YER KUZATUVİ VA ATROF-MUHİT TAHLİLİDA SUN’İY İNTELLEKT İNTEGRATSİYASİ

Article Sidebar

PDF (Русский)
Issue: Vol. 3 No. 53 : Young scientists
Section: Maqolalar
Published:

Main Article Content

Farg‘ona davlat texnika universiteti “Axborot texnologiyalari va telekomunikatsiya” fakulteti talabasi
erkinovam758@gmail.com
Farg‘ona davlat texnika universiteti “Kompyuter muhandisligi va sun’iy intelekt” kafedrasi katta o‘qituvchisi
erkinovam758@gmail.com

Abstract:

Sun’iy intellekt integratsiyasi geofazoviy ma’lumotlarni zamonaviy texnologiyalar bilan birlashtirish orqali atrof-muhit monitoringi, bashorat va qarorlar qabul qilishda yangi imkoniyatlar yaratadi. AGU 2024 dagi Greg Leptouxning ma’ruzasiga asoslangan ushbu sharh Arktikadagi atrof-muhit o‘zgarishidan tropik mintaqalardagi ofatlarga javob berishgacha bo‘lgan muammolarni hal qilishda sun’iy intellekt rolini o‘rganadi. Masofaviy zondlash tasvirlaridan yarim tizimli ma’lumotlar va tabiiy til matnlarigacha bo‘lgan multimodal ma’lumotlarni tahlil qilishdagi yutuqlar ko‘rsatiladi. Bilim grafiklari va generativ sun’iy intellekt domenlararo ma’lumotlarni uzluksiz birlashtirishga imkon beradi. Natijada, sun’iy intellekt Yer kuzatuvi va atrof-muhit tahlili uchun aqlli raqamli kelajakni shakllantiradi.

Article Details

How to Cite:

Erkinova , M. ., & Xolmatov , A. . (2025). YER KUZATUVİ VA ATROF-MUHİT TAHLİLİDA SUN’İY İNTELLEKT İNTEGRATSİYASİ. Young Scientists, 3(53), 135–141. Retrieved from https://in-academy.uz/index.php/yo/article/view/69063

References:

V. Li. GeoAI: Mashinani o‘rganish va katta ma’lumotlar fanda uchrashadigan joy. Fazoviy axborot fanlari jurnali, 20:71–77, 2020.

V. Li & C. Y. Xsu. Keng miqyosdagi tasvir tahlili va mashinani ko‘rish uchun GeoAI. ISPRS J. of Geo-Information, 11(7):385, 2022.

A. Joshi, B. Pradxan, S. Gite & S. Chakraborti. Masofadan zondlash va ekinlarni xaritalash uchun chuqur o‘rganish usullari: tizimli ko‘rib chiqish. Remote Sensing, 15(8):2014, 2023.

D. Bonafilia, B. Tellman, T. Anderson & E. Issenberg. Sen1Floods11: Sentinel-1 uchun georeferentsiyalangan ma’lumotlar to‘plami. IEEE/CVF CVPR, 210–211, 2020.

C. F. Braun et al. Real vaqtga yaqin global er qoplamini xaritalash. Sci. Data, 9(1):251, 2022.

Y. Yang et al. Retrogressiv erishni xaritalash chuqur neyron tarmoqlari yordamida. Remote Sens. Environ., 288:113495, 2023.

V. Li et al. GeoAI fan va GeoAI ilmi uchun. J. Spatial Inf. Sci., 29:1–17, 2024.

M. Udavalpola et al. Panarktik permafrostni aniqlash uchun multimodal GeoAI modeli. ISPRS J. Photogrammetry Remote Sens., 44:175–180, 2021.

R. Reinecke et al. Hisoblashning takrorlanishini ta’minlash uchun muhim ehtiyoj. Environ. Res. Lett., 17(4):041005, 2022.

M. F. Gudchild & V. Li. Fazo va vaqt bo‘ylab replikatsiya ijtimoiy va ekologik jihatdan zaif fanlar. PNAS, 118(35):e2015759118, 2021.

P. Foks et al. Ontologiya yordamida ilmiy ma’lumotlar ramkalari: virtual Quyosh-Yer observatoriyasi tajribasi. Computers & Geosciences, 35(4):724–738, 2009.

G. Leptoux et al. GES DAAC vositalari va MODIS ma’lumotlarini vizualizatsiya qilish. IEEE Int. Geosci. Remote Sens. Symp., 6:3202–3204, 2002.