AHOLI PUNKTLARI YERLARINI ANIQLASHDA MASOFADAN ZONDLASH VA SUN'IY INTELLEKT TEXNOLOGIYALARIDAN FOYDALANISH METODOLOGIYASI

Abstract

Ushbu maqolada aholi punktlari yerlarini masofadan zondlash ma'lumotlari va sun'iy intellekt algoritmlari yordamida aniqlash metodologiyasi bayon etiladi. Taklif etilayotgan yondashuv sun'iy yo'ldosh tasvirlarini tanlash, ularni radiometrik va geometrik jihatdan tayyorlash, spektral indekslar hisoblash, o'quv namunalarini shakllantirish, klassifikatsiya qilish hamda aniqlikni baholash bosqichlarini o'z ichiga oladi. Metodologiyaning asosiy maqsadi - aholi punktlari chegaralarini an'anaviy dala kuzatuvlariga nisbatan tezroq, izchilroq va yangilanadigan shaklda aniqlashdir. Maqolada Random Forest, Support Vector Machine va U-Net kabi algoritmlardan foydalanish imkoniyatlari qisqacha solishtiriladi. Natijada yer resurslarini boshqarish, kadastr ma'lumotlarini yangilash va shaharsozlik monitoringi uchun amaliy qo'llash mumkin bo'lgan ixcham metodik model taklif etiladi.

В данной статье предлагается интегрированная методология определения земель населённых пунктов на основе данных дистанционного зондирования и алгоритмов искусственного интеллекта. Предлагаемый подход включает выбор спутниковых изображений, их радиометрическую и геометрическую коррекцию, вычисление спектральных индексов (NDVI, NDBI, MNDWI), формирование обучающих выборок и выполнение классификации. В исследовании проведено сравнительное оценивание эффективности алгоритмов Random Forest, Support Vector Machine и U-Net.

Результаты показали, что модель U-Net обеспечивает наивысшую точность определения населённых пунктов (≈0.90–0.92), тогда как Random Forest отличается высокой устойчивостью и вычислительной эффективностью. Предложенная методология обеспечивает более оперативное, воспроизводимое и масштабируемое определение границ населённых пунктов по сравнению с традиционными полевыми методами.

Данный подход может быть эффективно использован для обновления кадастровых данных, мониторинга процессов урбанизации и поддержки принятия управленческих решений в области территориального планирования.

This study proposes an integrated methodology for detecting settlement areas using remote sensing data and artificial intelligence algorithms. The approach includes satellite image selection, radiometric and geometric correction, calculation of spectral indices (NDVI, NDBI, MNDWI), preparation of training samples, and classification procedures. The performance of Random Forest, Support Vector Machine, and U-Net algorithms was comparatively evaluated.

The results indicate that the U-Net model provides the highest accuracy in settlement detection (≈0.90–0.92), while Random Forest demonstrates strong stability and computational efficiency. The proposed methodology enables faster, more consistent, and scalable delineation of settlement boundaries compared to traditional field-based methods.

This approach can be effectively applied for updating cadastral datasets, monitoring urbanization processes, and supporting decision-making in land and urban management systems.