MODELING SPRINKLER WATER DISTRIBUTION UNDER TOPOGRAPHY AND WIND INFLUENCE USING GIS, MACHINE LEARNING AND DEEP LEARNING

Uneven water distribution in sprinkler irrigation systems, especially due to wind variability and different land slopes, is one of the main problems that reduce irrigation efficiency. In this study, an intelligent approach based 
on the integration of GIS (geoinformation systems), machine learning (ML), and deep learning (DL) technologies was developed to solve this problem. In the study, zones were classified into “dry”, “normal”, or “wet” based on zonal parameters such as Slope, Aspect, wind speed and direction, evapotranspiration (ET), and NDVI. An initial classification accuracy of 47.5% was achieved using the Random Forest model. Then, a 1D convolutional neural network (CNN) model was used, to learn learn each zone based on 6 parameters. The CNN model achieved a training accuracy of more than 80% and a validation accuracy of about 75% over 50 epochs. This approach serves as a strong basis for creating an accurate and optimized sprinkler irrigation system under the conditions of climate change and complex terrain in Uzbekistan and Central Asia.

 Sprinkler sug‘orish tizimlarida suvning teng taqsimlanmasli-gi sug‘orish samaradorligini pasaytiruvchi asosiy omillardan biri bo‘lib, bunda shamolning o‘zgaruvchanligi va yer nishabligining turlichaligi muhim rol o‘ynay-
di. Ushbu tadqiqotda mazkur muammoni hal qilish maqsadida GIS (geoinformat-sion tizimlar), mashinaviy o‘qitish (ML) va chuqur o‘qitish (DL) texnologiyalari integratsiyasi asosida aqlli yondashuv ishlab chiqildi. Tadqiqotda Slope (nishab-lik), Aspect (yo‘nalish), shamol tezligi va yo‘nalishi, evapotranspiratsiya (ET) va 
NDVI kabi parametrlar asosida zonalar “quruq”, “normal” yoki “botqoqlik” ho-latiga ajratildi. Random Forest modeli yordamida dastlabki klassifikatsiyada 47,5 % aniqlikka erishildi. Keyingi bosqichda 1D konvolyutsion neyron tarmoq (CNN) modeli qo‘llanib, bu model har bir zonani 6 ta parametr asosida o‘rgandi. 
CNN modeli 50 epoch davomida 80 %dan ortiq o‘quv aniqligi va 75 %ga yaqin tekshiruv aniqligini qayd etdi. Ushbu yondashuv O‘zbekiston va Markaziy Osiyo sharoitida iqlim o‘zgarishi va murakkab relyef sharoitida aniq hamda optimal-lashtirilgan sprinkler sug‘orish tizimini yaratish uchun kuchli asos bo‘lib xizmat qiladi.

Неравномерное распределение воды в системах дождевания, в особенности обусловленное изменчивостью ветровых условий и различиями в уклонах местности, является одной из ключевых проблем, снижающих эффективность орошения. В настоящем исследовании разработан интеллектуальный подход, основанный на интеграции технологий ГИС (геоинформационных систем, GIS), машинного обучения (Machine Learning, ML) и глубокого обучения (Deep Learning, DL), направленный на решение указанной проблемы. В рамках исследования зоны орошения классифицировались как «сухие», «нормальные» или «переувлажнённые» на основе зональных параметров, включающих уклон (Slope), экспозицию склона (Aspect), скорость и направление ветра, значения эвтранспирации (ET) и нормализованный разностный вегетационный индекс (NDVI). На первом этапе с использованием модели Random Forest была достигнута точность классификации 47,5 %. Далее применялась одномерная свёрточная нейронная сеть (1D CNN), обучавшаяся по шести параметрам каждой зоны. Модель CNN обеспечила точность на обучающей выборке более 80 % и точность на валидационной выборке около 75 % при 50 эпохах обучения. Предложенный подход создаёт прочную основу для разработки точной и оптимизированной системы дождевания в условиях изменяющегося климата и сложного рельефа Узбекистана и Центральной Азии.