ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
47
ZARARKUNANDALAR MONITORINGIDA AI VA ALGORITMLARDAN
FOYDALANISH
Jabborxonov Tursunxo‘ja Qaxramon o‘g‘li
Andijon davlat universiteti mustaqil tadqiqotchisi
Email: Tursunxo'ja@gmail.com
https://doi.org/10.5281/zenodo.16924761
Sun’iy yo‘ldosh tasvirlarining yana bir ustunligi –
vaqt ketma-ketligini
kuzatish, ya’ni
har bir maydonni mavsum davomida bir necha marta suratga olib, o‘zgarish dinamikasini tahlil
qilishdir. Masalan, Andijon viloyatida iyun oyida pomidor dalalari maksimal yashil vegetativ
massasiga ega bo‘ladi va NDVI indeksi o‘rtacha ~0.8 atrofida bo‘ladi (0 dan 1 gacha shkalada).
Agar iyul o‘rtalarida qatorlarning ba’zi joylari Tuta absoluta tomonidan shikastlana boshlasa,
NDVI 0.5–0.6 gacha pasayishi mumkin. Keyingi Sentinel-2 kadrlarda bu o‘zgarish aniq ko‘zga
tashlanadi – dalaning mos qismi sarg‘aygan dog‘ ko‘rinishida. Agar o‘z vaqtida chora ko‘rilmasa,
oradan 2–3 hafta o‘tib dog‘ kattalashib, butun dala bo‘ylab yoyilganini kuzatish mumkin bo‘ladi.
Shunday qilib, sun’iy yo‘ldosh kuzatuvi zararkunanda
tarqalish tezligini
ham baholashga
xizmat qiladi: masalan, 10 gektar maydon bir haftada 30 gektarga chiqdi degan xulosa bilan
infestasiyaning sur’ati haqida xulosa chiqarish mumkin. Bu esa kurash choralarini rejali tashkil
etishda muhim (masalan, biologik nazorat uchun qaysi hududga qachon foydali entomofaunani
qo‘yib yuborish yoki qaysi tomonga insektitsid sepishni kengaytirish kerakligini belgilash).
Albatta, sun’iy yo‘ldosh tasvirlari ayrim hollarda zararkunandani
bevosita
aniqlay
olmaydi, faqat bilvosita belgilarini ko‘rsatadi. Shuning uchun ularni albatta yer usti kuzatuvlari
bilan tasdiqlash lozim. Biroq, katta hududlarda birlamchi skrinning uchun sun’iy yo‘ldosh
monitoringi juda foydali. Masalan, respublika fitosanitariya xizmati darajasida Sentinel-2
ma’lumotlari asosida butun Andijon viloyatida vegetatsiya anomaliyalarini kuzatish tizimi
yo‘lga qo‘yilishi mumkin. Keyin anomaliya aniqlangan nuqtalarga inspektorlar jo‘natilib, u
yerda chindan ham zararkunanda bor-yo‘qligi tekshiriladi. Bu yondashuv odatdagi choralarni
ko‘rishdan ko‘ra ancha
tejamli va tezkor
bo‘ladi, chunki resurslar manzilli ishlatiladi.
Misol tariqasida,
Kanada
olimlari sun’iy yo‘ldosh tasvirlari va chuqur o‘qitish (deep
learning) algoritmlaridan foydalangan holda o‘rmonzorlarda bark beetle (qo‘ng‘iz)
zararkunandasi keltirgan zarar maydonlarini segmentatsiya qilishgan – bunda Sentinel-2ning
13 ta spektral kanali va undan olinma 13 ta vegetatsiya indeksi birlashtirib,
UNet++
neyron
tarmog‘i yordamida zararlangan hududlar 85 % dan ortiq aniqlikda tasniflangan. Bu misol
qishloq xo‘jaligi ekinlariga ham tatbiq qilinishi mumkinligini ko‘rsatadi: ya’ni sun’iy yo‘ldosh
ko‘rinishidan murakkab bo‘lib tuyulgan tasvirlarni zamonaviy algoritmlar bilan tahlil etish
orqali bevosita zararkunanda tarqalgan joylarni avtomatik “xaritada bo‘yash” mumkin.
Umuman olganda, sun’iy yo‘ldosh orqali monitoring – bu
masofaviy kuzatuv
ning yuqori
pog‘onasi bo‘lib, u
keng qamrov, muntazamlik va tarixiy tahlil
imkoniyatini beradi. Dronlar
ba’zan bir vaqtda ko‘p joyga yetib bora olmasligi yoki uzoq masofaga ucha olmasligi mumkin.
Sun’iy yo‘ldosh esa chegaralanmagan hududni qamrab olib,
ketma-ketlik
yaratadi. Bu
texnologiya Andijon viloyati kabi zich qishloq xo‘jaligi hududlarida ayniqsa foydali, chunki
viloyat bo‘yicha bir paytning o‘zida qayerda vaziyat og‘irroq ekani haqida umumiy tasavvur
hosil qiladi. Shu bilan birga, sun’iy yo‘ldosh tasvirlari yordamida uzoq davom etuvchi
jarayonlarni ham kuzatish mumkin – masalan, yil sayin zararkunanda areali kengayib
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
48
borayotgan-bo‘lmayotganini ko‘rish, iqlim o‘zgarishining zararkunandalar populyatsiyasiga
ta’sirini tahlil qilish va hokazo.
Zararkunandalar monitoringida AI va algoritmlardan foydalanish
Sun’iy intellekt (AI)
va mashinaviy o‘rganish usullari qishloq xo‘jaligida turli murakkab
ma’lumotlar tahlilida inqilob yasamoqda. Xususan, pomidor zararkunandalarini kuzatish va
bashoratlashda AI algoritmlaridan foydalanish samarali ekani ko‘plab tadqiqotlar tomonidan
tasdiqlangan. Keng qo‘llanilayotgan modellar qatorida
Random Forest
(tasodifiy o‘rmon) kabi
klassifikatsiya algoritmlari hamda
sun’iy neyron tarmoqlar
(jumladan konvolyusion neyron
tarmoq –
CNN
, va obyektni aniqlash uchun YOLO kabi) mavjud.
Random Forest
– bu juda ko‘p qaror daraxtlaridan iborat ansambl model bo‘lib, katta
xajmdagi belgi va faktorlar orasidan muhimlarini tanlash va tasniflash masalalarida yuqori
aniqlik ko‘rsatadi. Masalan, agar bizda biror hudud bo‘yicha o‘nlab o‘zgaruvchilar – tuproq turi,
harorat rejimi, namlik, NDVI qiymatlarining vaqt bo‘yicha qat’iyligi va hokazo – va shu hududda
Tuta absoluta
paydo bo‘lish yoki bo‘lmasligi haqidagi ma’lumotlar bo‘lsa, Random Forest
modellari ushbu omillar asosida qaysi joylarda zararkunanda chiqishini
bashorat qilish
imkonini beradi. Ilmiy adabiyotlarda keltirilishicha, masalan,
Bárta va hammualliflar
(2022)
random forest algoritmidan foydalangan holda sun’iy yo‘ldosh tasvirlaridagi mavsumiy
vegetatsiya indekslari o‘zgarishini tahlil qilib, o‘rmonlarda qo‘ng‘iz zararlangan hududlarni
78 % umumiy aniqlik bilan sog‘lom hududlardan ajrata olishga erishgan. Xuddi shunday
yondashuvni pomidor dalalarida ham qo‘llash mumkin: random forest modeli NDVI,
temperaturalar, yer usti kuzatuvlari kabi ma’lumotlarni o‘zida jamlab, qaysi dalada
zararkunanda ehtimoli yuqori ekanini ko‘rsatib berishi mumkin. Qolaversa, bu modelni
ishlatib, qaysi faktorlar (masalan, juda yuqori haroratmi yoki qalin ekin qoplamimi)
zararkunanda avj olishida eng muhim rol o‘ynayotganini aniqlash imkoni bor.
Sun’iy neyron tarmoqlar (CNN va boshqalar)
esa ayniqsa
tasvirlarni tahlil qilishda
beqiyos natijalar ko‘rsatmoqda. Dron va sun’iy yo‘ldoshdan olingan fotosuratlar yoki video
tasvirlar ulkan axborot manbai bo‘lib, ularni oddiy statistik usul bilan to‘liq “o‘qish” mushkul.
CNN tipidagi chuqur o‘qitish modellar esa tasvirlardagi murakkab namunalarga moslashib,
ulardan zarur belgi va ob’ektlarni taniy oladi. Pomidor zararkunandalariga doir ishlarda
YOLO
(You Only Look Once)
arxitekturasi asosidagi modellarning muvaffaqiyati alohida e’tirofga
loyiq. Masalan,
Shehu va boshqalar
(2025) tadqiqotida YOLOv8 modeli yordamida pomidor
barglaridagi
Tuta absoluta
chaqirgan kasallik alomatlarini 0,73 mAP (o‘rtacha aniqlik)
darajasida aniqlashga erishildi, bu esa real maydon sharoitida boshqa usullarga nisbatan ancha
yuqori ko‘rsatkichdir. Xuddi shunday,
Şahin va boshqalar
(2023) tajribasida YOLOv5 modeli
1 200 ta zararlangan barg surati asosida o‘qitilib, natijada pomidor barglarida
Tuta absoluta
lichinkalari va shaxta zararlanishini
avtomatik ravishda aniqlash vazifasini ~80 % o‘rtacha
aniqlik (mAP) bilan uddaladi – ayrim kategoriyalar bo‘yicha aniqlik hatto 90 %ga yaqinlashdi.
Bu shuni anglatadiki, endilikda oddiy smartfon kamerasi bilan olingan pomidor bargi suratini
tahlil qilib, AI model yordamida “ustida Tuta absoluta lichinkasi bor” yoki “yo‘q” degan xulosa
chiqarish imkoni bor. Bunday vositalar fermerlar uchun yengil tushunarli mobil ilovalar
shaklida ham ishlab chiqilmoqda.
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
49
References:
Используемая литература:
Foydalanilgan adabiyotlar:
1.
Shehu H.A. va boshqalar.
YOLO for early detection and management of Tuta absoluta-
induced tomato leaf diseases
. – Frontiers in Plant Science, 16:1524630 (2025).
2.
Şahin Y.S. va boshqalar.
Detection of Tuta absoluta larvae and their damages in tomatoes
with deep learning-based algorithm
. – Int. J. of Next-Generation Computing, 14(3): 555-565
(2023).
3.
Capinera J.
Green Peach Aphid (Myzus persicae)
– UF/IFAS Extension, IN379 (2000-y.).
4.
AgroScout bilim bazasi:
NDVI – monitor crop health to detect stress and pests early
(2025).
5.
Esri ArcGIS Blog: Finan K.
Optimize pest detection operations with the Invasive Pest
Management solution
(2025).
6.
Barta et al.
Detecting Pest-Infested Forest Damage through Multispectral Satellite Imagery
and Improved UNet++
. – Remote Sensing, 14(19): 4823 (2022).
