UCHUVCHISIZ UCHISH APPARATLARI MA’LUMOTLARI ASOSIDA O‘RMON EKOTIZIMLARIDA DARAXTLARNI SEGMENTATSIYALASH

Boboqulov A. D. & To‘xtasinov A. I.


Annotatsiya

O‘rmonlar biologik xilma-xillik, iqlimni tartibga solish va gidrologik tsikllar uchun muhim bo‘lib, ularni barqaror boshqarish o‘rmonlarning kesilishi va iqlim o‘zgarishi kabi tahdidlar sababli zarurdir, an’anaviy o‘rmon monitoringi usullari mehnat talab qiluvchi va cheklangan bo‘lsa, UUV LiDAR texnologiyasi o‘rmon tuzilmasi haqida uch o‘lchamli batafsil ma’lumot hamda keng qamrovni ta’minlaydi, ushbu tadqiqotda turli murakkablik darajasiga ega bo‘lgan ikki xil o‘rmon ekotizimida individual daraxtlarni segmentatsiya qilish algoritmlari yuqori zichlikdagi LiDAR ma’lumotlari asosida baholandi, ma’lumotlar DJI Matrice 300RTK platformasiga o‘rnatilgan Zenmuse L1 sensoridan olingan, LiDAR ma’lumotlarini qayta ishlash metodologiyasi doirasida dastlabki bosqichlarda raqamli relyef modeli (DEM), raqamli sirt modeli (DSM) va daraxt balandligi modeli (CHM) yaratildi, LiDAR nuqta bulutida yer nuqtalarini tasniflash va aniq modellarni hosil qilishning samarali usullari tahlil qilindi hamda uchburchak notekis to‘r (TIN) usuli eng maqbul variant sifatida topildi, individual daraxt darajasida o‘rmonlarni tahlil qilish imkonini beruvchi segmentatsiya bosqichi amalga oshirildi, segmentatsiya o‘rmon salomatligini kuzatish, biomassa miqdorini baholash va turlar tarkibi hamda xilma-xilligini tushunishda muhim hisoblanadi, biroq eng mos segmentatsiya usulini tanlash hozircha dolzarb ilmiy muammo bo‘lib qolmoqda va eng optimal yondashuv hamda qo‘llaniladigan metrikalar yuzasidan konsensus mavjud emas.


Adabiyotlar

  1. Eugenio, F.C.; Da Silva, S.D.P.; Fantinel, R.A.; De Souza, P.D.; Felippe, B.M.; Romua, C.L.; Elsenbach, E. O‘rmon turlarida zararkunandalar va kasalliklarni aniqlash uchun masofadan boshqariladigan uchuvchi apparatlar tizimlari: global holat va kelajakdagi chaqiriqlar. IEEE Geoscience and Remote Sensing Magazine, 2022, 10, 320–333. [CrossRef]
  2. Duan, P.; Wang, Y.; Yin, P. Qo‘riqlanadigan hududlarni monitoring qilishda masofaviy zondlash qo‘llanmalari: bibliometrik tahlil. Remote Sensing, 2020, 12, 772. [CrossRef]
  3. Kattenborn, T.; Leitloff, J.; Schiefer, F.; Hinz, S. Vegetatsiyani masofadan zondlashda konvolyutsion neyron tarmoqlar (CNN) bo‘yicha sharh. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 173, 24–49. [CrossRef]
  4. Dalponte, M.; Coomes, D.A. Havo orqali olingan lazerli skanerlash va giperspektral ma’lumotlar asosida o‘rmon uglerod zichligini daraxt markazli xaritalash. Ekologiya va evolyutsiya usullari (Methods Ecol. Evol.), 2016, 7-jild, 1236–1245. [CrossRef]
  5. Silva, C.A.; Hudak, A.T.; Vierling, L.A.; Loudermilk, E.L.; O’Brien, J.J.; Jack, S.B.; Gonzalez-Beneque, C.; Hiers, J.K.; Lee, H.; Falkowski, M.J.; va boshq. Daladagi kuzatuv va LiDAR ma’lumotlari asosida uzunigna qarag‘ayi (Pinus palustris Mill.) daraxtlarining individual atributlarini imputatsiya qilish. Kanada Masofaviy Zondlash Jurnali (Can. J. Remote Sens.), 2016, 42-jild, 554–573. [CrossRef]
  6. Chen, Q.; Baldocchi, D.; Gong, P.; Kelly, M. Isolating Individual Trees in a Savanna Woodland Using Small Footprint Lidar Data. Photogramm. Eng. Remote Sens. 2006, 72, 923–932. [CrossRef]
  7. Li, W.; Guo, Q.; Jakubowski, M.K.; Kelly, M. LiDAR nuqta bulutidan individual daraxtlarni segmentatsiya qilish uchun yangi usul. Fotogrammetriya, muhandislik va masofaviy zondlash (Photogramm. Eng. Remote Sens.), 2012, 78-jild, 75–84. [CrossRef]
  8. Boboqulov A.D. Geoaxborot tizimlari asosida hududiy oʻrmon xoʻjaligi monitoringini yuritish / “Al-Farg‘oniy avlodlari” elektron ilmiy jurnali ISSN 2181-4252. Tom: 1 | Son: 2 | 2025-yil.
  9. Boboqulov A.D. Hududiy o‘rmon xo‘jaligi kompleksi resurslarini boshqaruv tizimini rivojlantirish omillari. Raqamli Transformatsiya va Sun’iy Intellekt ilmiy jurnali VOLUME 3, ISSUE 3, JUNE 2025 ISSN: 3030-334.
  10. Zhang, K.; Chen, S.C.; Whitman, D.; Shyu, M.L.; Yan, J.; Zhang, C. A progressive morphological filter for removing nonground measurements from airborne LIDAR data. IEEE Trans. Geosci. Remote Sensing 2003, 41, 872–882. [CrossRef]
  11. Zhang, W.; Qi, J.; Wan, P.; Wang, H.; Xie, D.; Wang, X.; Yan, G. An Easy-to-Use Airborne LiDAR Data Filtering Method Based on Cloth Simulation. Remote Sens. 2016, 8, 501. [CrossRef]
  12. Chen, N.; Wang, N.; He, Y.; Ding, X.; Kong, J. An improved progressive triangular irregular network densification filtering algorithm for airborne LiDAR data. Front Earth Sci. 2023, 10, 1015153. [CrossRef].