Kuidas uus tehisintellektil põhinev hübriidmudel muudab täppispõllumajanduse jätkusuutlikumaks

Põllumajandus muutub iga aastaga keerulisemaks. Maailma rahvaarv kasvab kiiresti, kuid põllumajandusmaa pindala ei suurene. Samal ajal mõjutab kliimamuutus sademete hulka, temperatuuri ja mullatingimusi. Põllumajandustootjad seisavad nüüd silmitsi paljude probleemidega, nagu veepuudus, halb mullakvaliteet, ettearvamatu ilm ja kasvavad sisendkulud. Tulevase toidunõudluse rahuldamiseks peab toidutootmine oluliselt suurenema. Uuringud näitavad, et ülemaailmne toidutootmine võib 2050. aastaks olla vajalik suurendada 25–70 protsenti. See on väga suur väljakutse, eriti arengumaade jaoks.

Viimastel aastatel on andmepõhine põllumajandus kujunenud nende probleemide tugevaks lahenduseks. Kaasaegsed talud genereerivad paljudest allikatest suures koguses andmeid. Nende hulka kuuluvad mullaanalüüsid, ilmastikuandmed, satelliidipildid, saagikuse andmed ja majandusandmed. Kui neid andmeid korralikult analüüsida, aitab see põllumeestel paremaid otsuseid langetada. See aitab neil valida õigeid põllukultuure, kasutada vett tõhusamalt, vähendada väetisejäätmeid ja parandada üldist tootlikkust.

Siiski toetuvad paljud põllumehed endiselt traditsioonilistele põllumajandusmeetoditele. Isegi kui kasutatakse täiustatud tehnoloogiaid, näiteks masinõpet, on tulemusi sageli raske mõista. Enamik masinõppemudeleid töötab nagu “must kast”. Need annavad ennustusi, kuid ei selgita selgelt, miks neid ennustusi tehakse. See raskendab põllumeestel ja poliitikakujundajatel tulemuste usaldamist ja kasutamist.

Miks on andmete ja teadmiste avastamine põllumajanduses oluline?

Kaasaegne põllumajandus toodab tohutul hulgal andmeid. Need andmed üksi pole kasulikud, kui neid korralikult ei töödelda ja analüüsita. Toorandmete kasulikuks teabeks muutmise protsessi nimetatakse teadmiste avastamiseks andmebaasides, sageli lühendatult KDD. See protsess hõlmab mitut etappi, sealhulgas andmete valimist, puhastamist, teisendamist, analüüsi ja tõlgendamist.

Masinõppel on teadmiste omandamisel väga oluline roll. See aitab tuvastada mustreid, mida inimesed ei pruugi kergesti märgata. Näiteks suudab masinõpe leida seoseid sademete ja saagikuse või mullatüübi ja väetisevajaduse vahel. Need mustrid aitavad põllumeestel teha paremaid otsuseid.

Masinõppe meetodeid on erinevat tüüpi. Juhendatud õpe kasutab ennustuste tegemiseks märgistatud andmeid. Juhendamata õpe töötab märgistamata andmetega ja aitab leida loomulikke rühmitusi või mustreid. Igal tüübil on oma tugevused ja nõrkused. Põllumajanduses on andmed sageli keerulised ja pärinevad paljudest erinevatest allikatest. Seetõttu on ühe meetodi eraldi toimimine keeruline.

Teine väljakutse on see, et põllumajandusandmed on väga mitmekesised. Need hõlmavad numbreid, kaarte, pilte ja tekstiandmeid. Traditsioonilistel masinõppe mudelitel on sageli raskusi kõigi nende andmetüüpide mõtestatud ühendamisega. Siin muutubki oluliseks masinõppe ja teadmiste graafikute ühendamise idee.

Uuringus kasutatud masinõppe meetodid

Kavandatud mudel kasutab kahte peamist masinõppe tehnikat: K-keskmiste klastrite moodustamist ja naiivset Bayesi klassifikatsiooni. Mõlemal meetodil on süsteemis erinev eesmärk.

K-keskmiste klastrite moodustamine on juhendamata õppemeetod. See rühmitab andmed klastritesse sarnasuse põhjal. Selles uuringus kasutatakse K-keskmisi põllumajanduspiirkondade jagamiseks erinevateks agroklimaatilisteks tsoonideks. Need tsoonid luuakse selliste andmete abil nagu sademete hulk, mulla niiskus ja temperatuur. Sarnaste keskkonnatingimustega piirkonnad rühmitatakse. See aitab mõista, kuidas erinevad piirkonnad käituvad põllumajanduse seisukohast.

Naive Bayesi test on klassifitseerimiseks kasutatav juhendatud õppemeetod. See ennustab kategooriaid tõenäosuse põhjal. Selles uuringus kasutatakse Naive Bayesi testi põllukultuuride tootlikkuse klassifitseerimiseks erinevatele tasemetele, näiteks madal, keskmine ja kõrge. See kasutab selliseid omadusi nagu põllukultuuri ajalugu, väetiste kasutamine ja keskkonnatingimused.

Selle uurimistöö põhiidee on see, et K-keskmiste klastrite genereerimise väljundit ei kasutata eraldi. Selle asemel lisatakse klastriinfo sisendfunktsioonina Naive Bayesi klassifikaatorisse. See loob kahe meetodi vahel tugeva seose. Selle tulemusena muutub klassifikatsioon täpsemaks, kuna see arvestab nüüd nii kohalikke keskkonnavööndeid kui ka põllukultuurispetsiifilisi andmeid.

Teadmusgraafikute roll põllumajanduses

Teadmusgraaf on viis teabe korraldamiseks sõlmede ja seoste abil. Sõlmed esindavad selliseid asju nagu põllukultuurid, mullatüübid, kliimavööndid ja põllumajanduslikud sisendid. Seosed näitavad, kuidas need asjad on omavahel seotud. Näiteks võib seos näidata, et teatud põllukultuur sobib konkreetsele mullatüübile või et sademete hulk mõjutab saagikust.

Põllumajanduses on teadmiste graafikud väga kasulikud, kuna põllumajandussüsteemid on omavahel tihedalt seotud. Muld mõjutab põllukultuure, kliima mõjutab mulda ja põllumajandustavad mõjutavad mõlemat. Teadmiste graafik aitab kõiki neid seoseid selgelt ja struktureeritult esitada.

Selles uuringus kasutasid teadlased teadmiste graafiku loomiseks populaarset graafikute andmebaasi Neo4j. Masinõppemudelite tulemused salvestatakse teadmiste graafikusse. See võimaldab kasutajatel esitada olulisi küsimusi, näiteks millised põllukultuurid sobivad konkreetsesse tsooni kõige paremini või kui palju väetist on põllukultuuri jaoks teatud tingimustes vaja.

Teadmiste graafik parandab ka tõlgendatavust. Lihtsalt ennustuse kuvamise asemel saab süsteem näidata, kuidas see ennustus on seotud mulla, kliima ja põllukultuuride andmetega. See lihtsustab põllumeestel ja otsustajatel soovituste usaldamist ja kasutamist.

Andmete kogumine ja ettevalmistamine

Uuringus kasutati suurt hulka andmeid, mis koguti erinevatest usaldusväärsetest allikatest. Põllukultuuride tootmise, väetiste kasutamise, kaubanduse ja toiduga varustatuse andmed saadi FAOSTATist. Kliimaandmed, näiteks sademete mustrid, pärinesid CHIRPS-ist, samas kui mulla niiskuse andmed saadi satelliidipiltidelt.

Andmed hõlmasid paljusid aastaid ja mitut piirkonda. See aitas tagada, et mudel suudaks käsitleda erinevaid põllumajandustingimusi. Enne andmete kasutamist puhastasid ja töötlesid teadlased neid hoolikalt. Puuduvad väärtused täideti usaldusväärsete statistiliste meetoditega. Vigade vältimiseks eemaldati kõrvalekalded. Andmed normaliseeriti ka selleks, et erinevaid muutujaid saaks õiglaselt võrrelda.

Toorandmete põhjal loodi mõned uued näitajad. Nende hulka kuulusid sademete varieeruvuse indeks, põua stressi indeks ja tootlikkuse stabiilsuse indeks. Need näitajad aitasid jäädvustada pikaajalisi suundumusi, mitte lühiajalisi muutusi.

Kaasati nii struktureeritud andmeid, näiteks numbreid ja tabeleid, kui ka struktureerimata andmeid, näiteks satelliidipilte. See muutis andmestiku väga rikkaks ja realistlikuks.

Hübriidmudeli väljatöötamine

Hübriidmudel ehitati samm-sammult. Esmalt rakendati keskkonnaandmetele K-keskmiste klastrite meetodit. See jagas piirkonnad kolmeks peamiseks agroklimaatiliseks tsooniks. Tsoonide arv valiti standardmeetodi abil, mis kontrollib klastrite eraldatuse taset.

Järgmisena rakendati Naive Bayesi klassifikatsiooni. Klassifikaator ennustas põllukultuuride tootlikkuse taset. Oluline erinevus seisneb selles, et sisendfunktsioonina kaasati K-keskmiste agroklimaatiliste tsoonide teave. See võimaldas klassifikaatoril mõista mitte ainult põllukultuuride andmeid, vaid ka keskkonnakonteksti.

Hübriidmudel toimis paremini kui üksikud mudelid. Klassifitseerimise täpsus ulatus 89 protsendini. See oli kõrgem kui eraldiseisvate Naive Bayesi ja Random Foresti mudelite täpsus. See paranemine näitab, et juhendatud ja järelevalveta õppe kombineerimine võib viia paremate tulemusteni.

Integratsioon teadmiste graafikuga

Kui masinõppe tulemused olid valmis, lisati need teadmiste graafikule. Agroklimaatilised tsoonid said graafiku sõlmedeks. Põllukultuurid, mullatüübid ja sisendid, näiteks väetised, olid samuti esindatud sõlmedena. Loodi seosed, et näidata, kuidas need elemendid on omavahel seotud.

Näiteks võib üks seos näidata, et teatud tsoon sobib maisi kasvatamiseks ja annab suure tõenäosusega hea saagi. Teine seos võib näidata, et madal mulla pH nõuab lubja lisamist. Need seosed põhinesid nii mudeli väljunditel kui ka ekspertteadmistel.

Kuna kõik on salvestatud graafilise struktuurina, saavad kasutajad teavet hõlpsalt uurida. Nad saavad käivitada päringuid, et leida piirkonna jaoks parim saak või mõista kliima ja mullastiku tingimustega seotud riske.

Valideerimine ja tulemused

Teadlased testisid mudelit nii statistiliste näitajate kui ka simulatsioonide abil. Klasterdamise tulemused olid väga head, näidates selget tsoonide eraldatust. Klassifitseerimise tulemused olid ka usaldusväärsed, hea täpsuse ja tagasikutsuvuse väärtustega kõigi tootlikkusklasside puhul.

Teadmusgraaf toimis kiiruse ja struktuuri poolest hästi. Päringutele vastati väga kiiresti ja enamik vajalikke seoseid oli graafikul olemas. See näitab, et süsteem on tõhus ja hästi disainitud.

Kuna ulatuslikud välikatsed on kallid ja aeganõudvad, kasutasid teadlased ressursitõhususe testimiseks simulatsioone. Nad võrdlesid traditsioonilisi põllumajandusmeetodeid hübriidmudelil põhineva põllumajandusega.

Tulemused olid väga julgustavad. Mudeli soovitusi kasutanud talud kasutasid 22 protsenti vähem vett. Väetisejäätmed vähenesid 18 protsenti. Need edusammud on väga olulised, sest vesi ja väetis on kallid ja piiratud ressursid.

Tähtsus säästva põllumajanduse ja piirangute jaoks

Selle uuringu tulemustel on oluline mõju säästvale põllumajandusele. Andmete arukama kasutamise abil saavad põllumehed toota rohkem toitu, kasutades samal ajal vähem ressursse. See aitab kaitsta keskkonda ja vähendada põllumajanduskulusid.

Teine oluline eelis on tõlgendatavus. Teadmusgraafiku kasutamine muudab süsteemi arusaadavamaks. Põllumajandustootjad ja poliitikakujundajad näevad, miks teatud soovitusi tehakse. See suurendab usaldust ja soodustab uute tehnoloogiate kasutuselevõttu.

Süsteem on ka skaleeritav. Kuigi uuring keskendus teatud piirkondadele, saab raamistikku rakendada ka teistele riikidele ja põllukultuuridele. Rohkemate andmete ja reaalajas anduritega võib süsteem muutuda veelgi võimsamaks.

Kuigi tulemused on paljulubavad, on uuringul mõned piirangud. Suurem osa valideerimisest tehti simulatsioonide abil. Tulemuste kinnitamiseks tegelikes põllumajandustingimustes on vaja reaalseid välikatseid. Süsteem ei sisalda veel ka anduritelt saadud reaalajas andmeid.

Edasised uuringud võivad keskenduda reaalajas ilma- ja mullaandmete lisamisele. Põllumeeste kulude ja tulude uurimiseks võib lisada ka majandusanalüüsi. Lihtsate mobiili- või veebirakenduste arendamine aitab põllumeestel süsteemi hõlpsalt kasutada.

Kokkuvõte

See uurimus esitleb tugevat ja praktilist lähenemist täppispõllumajandusele. K-keskmiste klastrite, naiivse Bayesi klassifikatsiooni ja teadmiste graafikute kombineerimise abil lõid autorid süsteemi, mis on täpne, tõlgendatav ja kasulik. Hübriidmudel parandab ennustuste täpsust ning aitab vähendada vee ja väetise kasutamist.

Kõige tähtsam on see, et teadmiste graafik muudab tulemused hõlpsasti mõistetavaks ja rakendatavaks. See on suur samm edasi, et muuta täiustatud põllumajandustehnoloogiad põllumeestele ja otsustajatele kättesaadavaks. Edasise arendamise ja reaalse testimise korral on sellel lähenemisviisil suur potentsiaal toetada säästvat põllumajandust ja ülemaailmset toiduga kindlustatust.

ViideNjama-Abang, O., Oladimeji, S., Eteng, IE ja Emanuel, EA (2026). Sünergistlik intelligentsus: uudne hübriidmudel täppispõllumajanduse jaoks, mis kasutab k-keskmisi, naiivset Bayesi ja teadmiste graafe. Nigeeria füüsikateaduste seltsi ajakiri, 2929-2929.