Böyük həcmli geoməkan məlumatları təbii ehtiyatların monitorinqi üçün yeni imkanlar yaradır, lakin məkan asılılığı, göstəricilərin çəki əmsallarının qeyri-sabitliyi, modellərin digər ərazilərə tətbiq edilə bilməsi və qeyri-müəyyənlik onların inteqrasiyasını çətinləşdirir. Tədqiqatda təzyiq indeksinin hesablanmasını, deqradasiya riskinin modelləşdirilməsini, məkan-zaman validasiyasını, proqnozlaşdırıcı dəyişənlərin şərhini, müdaxilə tədbirlərinin təhlilini və hesablama miqyaslanmasının qiymətləndirilməsini birləşdirən təkrarlana bilən metodika qiymətləndirilir. 24 ay ərzində müşahidə olunan 2400 şəbəkə xanasını əhatə edən sintetik məlumat dəsti (57 600 qeyd) yeddi normallaşdırılmış göstərici əsasında təhlil edilmişdir. Göstəricilərin çəki əmsalları 100 məkan bloklu butstrep seçməsi, loqistik reqressiya və qradiyent gücləndirmə modelləri isə dörd validasiya sxemi üzrə qiymətləndirilmişdir. Proqnozlaşdırıcı dəyişənlərin töhfəsini və müdaxilə tədbirlərinin qeyri-müəyyənliyini müəyyənləşdirmək üçün permutasiya təhlili və Monte-Karlo simulyasiyaları tətbiq edilmişdir. Birinci əsas komponent dispersiyanın 60,7%-ni izah etmiş, orta təzyiq indeksi 0,502, Moranın I indeksi isə 0,954 olmuşdur. Loqistik reqressiyanın AUC göstəricisi təsadüfi validasiyada 0,804, bufer zonaları tətbiq edilən məkan validasiyasında isə 0,785 təşkil etmiş və nəticələr qradiyent gücləndirmə modeli ilə müqayisəolunan olmuşdur. Hidroekoloji dəyişənlər digər ərazilərə tətbiq zamanı ən yüksək proqnostik informativliyi təmin etmişdir. Kompleks müdaxilə tədbirləri prioritet ərazilərin indeksini 12,3%, kritik vəziyyətdə olan ərazilərin payını isə 29,0 faiz bəndi azaltmışdır. Məlumatların həcmi 2,30 milyon qeydə çatdıqda hesablama xərclərinin artımı xəttiyə yaxın qalmışdır. Metodika təbii ehtiyatların qeyri-müəyyənlik nəzərə alınmaqla qiymətləndirilməsini dəstəkləyir, lakin praktik tətbiq üçün yerli müşahidə məlumatları və müstəqil çöl validasiyası tələb olunur.

Açar sözlər: bulud hesablamaları, qərarların qəbulunun dəstəklənməsi, Yer səthinin müşahidəsi, maşın öyrənməsi, məkan üzrə çarpaz validasiya

ƏDƏBİYYAT

Ahmadova, Kh.N., Jabarov, S.H., Aliyev, Y.I., Aliyeva, Sh.N., Trukhanov, A.V., Trukhanov, S.V., & Mirzayev, M.N. (2025). Design, production and investigation of structural singularities of layered metal-oxide nanostructures. International Journal of Nanoscience, 24, Article 2450015. https://doi.org/10.1142/S0219581X24500157

Aslanova, K., & Güngöroğlu, C. (2026). Some ecological factors controlling the distribution of forested areas in the Zangilan and Gubadli regions. Acta Botanica Caucasica, 5(1), 84–92. https://doi.org/10.30546/abc.2026.1176

Dormann, C.F., Elith, J., Bacher, S., Buchmann, C., Carl, G., Carre, G., Garcia Marquez, J. R., Gruber, B., Lafourcade, B., Leitao, P.J., Munkemuller, T., McClean, C., Osborne, P.E., Reineking, B., Schroder, B., Skidmore, A.K., Zurell, D., & Lautenbach, S. (2013). Collinearity: A review of methods to deal with it and a simulation study evaluating their performance. Ecography, 36(1), 27–46. https://doi.org/10.1111/j.1600-0587.2012.07348.x

Dritsas, E., & Trigka, M. (2025). Remote sensing and geospatial analysis in the big data era: A survey. Remote Sensing, 17(3), Article 550. https://doi.org/10.3390/rs17030550

Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C., Laberinti, P., Martimort, P., Meygret, A., Spoto, F., Sy, O., Marchese, F., & Bargellini, P. (2012). Sentinel-2: ESA’s optical high-resolution mission for GMES operational services. Remote Sensing of Environment, 120, 25–36. https://doi.org/10.1016/j.rse.2011.11.026

Gneiting, T., & Raftery, A. E. (2007). Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102(477), 359–378. https://doi.org/10.1198/016214506000001437

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031

Jafarov, S. (2024). Internationalisation and cultural aspects of online learning, training, and research. Pakistan Journal of Life and Social Sciences, 22(2), 6437–6452. https://doi.org/10.57239/PJLSS-2024-22.2.00486

Jafarov, S., Babashova, S., Dadashov, T., & Garibov, S. (2024). The influence of intonation on the interpretation of parenthetical clauses. Pakistan Journal of Life and Social Sciences, 22(2). https://doi.org/10.57239/pjlss-2024-22.2.00810

Jolliffe, I.T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), Article 20150202. https://doi.org/10.1098/rsta.2015.0202

Koh, K., Hyder, A., Karale, Y., & Kamel Boulos, M.N. (2022). Big geospatial data or geospatial big data? A systematic narrative review on spatial data infrastructures. Remote Sensing, 14(13), Article 2996. https://doi.org/10.3390/rs14132996

Koldasbayeva, D., Tregubova, P., Gasanov, M., Zaytsev, A., Petrovskaia, A., & Burnaev, E. (2024). Challenges in data-driven geospatial modeling for environmental research and practice. Nature Communications, 15, Article 10700. https://doi.org/10.1038/s41467-024-55240-8

Ma, Y., Wu, H., Wang, L., Huang, B., Ranjan, R., Zomaya, A., & Jie, W. (2015). Remote sensing big data computing: Challenges and opportunities. Future Generation Computer Systems, 51, 47–60. https://doi.org/10.1016/j.future.2014.10.029

McFeeters, S. K. (1996). The use of the normalized difference water index in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432. https://doi.org/10.1080/01431169608948714

Morris, T.P., White, I.R., & Crowther, M.J. (2019). Using simulation studies to evaluate statistical methods. Statistics in Medicine, 38(11), 2074–2102. https://doi.org/10.1002/sim.8086

Munoz-Sabater, J., Dutra, E., Agusti-Panareda, A., Albergel, C., Arduini, G., Balsamo, G., Boussetta, S., Choulga, M., Harrigan, S., Hersbach, H., Martens, B., Miralles, D.G., Piles, M., Rodriguez-Fernandez, N.J., Zsoter, E., Buontempo, C., & Thepaut, J.-N. (2021). ERA5-Land: A state-of-the-art global reanalysis dataset for land applications. Earth System Science Data, 13, 4349–4383. https://doi.org/10.5194/essd-13-4349-2021

Ploton, P., Mortier, F., Rejou-Mechain, M., Barbier, N., Picard, N., Rossi, V., Dormann, C., Cornu, G., Viennois, G., Bayol, N., Lyapustin, A., Gourlet-Fleury, S., & Pelissier, R. (2020). Spatial validation reveals poor predictive performance of large-scale ecological mapping models. Nature Communications, 11, Article 4540. https://doi.org/10.1038/s41467-020-18321-y

Poggio, L., de Sousa, L.M., Batjes, N.H., Heuvelink, G.B.M., Kempen, B., Ribeiro, E., & Rossiter, D. (2021). SoilGrids 2.0: Producing soil information for the globe with quantified spatial uncertainty. SOIL, 7, 217–240. https://doi.org/10.5194/soil-7-217-2021

Roberts, D.R., Bahn, V., Ciuti, S., Boyce, M. S., Elith, J., Guillera-Arroita, G., Hauenstein, S., Lahoz-Monfort, J.J., Schroder, B., Thuiller, W., Warton, D.I., Wintle, B.A., Hartig, F., & Dormann, C.F. (2017). Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure. Ecography, 40(8), 913–929. https://doi.org/10.1111/ecog.02881

Sharma, S., Beslity, J.O., Rustad, L., Shelby, L.J., Manos, P.T., Khanal, P., Reinmann, A.B., & Khanal, C. (2024). Remote sensing and GIS in natural resource management: Comparing tools and emphasizing the importance of in-situ data. Remote Sensing, 16(22), Article 4161. https://doi.org/10.3390/rs16224161

Stock, A. (2025). Choosing blocks for spatial cross-validation: Lessons from a marine remote sensing case study. Frontiers in Remote Sensing, 6, Article 1531097. https://doi.org/10.3389/frsen.2025.1531097

Tucker, C.J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), 127–150. https://doi.org/10.1016/0034-4257(79)90013-0

Valavi, R., Elith, J., Lahoz-Monfort, J.J., & Guillera-Arroita, G. (2019). blockCV: An R package for generating spatially or environmentally separated folds for k-fold cross-validation of species distribution models. Methods in Ecology and Evolution, 10(2), 225–232. https://doi.org/10.1111/2041-210X.13107

Wang, Y., Khodadadzadeh, M., & Zurita-Milla, R. (2025). A dissimilarity-adaptive cross-validation method for evaluating geospatial machine learning predictions with clustered samples. Ecological Informatics, 90, Article 103287. https://doi.org/10.1016/j.ecoinf.2025.103287