56
GIS YORDAMIDA VIZUAL VA INTERAKTIV MA’LUMOTLAR
Jabborxonov Tursunxo‘ja Qaxramon o‘g‘li
Andijon davlat universiteti mustaqil tadqiqotchisi
Email: Tursunxo'ja@gmail.com
https://doi.org/10.5281/zenodo.16924803
GIS vositalari nafaqat statik xaritalar yaratish, balki
real vaqtda monitoring
qilish
imkonini ham beradi. Masalan,
ArcGIS Field Maps
kabi maxsus ilovalar yordamida
inspektorlar dalada har bir ferma yoki maydonda tuzoqqa tushgan zararkunandalar sonini,
zarar ko‘lami darajasini joyida kiritib borishi mumkin. Kiritilgan ma’lumotlar markaziy
serverga (yoki bulutga) uzatiladi va
dashboard
(nazorat paneli) ko‘rinishida uzluksiz
yangilanib turadi. Shu tariqa qaysi hududda zararkunanda paydo bo‘lgani, qayerda tarqalish
xavfi yuqori ekani bir qarashda ko‘rinib turadi.
ArcGIS Dashboard
misolida, mas’ul
mutaxassislar tuzoqlar soni, ulardagi tutilish holatlari, inspeksiya o‘tkazilishi lozim bo‘lgan
joylar va hokazolarni bir ekranda kuzatishlari mumkin. GIS vositalari yordamida olingan
bunday ma’lumotlar bazasi bilan ishlash zararkunandalarga qarshi kurash choralarini hududiy
rejalashtirishni ancha osonlashtiradi.
Andijon viloyatida pomidor ekinlariga xavf soluvchi
Tuta absoluta
bo‘yicha misol
keltirsak, ushbu zararkunanda
2016–2018 yillarda mintaqada ilk bor tarqalganida
, unga
qarshi tezkor monitoring tashkil etish uchun GIS xaritalashdan foydalanilgan. Xususan, Jahon
banki ko‘magida o‘tkazilgan dala surveylarida Farg‘ona vodiysi bo‘yicha o‘nlab nuqtalarda
pomidor dalalari tekshirilib, har birida barglarning necha foizi zararlangani va mevalardagi
zararlanish darajasi qayd etilgan. Olingan natijalarga ko‘ra tayyorlangan xaritalar shuni
ko‘rsatdiki, masalan,
Tajikiston
chegarasiga yaqin hududlarda barglarning 15–30 %igacha
kuyaning shaxtalaridan zararlangani, mevalarning esa ayrim joylarda 20 %igacha
shikastlangani kuzatilgan. Bu ma’lumotlar asosida zararkunanda areali chizilib, uning
markaziy
o‘choqlari
hamda tarqalish xavfi yuqori bo‘lgan yo‘nalishlar aniqlandi. GIS analitikasi
yordamida, shuningdek, geografik omillar – masalan, muayyan hududlarning iqlimi, ekin
ekilish va hosil yig‘ish vaqtlari, transport yo‘llari – bilan zararkunanda tarqalishi o‘rtasidagi
bog‘liqlik ham tahlil qilinadi. Bu esa kelgusida
xavf xaritalari
(Risk map) tuzib, zararlanish
ehtimoli yuqori bo‘lgan zonalarni oldindan belgilashga xizmat qiladi.
Umuman olganda, GIS texnologiyalari pomidor zararkunandalarini nazorat qilishda qaror
qabul qiluvchilarga hududiy ko‘rinish beradi. An’anaviy daladan xabar berish usullariga
nisbatan, GIS yordamida ma’lumotlar
vizual va interaktiv
tarzda taqdim etiladi, bu esa
muammoni anglash va tezkor choralarni rejalashtirishni osonlashtiradi. Masalan, agar xaritada
bir tumanda ketma-ket bir nechta xo‘jalikda zararkunanda chiqishi belgilansa, shu joyda
shoshilinch karantin va ishlov berish tadbirlarini tashkil etish zarurligi ayon bo‘ladi. Shu bilan
birga, vaqt o‘tishi bilan to‘planayotgan GIS ma’lumotlari yordamida zararkunanda
populyatsiyasining o‘sish trendlari, mavsumiy dinamikasi ham kuzatilib boriladi. Kelajakda
Andijon viloyatida bunday ma’lumotlar bazasi yaratilsa, bir necha yillik ma’lumotlar tahlili
orqali
zararkunandalarning takrorlanish sikllari
ni oldindan prognoz qilish imkoniyati
paydo bo‘ladi.
Masofaviy zondlash: dronlar va multispektral monitoring
An’anaviy qo‘lda dalalarni ko‘zdan kechirish va tuzoqlar qo‘yish usullari ko‘p mehnat
talab qilib, keng maydonlarda
tezkor monitoring
olib borishda sustlik qilishi mumkin. Shu
57
sababli so‘nggi yillarda
masofaviy zondlash texnologiyalari
, xususan uchuvchisiz uchish
apparatlari (
dronlar
) va multispektral tasvirga olish usullari qishloq xo‘jaligida keng joriy
qilinmoqda. Dronlar yordamida fermer xo‘jaliklari ekinlarini yuqoridan turib tezkor va batafsil
kuzatish imkoni paydo bo‘ldi.
Multispektral kameralar
bilan jihozlangan dronlar o‘simliklardan qaytgan
yorug‘likning bir necha to‘lqin uzunliklarini bir vaqtda suratga ola oladi (masalan, ko‘rinuvchi
qizil, yashil, ko‘k nurlar bilan birga yaqin infrasarkil (NIR) diapazon). Shu orqali olingan
tasvirlardan vegetatsiya indekslarini – xususan,
NDVI
(Normalized Difference Vegetation
Index, normallashgan farqli vegetatsiya indeksi) xaritalarini hisoblash mumkin. NDVI indeksi
o‘simlik barglarining yashillik darajasini, ya’ni fotosintez faoliyatini aks ettirib, sog‘lom (yashil)
vegetatsiya va zararlangan (yoki stress holatdagi) vegetatsiyani ajratishga xizmat qiladi.
Tajribalar ko‘rsatmoqdaki,
NDVI xaritalari
orqali dala bo‘ylab o‘simliklar holatidagi
nomutanosibliklarni erta bosqichda aniqlash mumkin – masalan, agar pomidor qatorining bir
qismida zararkunanda tufayli barglar shikastlana boshlasa, u yerda NDVI qiymati atrofdagi
sog‘lom qatorlarga nisbatan sezilarli pasayadi. Agrotexnikada NDVI va boshqa spektral
ko‘rsatkichlar orqali
zararkunandalar yoki kasalliklar keltirgan stressni barvaqt aniqlash
usullari allaqachon muvaffaqiyat bilan qo‘llanilmoqda. Masalan,
AgroScout
kompaniyasi
maxsus dron va sun’iy yo‘ldosh monitoring tizimlari yordamida dalalarda NDVI kuzatib,
o‘simliklarning sog‘lomlik xaritasini tuzadi va shu asosda fermerlarni kasallik yoki
zararkunanda tarqalishining ilk belgilari haqida ogohlantiradi.
Andijon viloyatida ham dehqon xo‘jaliklarida dronlardan foydalanish tajribalari
boshlanmoqda. Kichik va o‘rta dronlar pomidor dalalari ustida ~10–50 m balandlikda uchib,
qisqa vaqt ichida butun maydonning to‘liq
ortofotosurat
ini olishga qodir. Maxsus dasturlar
yordamida bu suratlar birlashtirilib, yuqori aniqlikdagi xarita (o‘lchov aniqligi ba’zan 3–5 sm
gacha) hosil qilinadi. Keyin multispektral suratlar tahlil qilinib, har bir nuqtada NDVI va boshqa
indekslar hisoblab chiqiladi. Natijada, ferma dalasining har bir qismida vegetatsiya qanchalik
sog‘lom ekani rangli xarita ko‘rinishida olinadi. Misol uchun,
yashil rang
sog‘lom qalin bargli
pomidor qatorlarini,
sariq-to‘q qizg‘ish ranglar
esa barglari zararlangan yoki siyraklashgan
joylarni ko‘rsatishi mumkin. Agar xaritada aniq konturga ega bo‘lgan sariq-qizg‘ish dog‘lar
paydo bo‘lsa, bu ko‘pincha o‘sha hududda zararkunanda yoki kasallik o‘chog‘i borligidan dalolat
beradi.
Dron monitoringi
ayniqsa pomidor kuyasi kabi avval barglarda shaxta qiluvchi
zararkunandalarni erta topishga yordam beradi – chunki barglar zararlana boshlagach,
fotosintez susayadi va NDVI kamayadi. Shuningdek, drondagi yuqori o‘lchamli kamera bevosita
yuqoridan barglar holatini suratga olganida, tajribali agronom yoki avtomatlashtirilgan
dasturiy vositalar barglardagi shaxta izlarini yoki rang o‘zgarishini ham ko‘ra oladi. Bu esa
zararkunanda aniq belgilari paydo bo‘lishi bilan uni lokatsiyasini belgilash imkonini yaratadi.
Masofaviy zondlashning muhim afzalliklaridan yana biri –
kattakon maydonlarni tez
qamrab olish
va
noinvasiv (o‘simlikka zarar yetkazmasdan)
kuzatishdir. Misol uchun, 50
gektarlik pomidor dalasini odatiy kuzatuvchi bir necha inspektor bir necha kun ichida to‘liq
ko‘zdan kechira olishi qiyin. Holbuki, bitta dron bu ishni bir necha soatda bajarib, real vaqtda
axborotni uzatishi yoki yozib olishi mumkin. O‘zbekiston sharoitida hozircha dronlardan
foydalanish yangi bosqichda bo‘lsa-da, dunyo miqyosida ko‘plab mamlakatlarda bu usullar o‘z
samarasini bermoqda. Masalan, AQShda dronlar yordamida katta fermer xo‘jaliklarida
hasharotlar tarqalishini kuzatish yo‘lga qo‘yilgan;
Italiyada
pomidor dalalarida zararkunanda
58
va sug‘orish holati birgalikda tahlil qilinib, NDVI xaritalar asosida differensial sug‘orish rejalari
tuzilmoqda.
Shuningdek, dronlar yordamida faqat aniqlash emas, balki
to‘g‘ridan-to‘g‘ri kurash
choralarini
amalga oshirish ustida ham ishlar bormoqda. Misol tariqasida, ayrim rivojlangan
xo‘jaliklar dronga o‘rnatilgan purkagich yordamida dalaning faqat zararlangan joylariga
insektitsidlarni aniq sepadigan texnologiyalarni sinovdan o‘tkazishmoqda. Bu esa butun
maydonni zaharlashdan ko‘ra aniq o‘choqlarni nishonga olish orqali ekologik va iqtisodiy foyda
keltiradi. Albatta, bunday yondashuvlar muvaffaqiyati ham zararkunandani
erta aniqlash
ga
bog‘liq – zararlangan punktlarni aniq belgilash uchun yuqoridagi GIS va dron monitoringi
muhim o‘rin tutadi.
Xulosa qilib aytganda, dronlar va multispektral masofaviy kuzatuv texnologiyalari
Andijon viloyati kabi qishloq xo‘jaligi hududlarida pomidor zararkunandalarini kuzatish sifatini
yangi bosqichga olib chiqadi. Bu texnologiyalar odatiy usullarga qaraganda
tezroq, keng
qamrovli va aniqroq
ma’lumot taqdim etadi, natijada zararkunandalarga qarshi kurash
choralari o‘z vaqtida va manzilli amalga oshirilishi mumkin bo‘ladi.
Sun’iy yo‘ldosh tasvirlari asosida zararlangan maydonlarni aniqlash
Dronlar lokal darajada yuqori aniqlik bersa,
sun’iy yo‘ldoshlar
yordamida butun
mintaqalar va yirik maydonlarni qamrab oluvchi monitoring amalga oshiriladi. Hozirgi kunda
ochiq manbalik yuqori aniqlikdagi sun’iy yo‘ldosh tasvirlari sifatida
Sentinel-2
(Yevropa
Kosmik Agentligi) va
Landsat 8
(AQSh NASA) ma’lumotlari keng ishlatilmoqda. Ushbu sun’iy
yo‘ldoshlar multispektral suratga oladi: masalan, Sentinel-2 ning tasvirlari 10 metr gacha
fazoviy o‘lchamda bir necha spektral kanallarda (ko‘k, yashil, qizil, qizil-chegara, NIR va
boshqalar) olinadi va har 5 kunda yangilanadi. Landsat 8 esa ~30 m o‘lchamda 11 kanalda
tasvir beradi (15 m panchromatic), har ~16 kunda hudud ustidan o‘tadi. Bu sun’iy yo‘ldosh
tasvirlari yordamida qishloq xo‘jaligi ekinlarining holati, rivojlanishi va stress belgilari
masofadan turib baholanadi.
Zararkunandalar monitoringi
da sun’iy yo‘ldoshdan foydalanish alohida ahamiyatga
ega, chunki u katta hududlarni bir lahzada ko‘rish imkonini beradi. Misol uchun, Sentinel-2
kadrlari Andijon viloyatidagi barcha pomidor ekiladigan maydonlarni birdaniga qamrab olishi
mumkin. Agar har haftada bunday tasvirlarni tahlil qilib borsak, qaysi maydonlarda vegetatsiya
indeksi odatdagidan keskin pasaygani yoki o‘sishdan to‘xtagani seziladi. Bu belgilar turli
sabablarga ko‘ra bo‘lishi mumkin (suv yetishmasligi, o‘g‘it yetishmasligi yoki kasallik,
zararkunanda). Agar boshqa omillar inkor qilinsa, bunday anomal
past NDVI
hududlari
zararkunanda zararlanishiga gumon sifatida belgilanishi mumkin. Ayniqsa,
Tuta absoluta
kabi
barg va mevalarni yemiruvchi hasharotlar avj olganida, sun’iy yo‘ldosh tasvirlarida dala bo‘ylab
notekis “yomg‘ir yog‘ilgandek” dog‘lar paydo bo‘lishi mumkin – bu yerlarda o‘simlik barglari
to‘liq nobud bo‘lib, yer yuzi ko‘rinib qolganini anglatadi. Haqiqatan ham, ilmiy tadqiqotlarda
keltirilishicha, sun’iy yo‘ldosh tasvirlaridagi qizil va NIR kanallar kombinatsiyasi zararkunanda
tufayli zaiflashgan o‘simliklarni aniqlashga sezgirligi yuqori ekanini ko‘rsatgan. Masalan,
olimlar
Sentinel-2
yordamida
tsitrus mevali bog‘larda
yuz bergan un ko‘rkam (cochineal)
zararkunandasi infestasiyasini muvaffaqiyatli xaritalaganlar – bunda zararlangan daraxtlar
qizil spektrda yutish xususiyati o‘zgargani tufayli indekslarda aniq ajralib turgan. Xuddi
shunday yondashuvni pomidor maydonlariga ham qo‘llash mumkin: agar biror dalada
zararkunanda paydo bo‘lgan bo‘lsa, bir necha hafta ichida uning maydoni sun’iy yo‘ldoshdan
59
“rangpar” tusga kela boshlaydi (yashil rang yo‘qoladi). Bu belgilarni
Google Earth Engine
kabi
platformalar orqali avtomatik kuzatib borish va yirik hudud bo‘yicha xavfli nuqtalarni belgilash
imkoni mavjud. Tadqiqotchilarning fikricha, sun’iy yo‘ldosh monitoringi yordamida keng
ko‘lamli zararkunanda xuruji sodir bo‘lishini
erta bosqichda
payqash va darhol agronomik
choralar ko‘rish mumkinligi tasdiqlangan.
References:
Используемая литература:
Foydalanilgan adabiyotlar:
1.
Shermatov M.R. va boshqalar.
Farg‘ona vodiysi tangachaqanotli hasharotlar faunasining
agroekotizimlarda taqsimlanish xususiyatlari
. – CyberLeninka elektron kutubxonasi (2022).
2.
Saidov N. va boshqalar.
First report of invasive South American tomato leaf miner Tuta
absoluta in Tajikistan
. – Florida Entomologist jurnalidagi maqola (2018).
3.
EPPO (European Plant Protection Organization) ma’lumotlari.
First report of Tuta
absoluta in Tajikistan
(2018) – EPPO Global Database xabarnomasi.
4.
AVRDС (World Vegetable Center) faktlar varag‘i:
Tuta absoluta – Tomato Leaf Miner
(2016).
5.
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).
6.
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).
7.
Capinera J.
Green Peach Aphid (Myzus persicae)
– UF/IFAS Extension, IN379 (2000-y.).
8.
AgroScout bilim bazasi:
NDVI – monitor crop health to detect stress and pests early
(2025).
