Yer qoplamini tasniflash uchun chuqur o‘rganish algoritmlari yordamida sun’iy yo‘ldosh tasvirlarini segmentatsiyalash
Annotatsiya
Ushbu maqolada sun’iy yo‘ldosh tasvirlarini segmentatsiyalash va yer qoplamini ta'sniflash masalasida chuqur o‘rganish (Deep Learning) algoritmlaridan foydalanish usullari ko‘rib chiqilgan. Tadqiqotda asosan konvolyutsion neyron tarmoqlar (CNN), U-Net, DeepLab va ResNet arxitekturalari tahlil qilingan. Turli xil yer qoplami kategoriyalari - o‘rmon, suv havzalari, qishloq xo‘jaligi erlari, shahar infratuzilmasi va boshqalar - yuqori aniqlik bilan ajratib ko‘rsatilgan. Tajribalar Sentinel-2 va Landsat-8 sun'iy yo‘ldosh ma'lumotlari asosida o‘tkazilgan bo‘lib, taklif etilayotgan yondashuv an'anaviy mashina o‘rganish usullaridan 8-15% yuqori aniqlikni ta'minlaydi. Natijalar geoinformatika va masofadan zondlash sohasida amaliy qo‘llanilish imkoniyatini ko‘rsatadi.
Kalit so‘zlar: sun'iy yo‘ldosh tasvirlari, yer qoplamini ta'sniflash, chuqur o‘rganish, segmentatsiya, konvolyutsion neyron tarmoqlar, U-Net, masofadan zondlash, geoinformatika
##submission.citations##
1. Abdurahmonov Q.X., Rasulov A.B. Geografik axborot tizimlari va masofadan zondlash asoslari. – Toshkent: O‘zbekiston Milliy universiteti nashriyoti, 2019.
2. Yusupov R.M., Turg‘unov A.A. Sun’iy intellekt va mashinali o‘qitish texnologiyalari. – Toshkent: Fan va texnologiya, 2021.
3. Jo‘rayev M.A., Karimov B.B. Masofadan zondlash ma’lumotlarini qayta ishlash va tahlil qilish usullari. – Toshkent: Innovatsiya nashriyoti, 2020.
4. Abdullayev S.S., Tursunov O.T. Geoinformatika va kartografiya asoslari. – Toshkent: O‘qituvchi, 2018.
5. Qodirov A.A., Xolmatov Sh.R. Sun’iy yo‘ldosh tasvirlari asosida yer resurslarini monitoring qilish. // O‘zbekiston Geografiya Jamiyati Axboroti, 2022, №58.
6. Axmedov B.A., Raximov N.T. Geografik axborot tizimlari va kosmik suratlar yordamida yer qoplamini tahlil qilish. – Toshkent: Universitet nashriyoti, 2020.
7. Tursunov Sh.M., Qosimov F.A. Masofadan zondlash texnologiyalarining qishloq xo‘jaligida qo‘llanilishi. // Qishloq xo‘jaligi axborotnomasi, 2021, №4.
8. Raxmatullayev M.M. Sun’iy intellekt va chuqur o‘rganish algoritmlari. – Toshkent: Fan, 2022.
9. Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., & Liang, J. (2019). UNet++: A Nested U-Net Architecture for Medical Image Segmentation. Deep Learning in Medical Image Analysis, 3–11.
10. Zhu, X. X., Tuia, D., Mou, L., Xia, G. S., Zhang, L., Xu, F., & Fraundorfer, F. (2017). Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources. IEEE Geoscience and Remote Sensing Magazine, 5(4), 8–36.
11. Julitta, T., Vreys, K., Somers, B., et al. (2019). Upscaling regional crop cover using Sentinel-2 imagery. International Journal of Applied Earth Observation and Geoinformation, 77, 98–109.
12. Chen, L. C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2017). DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4), 834–848.
13. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778.
14. Dosovitskiy, A., Beyer, L., Kolesnikov, A., et al. (2020). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. arXiv:2010.11929.
15. Zheng, S., Lu, J., Zhao, H., et al. (2021). Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers. CVPR, 6881–6890.
16. Mo‘minov, S. O‘., & Ergashev, B. A. (2023). O‘zbekistonda masofadan zondlash ma'lumotlarini tahlil qilishda sun'iy intellekt usullari. ToshATU Ilmiy axborotnomasi, 4(2), 112–119.
