QISHLOQ XO‘JALIGI EKINLARI MONITORINGIDA GEOAXBOROT TIZIMLARI VA MASOFADAN ZONDLASH TEXNOLOGIYALARIDAN FOYDALANISH: AFZALLIKLAR, CHEKLOVLAR VA RIVOJLANISH ISTIQBOLLARI
Keywords:
Geoaxborot tizimlari, masofadan zondlash, qishloq xo‘jaligi, ekin monitoringi, sun’iy intellekt, mashinali o‘rganish, hosildorlik prognozi, spektral indekslar.Abstract
Ushbu maqolada GAT va MZ texnologiyalarining qishloq xo‘jaligidagi qo‘llanilish tamoyillari, spektral indekslarning (NDVI, EVI, SAVI va h.k.) ekin monitoringidagi roli, shuningdek, ushbu texnologiyalarning afzalliklari va cheklovlari tahlil qilinadi. Bundan tashqari, sun’iy intellekt va mashinali o‘rganish algoritmlarining ekinlarni tasniflash va hosildorlikni baholashdagi o‘rni ko‘rib chiqiladi. Tadqiqot natijalari GAT va MZ texnologiyalarining qishloq xo‘jaligidagi istiqbolli yo‘nalishlarini ko‘rsatib, ularni amaliyotga keng joriy etish bo‘yicha tavsiyalar beradi.
References
QISHLOQ XO‘JALIGI EKINLARI MONITORINGIDA GEOAXBOROT TIZIMLARI VA MASOFADAN ZONDLASH TEXNOLOGIYALARIDAN FOYDALANISH: AFZALLIKLAR, CHEKLOVLAR VA RIVOJLANISH ISTIQBOLLARI
Maxsudov Bobomurod Yuldoshovich – O’zbekiston Respublikasi Qishloq xo’jaligi vazirligi, Agrokosmik texnologiyalarni joriy qilish bo‘limi boshlig‘i. E-mail: gis@agro.uz
Teshayev Nozimjon Nusratovich – “TIQXMMI” MTU, “Geodeziya va Geoinformatika” kafedrasi assistenti. Email: n.teshayev@tiiame.uz
Karimov Erkin Qodirovich - “TIQXMMI” MTU Buxoro tabiiy resurslarni boshqarish instituti dotsenti. Email: ekarimov0502@gmail.com
Annotatsiya. Ushbu maqolada GAT va MZ texnologiyalarining qishloq xo‘jaligidagi qo‘llanilish tamoyillari, spektral indekslarning (NDVI, EVI, SAVI va h.k.) ekin monitoringidagi roli, shuningdek, ushbu texnologiyalarning afzalliklari va cheklovlari tahlil qilinadi. Bundan tashqari, sun’iy intellekt va mashinali o‘rganish algoritmlarining ekinlarni tasniflash va hosildorlikni baholashdagi o‘rni ko‘rib chiqiladi. Tadqiqot natijalari GAT va MZ texnologiyalarining qishloq xo‘jaligidagi istiqbolli yo‘nalishlarini ko‘rsatib, ularni amaliyotga keng joriy etish bo‘yicha tavsiyalar beradi.
Kalit so‘zlar: Geoaxborot tizimlari, masofadan zondlash, qishloq xo‘jaligi, ekin monitoringi, sun’iy intellekt, mashinali o‘rganish, hosildorlik prognozi, spektral indekslar.
Abstract. This article analyzes the principles of application of GIS and RS technologies in agriculture, the role of spectral indices (NDVI, EVI, SAVI, etc.) in crop monitoring, as well as the advantages and limitations of these technologies. In addition, the role of artificial intelligence and machine learning algorithms in crop classification and yield assessment is considered. The research results indicate promising areas of GIS and RS technologies in agriculture and provide recommendations for their widespread implementation in practice.
Keywords: Geographic information systems, remote sensing, agriculture, crop monitoring, artificial intelligence, machine learning, yield forecast, spectral indices.
Kirish. Zamonaviy qishloq xo‘jaligida ekinlarni samarali boshqarish va monitoring qilish oziq-ovqat xavfsizligini ta’minlashda muhim ilmiy-amaliy ahamiyatga ega. An’anaviy kuzatuv usullari vaqt va resurs talabchanligi sababli keng maydonlarda yetarlicha samarali natija bera olmaydi. Shu sababli, geoaxborot tizimlari (GAT) va masofadan zondlash (MZ) texnologiyalari so‘nggi yillarda qishloq xo‘jaligida keng qo‘llanila boshlandi [1]. Ushbu texnologiyalar orqali ekinlarning vegetatsiya jarayoni, stress omillari va hosildorlik prognozi aniq va tizimli ravishda baholanadi. O‘zbekiston Respublikasida ham ushbu sohada bir qator normativ hujjatlar qabul qilinib kelinmoqda. O‘zbekiston Respublikasi Prezidentining, 14-oktabr, 2024- yildagi PF-155-sonli 2024 — 2026-yillarda iqtisodiyot tarmoqlarida aerokosmik texnologiyalarni joriy etish chora-tadbirlari to‘g‘risida farmoni qabul qilingan [2].
Maqolada GAT va MZ ma’lumotlarining qishloq xo‘jaligidagi qo‘llanilishi, ayniqsa, spektral indekslar va mashinali o‘rganish algoritmlarining ekin monitoringidagi o‘rni tahlil qilinadi. Shuningdek, ushbu yondashuvlarning ustunliklari, cheklovlari va istiqbolli yo‘nalishlari muhokama qilinadi. Tadqiqot natijalari qishloq xo‘jaligida ilg‘or texnologiyalarni joriy etish va hosildorlikni oshirish bo‘yicha ilmiy-amaliy tavsiyalar ishlab chiqishga xizmat qiladi.
Metodologiya. Ushbu tadqiqotda qishloq xo‘jaligi ekinlarining monitoringi uchun geoaxborot tizimlari (GAT) va masofadan zondlash (MZ) ma’lumotlarining qo‘llanilishiga baho berish, shuningdek, ularning istiqbollari, cheklovlari va rivojlanish tendensiyalarini tahlil qilish uchun turli metodlardan foydalanishda hisobga olish zarur bo’lgan ko’rsatkichlar keltirib o’tilgan. Tadqiqotlarda Sentinel-2 va Landsat-8 sun’iy yo‘ldosh tasvirlari [3], [4], shuningdek, CHIRPS yog‘ingarchilik ma’lumotlari va MODIS NDVI indekslari kabi ochiq manbalardan olingan ma’lumotlar tahlil qilingan [5]. Ushbu ma’lumotlar GAT platformalarida qayta ishlanib, ekinlarning o‘sish dinamikasi va agroekologik omillar bilan bog‘liqligi baholandi [6].
Ekinlarni ajratish va stress omillarini baholash uchun NDVI, EVI, PSRI, GNDVI, MSAVI kabi spektral indekslar tahlil qilinadi [7], [8]. Ularning samaradorligi Sun’iy intellektning tarmoqlari hisoblanadigan turli mashinali o‘rganish algoritmlari yordamida baholandi, jumladan: Random Forest (RF), Support vector machine (SVM), Minimum distance (MD), Gradient boost tree (GB), CART, k-Nearest Neighbor modellari qo’llanilishi mumkin. Ta’kidlash joizki ushbu Mashinali o’rganish modellarining tasniflash aniqligini Markaziy Osiyo iqlim sharoitlari uchun to’laligicha baholanmaganligi tahlillar jarayonida o’z tasdiqg’ini topdi. Qishloq xo’jaligi ekin turlarini tasniflashda, tasniflash modellarining aniqligini baholashda inobatga olinishi shart bo’lgan statistic ko’rsatkichlar, har bir algoritmning aniqligi umumiy to‘g‘ri tasniflash (Overall Accuracy), ishlab chiqaruvchi aniqligi (Producer’s Accuracy) va foydalanuvchi aniqligi (User’s Accuracy) bo‘yicha baholandi [9].
Natijalar. Tahlil natijalariga ko‘ra, qishloq xo‘jaligi ekinlarini monitoring qilishda GAT va MZ texnologiyalarining samaradorligi yuqori va jadal rivojlanib kelayotgan yondashuvlardan biri ekani aniqlandi. Quyidagi umumiy fikrlar xulosa qilindi:
NDVI, EVI va GNDVI indekslari ekinlarni ajratishda eng yuqori aniqlikka ega bo‘lib (1-jadval), MSAVI va SAVI indekslari tuproq namligini baholashda yaxshi natija ko‘rsatdi. PSRI indeksining ekinlarning stress holatini monitoring qilishda samarali ekani kuzatildi.
SVM, Random Forest (RF) va Gradient Boosting (GB) algoritmlari yuqori aniqlikka ega bo‘lib (2-jadval), ekin turlarini ajratishda Kappa koeffitsienti va Umumiy aniqlik qiymatlari natijalari, modelning aniqliligini baholaydigan asosiy statistic ko’rsatkichlardir. Naive Bayes (NB) va Minimum Distance (MD) algoritmlarining aniqligi past bo‘lib, murakkab spektral o‘zgarishlarga yaxshi moslasha olmasligi qayd etilgan.
GAT va MZ ma’lumotlari orqali ekinlar monitoringining rivojlanish tendensiyalari va istiqbollari bevosita Qishloq xo‘jaligida multi-sensor yondashuvdan foydalanish istiqbolli bo‘lib, Landsat-8 va Sentinel-2 ma’lumotlarini qo‘shib ishlatish natijani yaxshilaydi. CHIRPS yog‘ingarchilik ma’lumotlari va NDVI o‘rtasidagi korrelyatsiya baholanib, ekinlarning o‘sishiga iqlim omillarining ta’siri sezilarli darajada ekanligi aniqlandi. Bu esa o’z o’rnida ko’p o’lchamli ma’lumotlar tahlilini amalga oshirilganda Umumiy aniqlikga ijobiy ta’sir ko’rsata oladi.
GAT va MZ ma’lumotlari asosida ekinlarni monitoring qilishda bir qancha cheklovlar ham qayd etilgan bo’lib, kelajakdagi ilmiy ishlarda inobatga olinishi muhim jihatlardan tashkil topgan. Jumladan: bulut qoplami va ob-havo omillari natijalarga ta’sir ko‘rsatadi, ayniqsa optik tasvirlarda. Yer usti ma’lumotlarining yetishmovchiligi tasniflashning aniqligiga salbiy ta’sir qiladi. Hisoblash quvvati va katta hajmdagi ma’lumotlar bilan ishlash muammolari mavjud.
1-jadval.
Turli spektral indekslar qaysi yo‘nalishda (ekin turlarini ajratish, stress monitoringi, hosildorlik bashorati va boshqalar) samaradorligi ko‘rsatilgan.
Spektral Indeks Ekinlarni ajratish Stress monitoringi Hosildorlik bashorati Tuproq namligini baholash O‘simlik vegetatsiyasi monitoringi
NDVI (Normalized Difference Vegetation Index) ★★★★☆ ★★★☆☆ ★★★★☆ ★★☆☆☆ ★★★★★
EVI (Enhanced Vegetation Index) ★★★★☆ ★★★☆☆ ★★★★☆ ★★☆☆☆ ★★★★★
GNDVI (Green Normalized Difference Vegetation Index) ★★★★☆ ★★★☆☆ ★★★★☆ ★★★☆☆ ★★★★☆
MSAVI (Modified Soil-Adjusted Vegetation Index) ★★★☆☆ ★★★★☆ ★★★☆☆ ★★★★☆ ★★★★☆
PSRI (Plant Senescence Reflectance Index) ★★☆☆☆ ★★★★★ ★★☆☆☆ ★☆☆☆☆ ★★★☆☆
SAVI (Soil-Adjusted Vegetation Index) ★★★☆☆ ★★★☆☆ ★★★☆☆ ★★★★☆ ★★★☆☆
NDWI (Normalized Difference Water Index) ★★☆☆☆ ★★★☆☆ ★★★☆☆ ★★★★★ ★★★☆☆
2-jadval.
Turli Mashinali o‘rganish algoritmi qaysi yo‘nalishda (ekin turlarini ajratish, stress monitoringi, hosildorlik bashorati va boshqalar) samaradorligi ko‘rsatilgan.
Mashinali o‘rganish algoritmi Ekinlarni ajratish Stress monitoringi Hosildorlik bashorati Tuproq namligi baholash O‘simlik vegetatsiyasi monitoringi
RF (Random Forest) ★★★★★ ★★★★☆ ★★★★★ ★★★★☆ ★★★★★
SVM (Support Vector Machine) ★★★★★ ★★★★☆ ★★★★☆ ★★★★☆ ★★★★★
CART (Classification and Regression Trees) ★★★★☆ ★★★☆☆ ★★★★☆ ★★★☆☆ ★★★★☆
GB (Gradient Boosting) ★★★★★ ★★★★☆ ★★★★★ ★★★★☆ ★★★★★
k-NN (k-Nearest Neighbors) ★★★★☆ ★★★☆☆ ★★★☆☆ ★★★☆☆ ★★★★☆
NB (Naive Bayes) ★★★☆☆ ★★★☆☆ ★★★☆☆ ★★★☆☆ ★★★☆☆
MD (Minimum Distance) ★★★☆☆ ★★★☆☆ ★★★☆☆ ★★★☆☆ ★★★☆☆
Ushbu jadvaldan ko‘rinib turibdiki, NDVI, EVI va GNDVI ekinlarni ajratishda va o‘simlik o‘sishini monitoring qilishda eng samarali indekslar hisoblanadi. Mashinali o‘rganish algoritmlaridan Support vector machine (SVM), Random Forest (RF) va Gradient Boosting (GB) ko‘p yo‘nalishlarda yuqori samaradorlikni namoyon qiladi.
Xulosa. Ushbu tadqiqot qishloq xo‘jaligi ekinlarini monitoring qilishda GAT va MZ texnologiyalarining istiqbollari, afzalliklari va cheklovlarini tushunishda yordam beradi. NDVI, EVI va GNDVI eng samarali spektral indekslar sifatida tavsiya etiladi, Random Forest va Gradient Boosting esa yuqori aniqlik bilan tasniflash modeliga ega ekanligi aniqlandi. Kelajakda qishloq xo‘jaligi monitoringida: SAR (Sentinel-1) ma’lumotlari bilan integratsiya qilish, ayniqsa bulutli ob-havo sharoitida aniqlikni oshirish uchun xizmat qilishi mumkin. Deep Learning va CNN modellarini qo‘llash orqali tasniflash aniqligini oshirish ekinlarni tasniflashdagi aniqlikni yanada oshirishi mumkin. Yer usti ma’lumotlarini to‘plash va geolokalizatsiya sifatini yaxshilash orqali modellarni takomillashtirishda dala ma’lumotlarini to’plash metodikasini tashkil qilish muhim ahamiyatga ega. Ushbu yondashuvlar bilan qishloq xo‘jaligidagi raqamli texnologiyalar rivojlanishi yanada jadallashadi va barqaror dehqonchilikni yo‘lga qo‘yishga xizmat qiladi
Foydalanilgan adabiyotlar:
1. Z. Mamatkulov, E. Safarov, R. Oymatov, I. Abdurahmanov, and M. Rajapbaev, “Application of GIS and RS in real time crop monitoring and yield forecasting: A case study of
cotton fields in low and high productive farmlands,” presented at the E3S Web of Conferences, 2021. doi: 10.1051/e3sconf/202122703001.
2.“PF-155-сон 14.10.2024. 2024-2026-yillarda iqtisodiyot tarmoqlarida aerokosmik texnologiyalarni joriy etish chora-tadbirlari to‘g‘risida.” Accessed: Feb. 14, 2025. [Online]. Available: https://www.lex.uz/uz/docs/-7151133
3.A. Mohammed, T. Sodango, and S. Abi, Analysis and Modeling of Soil Salinity Using Sentinel-2A and LANDSAT-8 images in the Afambo Irrigated Area, Afar Region, Ethiopia. 2022. doi: 10.20944/preprints202204.0250.v1.
4.“Landsat 8 | U.S. Geological Survey.” Accessed: Nov. 02, 2023. [Online]. Available: https://www.usgs.gov/landsat-missions/landsat-8
5.K. Sh. Gafforov et al., “The Assessment of Climate Change on Rainfall-Runoff Erosivity in the Chirchik–Akhangaran Basin, Uzbekistan,” Sustainability, vol. 12, no. 8, p. 3369, Apr. 2020, doi: 10.3390/su12083369.
6.“Spectral bands and resolutions of Landsat 8 OLI and Sentinel-2 MSI...,” ResearchGate. Accessed: Nov. 02, 2023. [Online]. Available: https://www.researchgate.net/figure/Spectral-bands-and-resolutions-of-Landsat-8-OLI-and-Sentinel-2-MSI-sensors-70_tbl1_316644351
7.J. W. Rouse, R. H. Haas, J. A. Schell, and D. W. Deering, “Monitoring vegetation systems in the Great Plains with ERTS,” Jan. 1974. Accessed: Jan. 22, 2023. [Online]. Available: https://ntrs.nasa.gov/citations/19740022614
8.N. Teshaev, B. Mamadaliyev, A. Ibragimov, and S. Khasanov, The soil-adjusted vegetation index for soil salinity assessment in Uzbekistan, vol. 26. 2020. doi: 10.35595/2414-9179-2020-3-26-324-333.
9. E. Neinavaz, A. K. Skidmore, and R. Darvishzadeh, “Effects of prediction accuracy of the proportion of vegetation cover on land surface emissivity and temperature using the NDVI threshold method,” Int. J. Appl. Earth Obs. Geoinformation, vol. 85, p. 101984, Mar. 2020, doi: 10.1016/j.jag.2019.101984.
