‘idagi chuqurroq semantik xususiyatlar bilan birlashtirgan; GWO esa learning rate, batch size, dropout va trainable ResNet50 layers kabi giperparametrlarni qidirish uchun ishlatilgan.

Turkiya nuqtayi nazaridan: SWIR asosidagi masofadan zondlash Turkiyaning o‘rmon yong‘ini xavfi yuqori hududlarida sun’iy yo‘ldosh, uchuvchisiz havo vositasi yoki kelajakda ishlab chiqiladigan mahalliy kuzatuv payloadlari uchun tadqiq qilishga arziydigan yondashuvni taklif etadi. Biroq ushbu tadqiqot natijalari British Columbia manbali Sentinel-2 ma’lumotlar to‘plami va ma’lum binary classification tuzilmasiga asoslangan. Turkiyadagi o‘simlik qoplami, topografiya, atmosfera sharoitlari, yong‘in turlari va sensor geometriyasi farq qilishi mumkinligi sababli xabar qilingan performance foizlarini Turkiyaga to‘g‘ridan-to‘g‘ri ko‘chirish mumkin emas; mahalliy ma’lumot va real apparat bilan validation talab etiladi.

Tadqiqot hal qilmoqchi bo‘lgan muammo nima?

Ko‘rinadigan spektr tasvirlariga asoslangan yong‘in monitoring tizimlari tutun, tuman va past yoritilish sharoitlarida nishonlarni ajratishda qiynalishi mumkin. Tadqiqotning asosiy yondashuvi qisqa to‘lqinli infraqizil spektral ma’lumot kuygan sirt, o‘simlik namligi/stressi va ayrim termal anomaliyalar haqida ko‘rinadigan tasvirdan farqli ma’lumot bera olishidan foydalanishdir.

Mualliflar aniqlagan adabiyot bo‘shlig‘i faqat yuqoriroq tasniflash accuracy emas. Ularning fikricha, mavjud ishlarning ko‘pi dasturiy darajadagi tasvir tasniflashga e’tibor qaratadi; SWIR optik tizim, sensor, elektron signal zanjiri, spektral xususiyat chiqarish va sun’iy intellekt optimallashtirishini yagona end-to-end arxitekturada yetarlicha birlashtirmaydi.

Taklif qilingan end-to-end tizim qanday ishlaydi?

Tadqiqotning 1-rasmida jarayon beshta asosiy bosqichda berilgan: Sentinel-2 asosidagi tasvirlarni olish, preprocessing, SWIR spektral xususiyatlarni chiqarish, Hybrid CNN–ResNet50 bilan tasniflash va GWO asosidagi optimization. Oxirgi bosqichda model accuracy, precision, recall va F1-score bilan baholanadi.

Ushbu dasturiy zanjirga parallel ravishda tadqiqotchilar kelajakdagi SWIR masofadan zondlash tizimining fizik tomonini ifodalovchi payload arxitekturasini ta’riflaydilar: optik linza, SWIR filtri, InGaAs detector, signal conditioning, analog-to-digital conversion, embedded controller va data transmission module.

Sentinel-2 tasvirlari qanday tayyorlandi?

Asl ma’lumotlar to‘plami 516 PNG tasvirdan iborat: 258 wildfire va 258 non-wildfire namunasi. Data augmentation dan keyin umumiy tasvir soni 3096 ga oshirilgan. Tadqiqotning 1-jadvalida 2167 tasvir (%70) training va 464 tasvir (%15) validation to‘plami sifatida beriladi. Test qatori jadvalda yo‘q, lekin natijalar bo‘limida 465 test namunasi ishlatilgani aytiladi; 2167 + 464 + 465 yig‘indisi 3096.

Har bir B8, B11 va B12 diapazoni avval 128 × 128 pikselga qayta o‘lchamlangan va alohida normallashtirilgan. So‘ng uch diapazon channel axis bo‘ylab birlashtirilib, 128 × 128 × 3 kirish tensori hosil qilingan.

Tasvirni qayta o‘lchash va normallashtirish qanday ta’riflangan?

Manbada qayta o‘lchash amali quyidagi munosabat bilan ifodalangan:

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

Bu yerda \(I_r(x,y)\) qayta o‘lchamlangan tasvirning tegishli pikselini; \(I(x,y)\) asl tasvirni; \(W\) va \(H\) asl kenglik va balandlikni; \(W_r\) va \(H_r\) esa maqsad kenglik va balandlikni bildiradi.

Intensity scale larni umumiy oraliqqa keltirish uchun ishlatilgan min–max normalization:

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

ko‘rinishida. \(I_n\) normalized pixel value ni, \(I_{min}\) va \(I_{max}\) esa tegishli tasvirning minimum va maksimum intensivliklarini ifodalaydi.

Qaysi spektral diapazonlar ishlatildi?

Uch kanalli tasniflash kirishi B8, B11 va B12 diapazonlaridan tuzilgan:

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

B8 yaqin infraqizil (NIR), B11 SWIR-1 va B12 SWIR-2 ma’lumotini tashiydi. Tadqiqotda ayniqsa B11 va B12 kuygan hudud, sirt sharoiti va o‘simlik namligi/stressi bilan bog‘liq spektral farqlarni aniqlash uchun ishlatilgani aytiladi.

Kuygan hudud NBR bilan qanday baholandi?

Normalized Burn Ratio (NBR) B8 va B12 diapazonlarini taqqoslaydi:

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

Tadqiqotning 7-rasmida wildfire va non-wildfire sahnalarining NBR xaritalari hamda farq xaritasi ko‘rsatiladi. Manba talqiniga ko‘ra −1 ga yaqinlashuvchi past NBR qiymatlari kuygan hududlar, +1 tomon yo‘naluvchi yuqori qiymatlar esa sog‘lomroq o‘simlik qoplami bilan bog‘lanadi.

Rasmda yana yuqori kuyish intensivligi uchun NBR < −0,44; o‘rta kuyish uchun −0,44 dan −0,27 gacha; past kuyish uchun −0,27 dan −0,10 gacha; kuymagan hudud uchun −0,10 dan 0,10 gacha va sog‘lom o‘simlik qoplami uchun 0,10 dan yuqori sinflar ko‘rsatilgan. Ushbu thresholds tadqiqot vizualida ishlatilgan tasnifdir va turli ekotizimlarga avtomatik umumlashtirilmasligi kerak.

O‘simlik stressi va termal anomaliya qanday ko‘rib chiqildi?

O‘simlik qoplami tahlili uchun Normalized Difference Vegetation Index ishlatilgan:

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

Bu yerda B8 NIR, B4 esa qizil ko‘rinadigan diapazon. Ushbu tenglama e’tiborga molik tarzda uch kanalli model kirishida bo‘lmagan B4 diapazonidan foydalanadi; NDVI spektral xususiyat tahlilida ta’riflangan bo‘lsa, classification tensor B8/B11/B12 orqali qurilgan.

Termal anomaliya ko‘rsatkichi manbada oddiy SWIR diapazon farqi bilan ifodalangan:

\[ T_a=B12-B11 \]

\(T_a\) termal anomaliya qiymatini, B12 va B11 tegishli diapazon intensivliklarini ifodalaydi. Ushbu munosabat bevosita fizik surface temperature o‘lchovi emas; tadqiqot uni SWIR diapazon intensivliklari orasidagi farqqa asoslangan anomaly indicator sifatida ishlatadi.

SWIR optik foydali yuk qanday modellashtirilgan?

Taklif qilingan foydali yuk optik linza tizimi, SWIR filtrlari, imaging optics va field-of-view tuzilmasidan iborat. Thin-lens munosabati:

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

ko‘rinishida berilgan. \(f\) focal length, \(d_o\) Yer sirti bilan linza orasidagi object distance va \(d_i\) image distance.

Optik magnification:

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

sifatida ta’riflangan.

Manbada SWIR filtrining maqsad wavelength oralig‘i:

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

ko‘rinishida berilgan. Filtrning spectral transmittance esa:

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

bilan ifodalangan; \(I_t\) transmitted va \(I_i\) incident SWIR radiation intensity.

Field of view va ground sampling distance qanday aniqlanadi?

Field of View (FOV) uchun:

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

munosabati ishlatilgan. \(S\) sensor size ni va \(f\) focal length ni ifodalaydi. Keng FOV ko‘proq yer maydonini qamrasa, torroq FOV yuqoriroq target resolution berishi mumkin.

Ground Sampling Distance (GSD) esa:

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

bilan ifodalangan. \(H\) satellite altitude, \(p\) pixel size va \(f\) focal length. Tadqiqot natija grafikida ishlab chiqilgan sensor tizimi uchun GSD qiymati 50,0 m deb ko‘rsatiladi.

Elektron quyi tizimda ma’lumot qanday harakat qiladi?

SWIR detector kiruvchi optical radiation ni elektr tokiga aylantiradi:

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

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

Kuchsiz signal keyin signal conditioning circuit da kuchaytiriladi:

\[ V_o=A_vV_i \]

Analog-to-digital converter ning quantization step i:

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

deb ta’riflangan. Embedded controller uchun processing time:

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

va data transmission rate:

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

munosabatlari bilan modellashtirilgan. Bular tizim arxitekturasini ta’riflaydigan umumiy muhandislik munosabatlaridir; tadqiqot ma’lum flight hardware da ushbu electronic chain ning real-time performance ini eksperimental tarzda o‘lchamagan.

InGaAs sensor modeli qaysi parametrlarni ishlatadi?

InGaAs SWIR sensor modeli spectral responsivity, noise, dynamic range va pixel resolution orqali ta’riflangan. Spectral responsivity:

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

noise-equivalent power:

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

va dynamic range:

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

ko‘rinishida berilgan.

Tadqiqotning 8-rasmida taklif qilingan sensor tizimi uchun 70,5 dB dynamic range, 50,0 m GSD va 100,0 ke− full-well capacity qiymatlari ko‘rsatilgan. Bular haqiqiy orbital testda o‘lchangan qiymatlar emas, tadqiqotda ishlab chiqilgan/modellashtirilgan tizim parametrlaridir.

Hybrid CNN–ResNet50 nega ikki tarmoqqa ajratilgan?

Modelning CNN tarmog‘i mahalliyroq fazoviy xususiyatlarni o‘rganish uchun ketma-ket convolution, ReLU va pooling layers dan foydalanadi. Convolution amali manbada:

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

deb berilgan. Bu yerda \(I\) input image, \(K\) convolution kernel va \(F\) hosil bo‘lgan feature map.

ReLU activation:

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

ko‘rinishida.

ResNet50 tarmog‘ida residual connection:

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

munosabati bilan tushuntirilgan. Ushbu tuzilma chuqurroq layerlarda feature transfer ni qo‘llab-quvvatlash va vanishing gradient muammosini kamaytirish uchun ishlatiladi.

Ikki tarmoqdan chiqqan feature vector lar:

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

ko‘rinishida birlashtiriladi va keyin dense layers orqali ikki sinfli Softmax output ga uzatiladi.

Model qaysi giperparametrlar bilan o‘qitildi?

Training kompyuterida 12-avlod Intel Core i5-12400F processor, 16 GB RAM va 64 bit Windows 11 Pro ishlatilgani bildirilgan. Tadqiqotning hardware jadvalida GPU ma’lumoti berilmagan.

GWO aslida nimani optimallashtiradi?

Grey Wolf Optimization bo‘limida har bir candidate solution:

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

ko‘rinishida ta’riflangan. Bu yerda LR learning rate, BS batch size, DR dropout rate va TL ResNet50 ning trainable layer count.

Search ranges:

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

deb berilgan.

Shunday qilib, tadqiqotning matematik usuliga ko‘ra GWO ochiq tarzda optimallashtiradigan kattaliklar chuqur o‘rganish giperparametrlaridir. Matnning ayrim joylarida GWO “payload design optimization” qilishi yoki “feature selection” bajarishi aytilsa-da, physical focal length, FOV, sensor pixel size yoki ADC kabi payload parametrlar GWO solution vector da yo‘q. Shu sabab bu da’volar hyperparameter optimization dan alohida fizik payload optimization isboti sifatida baholanmasligi kerak.

GWO convergence qanday xabar qilingan?

6-rasmda Alpha Wolf fitness qiymati dastlabki iteratsiyalarda taxminan 84,5 darajasida; to‘rtinchi iteratsiyada 89,0 ga, beshinchi iteratsiyada 91,0 ga yetadi va 5–10-iteratsiyalar orasida 91,0 darajasida qoladi. Manba buni tez convergence deb talqin qiladi.

Tasniflash natijasi nimani ko‘rsatadi?

Mualliflar to‘liq doira uchun quyidagi metrikalarni xabar qilganlar:

Biroq ayni natijalar bo‘limidagi confusion matrix 465 test tasviri uchun 221 to‘g‘ri non-wildfire, 219 to‘g‘ri wildfire, 12 va 13 noto‘g‘ri tasniflashni ko‘rsatadi. Matrix kataklaridan bevosita hisoblanganda:

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

ya’ni taxminan %94,62 olinadi. Wildfire sinfi positive deb olinganda, ayni matrix taxminan %94,8 precision, %94,4 recall va %94,6 F1-score beradi. Bu qiymatlar maqolada xabar qilingan %91 darajasidagi metrikalar bilan mos kelmaydi.

Shu sabab Verianla nuqtayi nazaridan to‘g‘ri yondashuv xabar qilingan %91,03 accuracy ni tadqiqotning aniq va ichki jihatdan tasdiqlangan performance i sifatida taqdim etish emas; mualliflar %91,03 ni xabar qilganini, biroq chop etilgan confusion matrix boshqa performance ga ishora qilishini ochiq qayd etishdir.

Confusion matrix dagi ikkinchi nomuvofiqlik nima?

3-rasm o‘qlariga ko‘ra true non-wildfire qatorida 221 to‘g‘ri non-wildfire va 12 noto‘g‘ri wildfire tasnifi; true wildfire qatorida 13 noto‘g‘ri non-wildfire va 219 to‘g‘ri wildfire mavjud. Bunga qarshi matnda 12 va 13 sonlari qaysi sinfga noto‘g‘ri tayinlanganini izohlovchi ibora teskari tartibda ko‘rinadi. Matrix tasviri va matnli tavsif bu nuqtada to‘liq mos emas.

Spektral javob natijalari nimani ko‘rsatadi?

Tadqiqotning 10-rasmida uch diapazonning o‘rtacha normalized spectral response i aniq sonlar bilan berilgan. B12 SWIR-2 0,6543 bilan eng yuqori o‘rtacha normalized response ga; B8 NIR 0,5491 ga; B11 SWIR-1 esa 0,4467 ga ega.

B12 ning bu ma’lumotlar to‘plamida yuqoriroq o‘rtacha normalized spectral response ko‘rsatishi mualliflar tomonidan sirt sharoiti va o‘simlik qoplami o‘zgarishlariga yuqoriroq sezgirlik bilan bog‘langan. Biroq bu uchta o‘rtacha qiymatning o‘zi B12 barcha yong‘in ssenariylarida boshqa diapazonlardan ustun ekanini isbotlamaydi.

SNR natijalari nimani ko‘rsatadi?

9-rasmda non-wildfire tasvirlar uchun xabar qilingan SNR qiymati 1,884, wildfire tasvirlar uchun esa 2,378. Mualliflar yuqoriroq wildfire SNR qiymatini taklif qilingan SWIR yondashuvi yong‘in bilan bog‘liq signalni ajrata olishiga dalil sifatida talqin qiladilar.

Biroq bu qiymatlar eksperimental fizik InGaAs payload o‘lchovidan emas, Sentinel-2 tasvirlariga asoslangan tadqiqot doirasidan olinganini hisobga olish kerak. Shu sabab ularni haqiqiy sensorning daladagi signal-to-noise performance i sifatida talqin qilmaslik kerak.

Ablation analysis nima deydi?

Tadqiqotning 4-jadvalida to‘liq doiraning xabar qilingan accuracy qiymati 0,9103. Ayrim komponentlar olib tashlanganda manbada quyidagi natijalar beriladi:

Manba bu jadvalni barcha modullar tasniflashga hissa qo‘shganining dalili sifatida talqin qiladi. Biroq haqiqiy tajribalarda fizik SWIR payload yoki haqiqiy InGaAs kamera ishlatilmagani sabab “payload design siz” va “sensor modeling siz” qatorlarini fizik hardware olib tashlanib tajriba takrorlangan hardware ablation sifatida baholamaslik kerak. Tadqiqot bu komponentlarning software/modeling doirasidagi rolini xabar qiladi.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• Sentinel-2 B8, B11 va B12 tasvirlaridan tuzilgan uch kanalli ma’lumot Hybrid CNN–ResNet50 bilan wildfire/non-wildfire tasniflash uchun ishlatilgan.
• Mualliflar to‘liq model uchun %91,03 accuracy, %91,27 precision, %91,03 recall va %91,01 F1-score ni xabar qilganlar.
• GWO belgilangan search space ichida learning rate, batch size, dropout va trainable ResNet50 layer count ni optimallashtirgani ko‘rsatilgan.
• B12 diapazoni tadqiqotda 0,6543 bilan tanlangan uch diapazon orasida eng yuqori o‘rtacha normalized spectral response ni ko‘rsatgan.
• Manbada wildfire tasvirlar SNR qiymati 2,378, non-wildfire tasvirlar qiymati 1,884 deb xabar qilingan.
• NBR xaritalari wildfire va non-wildfire sahnalari orasida spektral farq ko‘rsatadi.
• Taklif qilingan arxitektura image preprocessing, spectral features, CNN–ResNet50 va GWO ni yagona software framework da birlashtiradi.

Tadqiqot qo‘llab-quvvatlamagan yoki isbotlamagan natijalar

• Haqiqiy SWIR optik-elektron payload orbitada yoki havo vositasida yong‘inni %91,03 accuracy bilan aniqlashi isbotlanmagan.
• InGaAs sensorning fizik prototipi tadqiqotda real Sentinel-2 o‘rniga data ishlab chiqarish uchun ishlatilmagan.
• Onboard real-time processing performance eksperimental tarzda tasdiqlanmagan.
• Qalin bulut, turli atmosfera sharoitlari va turli geografiyalarda ayni performance saqlanishi ko‘rsatilmagan.
• Xabar qilingan %91,03 accuracy confusion matrix bilan matematik tarzda moslashtirib bo‘lmagani sabab aniq muvaffaqiyat darajasi sifatida mustaqil tasdiqlanmagan.
• GWO fizik linza, FOV, sensor yoki elektron payload parametrlarini optimallashtirishi matematik solution vector bilan ko‘rsatilmagan.
• B12 barcha yong‘in aniqlash tizimlarida universal eng yaxshi diapazon ekanligi isbotlanmagan.
• Tadqiqot natijalarini Turkiyadagi o‘rmon yong‘inlariga ayni accuracy qiymatlari bilan to‘g‘ridan-to‘g‘ri umumlashtirib bo‘lmaydi.

Tadqiqot Usuli va Natijalari

Eksperimental data va preprocessing chain

Tadqiqot BC Wildfire Sentinel2 Dataset dan foydalanadi. 516 asl tasvir data augmentation dan keyin 3096 namunaga oshirilgan. Training, validation va natijalar bo‘limida aytilgan test namunalari mos ravishda 2167, 464 va 465. Har bir tasvir uchun B8, B11 va B12 diapazonlari 128 × 128 pikselga keltirilib normallashtirilgan va uch kanalli kirish tuzilgan.

Tadqiqot augmentation funksiyasini umumiy tarzda:

\[ I_a=T(I) \]

deb ko‘rsatadi. \(T\) tasvirga qo‘llanadigan transformation function. Biroq manba augmentation amallarining barcha batafsil turlarini va har transformation distribution ini matematik tenglamadan tashqari to‘liq reproducible protocol sifatida bermaydi.

SWIR sensor va elektron model

Modelda sensor kiruvchi SWIR radiation ni electrical signal ga aylantirishi, signal kuchaytirilishi, ADC bilan digitize qilinishi, embedded controller da qayta ishlanishi va uzatilishi ketma-ket electronic chain sifatida ta’riflangan. InGaAs sensor modeli responsivity, noise-equivalent power, dynamic range va pixel resolution kabi kattaliklarni qamrab oladi.

Biroq tadqiqot haqiqiy sensor part number bilan laboratoriya calibration, real optical lens tolerance measurements, MTF test, detector temperature ga bog‘liq dark-current measurement yoki orbit-level radiometric calibration ni xabar qilmaydi. Shu sabab bu bo‘lim sensor/foydali yuk dizayn modeli sifatida o‘qilishi kerak.

Chuqur o‘rganish va optimallashtirish

CNN va ResNet50 ikkita parallel feature extraction branch hisoblanadi. ResNet50 ImageNet pretrained weights bilan boshlangan, oxirgi 60 layer wildfire data ga moslashish uchun trainable qoldirilgan. Ikki feature vector fusion layer da birlashtirilgan va Softmax orqali wildfire/non-wildfire sinfiga aylantirilgan.

Cross-entropy loss:

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

bilan minimallashtirilgan. \(y_i\) haqiqiy class label, \(P_i\) prediction probability va \(C\) class count.

GWO fitness qiymati manbada accuracy bilan ta’riflangan:

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

Optimal giperparametr solution esa:

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

ko‘rinishida.

Confusion matrix va xabar qilingan metrikalarni batafsil tekshirish

3-rasmda ko‘rsatilgan matrix quyidagicha:

Bu to‘rt katak jami 465 namuna va 440 tasi to‘g‘ri tasniflangan. Shu sabab visual matrix ning o‘z accuracy si taxminan %94,62. Tadqiqotning 4-rasm va matnida berilgan %91,03 qiymati qaysi boshqa prediction set yoki calculation stage dan kelgani tushuntirilmagan.

Verianla baholashida bu farq kritik deb hisoblangan; chunki classification accuracy tadqiqotning asosiy da’volaridan biri. Manbada tushuntirilmagan taxmin yaratish yoki sonlardan birini jimgina “to‘g‘ri” deb qabul qilish o‘rniga ikkala data birga berilgan.

Comparison table dagi bibliografik muammo

Manbaning 5-jadvali taklif qilingan modelni ikki oldingi usul bilan taqqoslaydi. Biroq ikkinchi comparison “Deep Learning Wildfire Detection Using Multi-Source Remote Sensing [32]” nomi bilan berilgan bo‘lsa-da, bibliography dagi 32-raqamli yozuv wildfire classification modeli emas, fire management ga oid boshqa tadqiqot. Shu sabab 5-jadvaldagi ikkinchi reference ning bibliografik mosligi manba ichida tasdiqlanmaydi.

Bundan tashqari, 5-jadval column names da foiz belgisi bo‘lsa ham, values 0,8840, 0,8932 va 0,9103 shaklida 0–1 scale da yozilgan. Ma’nosiga ko‘ra bular mos ravishda %88,40, %89,32 va %91,03 bo‘lishi ehtimol; biroq table formati manbada bo‘lgani kabi scale-label inconsistency ga ega.

Tadqiqotning kuchli tomonlari

• Yong‘in aniqlashni faqat RGB image classification sifatida emas, SWIR spectral information ga e’tibor qaratib ko‘rib chiqadi.
• Sentinel-2 B8/B11/B12 diapazonlarini ochiq tarzda ta’riflaydi.
• NBR, NDVI va SWIR band difference kabi fizik/spektral indikatorlarni deep learning yondashuvi bilan bir doirada muhokama qiladi.
• Hybrid CNN va ResNet50 features ni birlashtirgan ochiq architecture taqdim etadi.
• GWO search space va optimallashtiriladigan hyperparameters ni matematik tarzda ta’riflaydi.
• Ablation analysis berib, model components ning xabar qilingan performance ga ta’sirini taqqoslashga urinadi.
• Real-time hardware validation qilinmaganini discussion bo‘limida ochiq aytadi.

Tadqiqotning asosiy cheklovlari

• Haqiqiy SWIR payload hardware ishlab chiqarilib eksperimental sinovdan o‘tkazilmagan.
• Tajribalar offline Sentinel-2 tasvirlariga asoslangan.
• Real-time onboard processing validation qilinmagan.
• Qalin bulut va noqulay atmosfera sharoitlari performance ni pasaytirishi mumkin.
• Hybrid CNN–ResNet50 va GWO ning computational cost yuqori.
• Confusion matrix bilan xabar qilingan asosiy performance metrics orasida jiddiy sonli nomuvofiqlik bor.
• Comparison table da kamida bitta reference number bilan tavsiflangan tadqiqot mos kelmaydi.
• GWO fizik payload optimization qilishi haqidagi ayrim iboralar ta’riflangan solution variables bilan bevosita qo‘llab-quvvatlanmaydi.
• Ablation da fizik payload/sensor components ta’siri real hardware removal experiment bilan ko‘rsatilmagan.

Kelajak ish tavsiyalari

Mualliflar kelajakda tizimni haqiqiy SWIR payload va embedded hardware ustida eksperimental validatsiya qilishni, yengilroq deep-learning architectures bilan real-time application ni, multimodal sensor fusion ni va transformer-based models ni o‘rganishni tavsiya qiladilar. UAV va hyperspectral images qo‘shilishi ham rivojlantirish yo‘nalishlari orasida.

Manba va Usul Haqida Izoh

To‘liq asl tadqiqot nomi: Design and Development of a SWIR Optical-Electronic Payload for Earth Remote Sensing Applications

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

Mualliflar tartibi: Manbadagi asl tartib aynan saqlangan.

Teng hissa/teng birinchi muallif: Manbada ko‘rsatilmagan.

Mas’ul muallif: Samal Kaliyeva.

Muassasalar: 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.

Manba turi: Taqrizdan o‘tgan tadqiqot maqolasi. Offline Sentinel-2 tasvirlariga asoslangan deep-learning classification bilan konseptual SWIR optik-elektron payload va InGaAs sensor modeling ni birlashtiradi.

Jurnal: Aerospace

Nashriyot: MDPI

Jild / maqola raqami: 13, 649

Nashr sanasi: 17-iyul 2026

DOI: 10.3390/aerospace13070649

Rasmiy nashr havolasi: https://www.mdpi.com/2226-4310/13/7/649

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

Taqriz holati: Aerospace jurnalida chop etilgan taqrizdan o‘tgan tadqiqot maqolasi.

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

Moliyalashtirish: Science Committee of the Ministry of Science and Higher Education of the Republic of Kazakhstan tomonidan Research Identification Registration Number (IRN) BR27198365 doirasida moliyalashtirilgan.

Ma’lumotlar mavjudligi: Tadqiqotda taqdim etilgan ma’lumotlar so‘rov bo‘yicha mas’ul mualliflardan olinishi mumkinligi bildirilgan.

Manfaatlar to‘qnashuvi bayonoti: Manba matni “All authors were employed by the company Ghalam LLP” iborasidan foydalanadi va keyin “remaining authors” uchun tijoriy yoki moliyaviy munosabat yo‘qligini bildiradi. Biroq maqoladagi affiliation list da Ghalam LLP faqat ayrim mualliflarga biriktirilgan. Ushbu ko‘rinadigan nomuvofiqlik jimgina tuzatilmagan.

Muallif hissasi izohi: Manbada investigation hissasi “S.K., A.S., B.Z., B.Z. and A.Z.” ko‘rinishida berilgan va B.Z. ikki marta takrorlangan. Verianla bu takror qaysi muallif o‘rniga yozilganini taxmin qilmaydi.

Performance consistency izohi: Mualliflar %91,03 accuracy, %91,27 precision, %91,03 recall va %91,01 F1-score ni xabar qiladilar. Bunga qarshi 3-rasmdagi 221/12/13/219 confusion matrix taxminan %94,62 overall accuracy ga mos keladi. Manba bu farq sababini tushuntirmaydi. Shu sabab Verianla xabar qilingan va matrixdan hisoblangan qiymatlardan birini jimgina boshqasining o‘rniga qo‘ymagan.

Qiyosiy manba izohi: 5-jadvalda [32] bilan ko‘rsatilgan “Deep Learning Wildfire Detection Using Multi-Source Remote Sensing” comparison bibliography dagi 32-raqamli ish bilan bibliografik jihatdan mos kelmasligi ko‘rinadi. Shu sabab ushbu comparison mustaqil bibliografik accuracy taxmini bilan qayta yozilmagan.

GWO scope izohi: GWO solution vector learning rate, batch size, dropout rate va trainable layers parametrlarini o‘z ichiga oladi. Shu sabab usulning ochiq tasdiqlangan optimization scope i deep-learning hyperparameters; physical SWIR payload parametrlar GWO tomonidan optimallashtirilgani ushbu equations dan chiqarib bo‘lmaydi.

Ilmiy chegara: Tadqiqot real-time SWIR payload implementation yoki onboard hardware validation qilmagan. Classification experiments offline Sentinel-2 tasvirlarida bajarilgan. Optik payload va InGaAs sensor qismi kelajakdagi fizik implementation uchun model/conceptual architecture xususiyatiga ega.

Mazmun ishlab chiqarish usuli: Ushbu Verianla izohidagi ilmiy usullar, equations, sonli data, graph interpretations va limitations ko‘rib chiqilgan source study ga asoslangan. External sources dan foydalanish faqat study identity va jurnalning peer-review status ini bibliografik tasdiqlash bilan cheklangan; tashqaridan yangi ilmiy finding yoki performance data main article ga qo‘shilmagan.