![\"Miks](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/01\/Why-Data-and-Knowledge-Discovery-Matter-in-Agriculture.webp?resize=810%2C810&ssl=1\")
<\/p>\nP\u00f5llumajandus muutub iga aastaga keerulisemaks. Maailma rahvaarv kasvab kiiresti, kuid p\u00f5llumajandusmaa pindala ei suurene. Samal ajal m\u00f5jutab kliimamuutus sademete hulka, temperatuuri ja mullatingimusi. P\u00f5llumajandustootjad seisavad n\u00fc\u00fcd silmitsi paljude probleemidega, nagu veepuudus, halb mullakvaliteet, ettearvamatu ilm ja kasvavad sisendkulud. Tulevase toidun\u00f5udluse rahuldamiseks peab toidutootmine oluliselt suurenema. Uuringud n\u00e4itavad, et \u00fclemaailmne toidutootmine v\u00f5ib 2050. aastaks olla vajalik suurendada 25\u201370 protsenti. See on v\u00e4ga suur v\u00e4ljakutse, eriti arengumaade jaoks.<\/p>\n
Viimastel aastatel on andmep\u00f5hine p\u00f5llumajandus kujunenud nende probleemide tugevaks lahenduseks. Kaasaegsed talud genereerivad paljudest allikatest suures koguses andmeid. Nende hulka kuuluvad mullaanal\u00fc\u00fcsid, ilmastikuandmed, satelliidipildid, saagikuse andmed ja majandusandmed. Kui neid andmeid korralikult anal\u00fc\u00fcsida, aitab see p\u00f5llumeestel paremaid otsuseid langetada. See aitab neil valida \u00f5igeid p\u00f5llukultuure, kasutada vett t\u00f5husamalt, v\u00e4hendada v\u00e4etisej\u00e4\u00e4tmeid ja parandada \u00fcldist tootlikkust.<\/p>\n
Siiski toetuvad paljud p\u00f5llumehed endiselt traditsioonilistele p\u00f5llumajandusmeetoditele. Isegi kui kasutatakse t\u00e4iustatud tehnoloogiaid, n\u00e4iteks masin\u00f5pet, on tulemusi sageli raske m\u00f5ista. Enamik masin\u00f5ppemudeleid t\u00f6\u00f6tab nagu \u201cmust kast\u201d. Need annavad ennustusi, kuid ei selgita selgelt, miks neid ennustusi tehakse. See raskendab p\u00f5llumeestel ja poliitikakujundajatel tulemuste usaldamist ja kasutamist.<\/p>\n
Kaasaegne p\u00f5llumajandus toodab tohutul hulgal andmeid. Need andmed \u00fcksi pole kasulikud, kui neid korralikult ei t\u00f6\u00f6delda ja anal\u00fc\u00fcsita. Toorandmete kasulikuks teabeks muutmise protsessi nimetatakse teadmiste avastamiseks andmebaasides, sageli l\u00fchendatult KDD. See protsess h\u00f5lmab mitut etappi, sealhulgas andmete valimist, puhastamist, teisendamist, anal\u00fc\u00fcsi ja t\u00f5lgendamist.<\/p>\n
<\/p>\n
Masin\u00f5ppel on teadmiste omandamisel v\u00e4ga oluline roll. See aitab tuvastada mustreid, mida inimesed ei pruugi kergesti m\u00e4rgata. N\u00e4iteks suudab masin\u00f5pe leida seoseid sademete ja saagikuse v\u00f5i mullat\u00fc\u00fcbi ja v\u00e4etisevajaduse vahel. Need mustrid aitavad p\u00f5llumeestel teha paremaid otsuseid.<\/p>\n
Masin\u00f5ppe meetodeid on erinevat t\u00fc\u00fcpi. Juhendatud \u00f5pe kasutab ennustuste tegemiseks m\u00e4rgistatud andmeid. Juhendamata \u00f5pe t\u00f6\u00f6tab m\u00e4rgistamata andmetega ja aitab leida loomulikke r\u00fchmitusi v\u00f5i mustreid. Igal t\u00fc\u00fcbil on oma tugevused ja n\u00f5rkused. P\u00f5llumajanduses on andmed sageli keerulised ja p\u00e4rinevad paljudest erinevatest allikatest. Seet\u00f5ttu on \u00fche meetodi eraldi toimimine keeruline.<\/p>\n
Teine v\u00e4ljakutse on see, et p\u00f5llumajandusandmed on v\u00e4ga mitmekesised. Need h\u00f5lmavad numbreid, kaarte, pilte ja tekstiandmeid. Traditsioonilistel masin\u00f5ppe mudelitel on sageli raskusi k\u00f5igi nende andmet\u00fc\u00fcpide m\u00f5testatud \u00fchendamisega. Siin muutubki oluliseks masin\u00f5ppe ja teadmiste graafikute \u00fchendamise idee.<\/p>\n
Kavandatud mudel kasutab kahte peamist masin\u00f5ppe tehnikat: K-keskmiste klastrite moodustamist ja naiivset Bayesi klassifikatsiooni. M\u00f5lemal meetodil on s\u00fcsteemis erinev eesm\u00e4rk.<\/p>\n
K-keskmiste klastrite moodustamine on juhendamata \u00f5ppemeetod. See r\u00fchmitab andmed klastritesse sarnasuse p\u00f5hjal. Selles uuringus kasutatakse K-keskmisi p\u00f5llumajanduspiirkondade jagamiseks erinevateks agroklimaatilisteks tsoonideks. Need tsoonid luuakse selliste andmete abil nagu sademete hulk, mulla niiskus ja temperatuur. Sarnaste keskkonnatingimustega piirkonnad r\u00fchmitatakse. See aitab m\u00f5ista, kuidas erinevad piirkonnad k\u00e4ituvad p\u00f5llumajanduse seisukohast.<\/p>\n
Naive Bayesi test on klassifitseerimiseks kasutatav juhendatud \u00f5ppemeetod. See ennustab kategooriaid t\u00f5en\u00e4osuse p\u00f5hjal. Selles uuringus kasutatakse Naive Bayesi testi p\u00f5llukultuuride tootlikkuse klassifitseerimiseks erinevatele tasemetele, n\u00e4iteks madal, keskmine ja k\u00f5rge. See kasutab selliseid omadusi nagu p\u00f5llukultuuri ajalugu, v\u00e4etiste kasutamine ja keskkonnatingimused.<\/p>\n
Selle uurimist\u00f6\u00f6 p\u00f5hiidee on see, et K-keskmiste klastrite genereerimise v\u00e4ljundit ei kasutata eraldi. Selle asemel lisatakse klastriinfo sisendfunktsioonina Naive Bayesi klassifikaatorisse. See loob kahe meetodi vahel tugeva seose. Selle tulemusena muutub klassifikatsioon t\u00e4psemaks, kuna see arvestab n\u00fc\u00fcd nii kohalikke keskkonnav\u00f6\u00f6ndeid kui ka p\u00f5llukultuurispetsiifilisi andmeid.<\/p>\n
Teadmusgraaf on viis teabe korraldamiseks s\u00f5lmede ja seoste abil. S\u00f5lmed esindavad selliseid asju nagu p\u00f5llukultuurid, mullat\u00fc\u00fcbid, kliimav\u00f6\u00f6ndid ja p\u00f5llumajanduslikud sisendid. Seosed n\u00e4itavad, kuidas need asjad on omavahel seotud. N\u00e4iteks v\u00f5ib seos n\u00e4idata, et teatud p\u00f5llukultuur sobib konkreetsele mullat\u00fc\u00fcbile v\u00f5i et sademete hulk m\u00f5jutab saagikust.<\/p>\n
P\u00f5llumajanduses on teadmiste graafikud v\u00e4ga kasulikud, kuna p\u00f5llumajanduss\u00fcsteemid on omavahel tihedalt seotud. Muld m\u00f5jutab p\u00f5llukultuure, kliima m\u00f5jutab mulda ja p\u00f5llumajandustavad m\u00f5jutavad m\u00f5lemat. Teadmiste graafik aitab k\u00f5iki neid seoseid selgelt ja struktureeritult esitada.<\/p>\n
![\"Teadmusgraafikute](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/01\/The-Role-of-Knowledge-Graphs-in-Agriculture.webp?resize=810%2C810&ssl=1\")
<\/p>\n
Selles uuringus kasutasid teadlased teadmiste graafiku loomiseks populaarset graafikute andmebaasi Neo4j. Masin\u00f5ppemudelite tulemused salvestatakse teadmiste graafikusse. See v\u00f5imaldab kasutajatel esitada olulisi k\u00fcsimusi, n\u00e4iteks millised p\u00f5llukultuurid sobivad konkreetsesse tsooni k\u00f5ige paremini v\u00f5i kui palju v\u00e4etist on p\u00f5llukultuuri jaoks teatud tingimustes vaja.<\/p>\n
Teadmiste graafik parandab ka t\u00f5lgendatavust. Lihtsalt ennustuse kuvamise asemel saab s\u00fcsteem n\u00e4idata, kuidas see ennustus on seotud mulla, kliima ja p\u00f5llukultuuride andmetega. See lihtsustab p\u00f5llumeestel ja otsustajatel soovituste usaldamist ja kasutamist.<\/p>\n
Uuringus kasutati suurt hulka andmeid, mis koguti erinevatest usaldusv\u00e4\u00e4rsetest allikatest. P\u00f5llukultuuride tootmise, v\u00e4etiste kasutamise, kaubanduse ja toiduga varustatuse andmed saadi FAOSTATist. Kliimaandmed, n\u00e4iteks sademete mustrid, p\u00e4rinesid CHIRPS-ist, samas kui mulla niiskuse andmed saadi satelliidipiltidelt.<\/p>\n
Andmed h\u00f5lmasid paljusid aastaid ja mitut piirkonda. See aitas tagada, et mudel suudaks k\u00e4sitleda erinevaid p\u00f5llumajandustingimusi. Enne andmete kasutamist puhastasid ja t\u00f6\u00f6tlesid teadlased neid hoolikalt. Puuduvad v\u00e4\u00e4rtused t\u00e4ideti usaldusv\u00e4\u00e4rsete statistiliste meetoditega. Vigade v\u00e4ltimiseks eemaldati k\u00f5rvalekalded. Andmed normaliseeriti ka selleks, et erinevaid muutujaid saaks \u00f5iglaselt v\u00f5rrelda.<\/p>\n
Toorandmete p\u00f5hjal loodi m\u00f5ned uued n\u00e4itajad. Nende hulka kuulusid sademete varieeruvuse indeks, p\u00f5ua stressi indeks ja tootlikkuse stabiilsuse indeks. Need n\u00e4itajad aitasid j\u00e4\u00e4dvustada pikaajalisi suundumusi, mitte l\u00fchiajalisi muutusi.<\/p>\n
Kaasati nii struktureeritud andmeid, n\u00e4iteks numbreid ja tabeleid, kui ka struktureerimata andmeid, n\u00e4iteks satelliidipilte. See muutis andmestiku v\u00e4ga rikkaks ja realistlikuks.<\/p>\n
H\u00fcbriidmudel 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.<\/p>\n
![\"H\u00fcbriidmudeli](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/01\/Development-of-the-Hybrid-Model.png?resize=810%2C255&ssl=1\")
<\/p>\n
J\u00e4rgmisena rakendati Naive Bayesi klassifikatsiooni. Klassifikaator ennustas p\u00f5llukultuuride tootlikkuse taset. Oluline erinevus seisneb selles, et sisendfunktsioonina kaasati K-keskmiste agroklimaatiliste tsoonide teave. See v\u00f5imaldas klassifikaatoril m\u00f5ista mitte ainult p\u00f5llukultuuride andmeid, vaid ka keskkonnakonteksti.<\/p>\n
H\u00fcbriidmudel toimis paremini kui \u00fcksikud mudelid. Klassifitseerimise t\u00e4psus ulatus 89 protsendini. See oli k\u00f5rgem kui eraldiseisvate Naive Bayesi ja Random Foresti mudelite t\u00e4psus. See paranemine n\u00e4itab, et juhendatud ja j\u00e4relevalveta \u00f5ppe kombineerimine v\u00f5ib viia paremate tulemusteni.<\/p>\n
Kui masin\u00f5ppe tulemused olid valmis, lisati need teadmiste graafikule. Agroklimaatilised tsoonid said graafiku s\u00f5lmedeks. P\u00f5llukultuurid, mullat\u00fc\u00fcbid ja sisendid, n\u00e4iteks v\u00e4etised, olid samuti esindatud s\u00f5lmedena. Loodi seosed, et n\u00e4idata, kuidas need elemendid on omavahel seotud.<\/p>\n
N\u00e4iteks v\u00f5ib \u00fcks seos n\u00e4idata, et teatud tsoon sobib maisi kasvatamiseks ja annab suure t\u00f5en\u00e4osusega hea saagi. Teine seos v\u00f5ib n\u00e4idata, et madal mulla pH n\u00f5uab lubja lisamist. Need seosed p\u00f5hinesid nii mudeli v\u00e4ljunditel kui ka ekspertteadmistel.<\/p>\n
Kuna k\u00f5ik on salvestatud graafilise struktuurina, saavad kasutajad teavet h\u00f5lpsalt uurida. Nad saavad k\u00e4ivitada p\u00e4ringuid, et leida piirkonna jaoks parim saak v\u00f5i m\u00f5ista kliima ja mullastiku tingimustega seotud riske.<\/p>\n
Teadlased testisid mudelit nii statistiliste n\u00e4itajate kui ka simulatsioonide abil. Klasterdamise tulemused olid v\u00e4ga head, n\u00e4idates selget tsoonide eraldatust. Klassifitseerimise tulemused olid ka usaldusv\u00e4\u00e4rsed, hea t\u00e4psuse ja tagasikutsuvuse v\u00e4\u00e4rtustega k\u00f5igi tootlikkusklasside puhul.<\/p>\n
Teadmusgraaf toimis kiiruse ja struktuuri poolest h\u00e4sti. P\u00e4ringutele vastati v\u00e4ga kiiresti ja enamik vajalikke seoseid oli graafikul olemas. See n\u00e4itab, et s\u00fcsteem on t\u00f5hus ja h\u00e4sti disainitud.<\/p>\n
Kuna ulatuslikud v\u00e4likatsed on kallid ja aegan\u00f5udvad, kasutasid teadlased ressursit\u00f5hususe testimiseks simulatsioone. Nad v\u00f5rdlesid traditsioonilisi p\u00f5llumajandusmeetodeid h\u00fcbriidmudelil p\u00f5hineva p\u00f5llumajandusega.<\/p>\n
Tulemused olid v\u00e4ga julgustavad. Mudeli soovitusi kasutanud talud kasutasid 22 protsenti v\u00e4hem vett. V\u00e4etisej\u00e4\u00e4tmed v\u00e4henesid 18 protsenti. Need edusammud on v\u00e4ga olulised, sest vesi ja v\u00e4etis on kallid ja piiratud ressursid.<\/p>\n
Selle uuringu tulemustel on oluline m\u00f5ju s\u00e4\u00e4stvale p\u00f5llumajandusele. Andmete arukama kasutamise abil saavad p\u00f5llumehed toota rohkem toitu, kasutades samal ajal v\u00e4hem ressursse. See aitab kaitsta keskkonda ja v\u00e4hendada p\u00f5llumajanduskulusid.<\/p>\n
Teine oluline eelis on t\u00f5lgendatavus. Teadmusgraafiku kasutamine muudab s\u00fcsteemi arusaadavamaks. P\u00f5llumajandustootjad ja poliitikakujundajad n\u00e4evad, miks teatud soovitusi tehakse. See suurendab usaldust ja soodustab uute tehnoloogiate kasutuselev\u00f5ttu.<\/p>\n
S\u00fcsteem on ka skaleeritav. Kuigi uuring keskendus teatud piirkondadele, saab raamistikku rakendada ka teistele riikidele ja p\u00f5llukultuuridele. Rohkemate andmete ja reaalajas anduritega v\u00f5ib s\u00fcsteem muutuda veelgi v\u00f5imsamaks.<\/p>\n
Kuigi tulemused on paljulubavad, on uuringul m\u00f5ned piirangud. Suurem osa valideerimisest tehti simulatsioonide abil. Tulemuste kinnitamiseks tegelikes p\u00f5llumajandustingimustes on vaja reaalseid v\u00e4likatseid. S\u00fcsteem ei sisalda veel ka anduritelt saadud reaalajas andmeid.<\/p>\n
Edasised uuringud v\u00f5ivad keskenduda reaalajas ilma- ja mullaandmete lisamisele. P\u00f5llumeeste kulude ja tulude uurimiseks v\u00f5ib lisada ka majandusanal\u00fc\u00fcsi. Lihtsate mobiili- v\u00f5i veebirakenduste arendamine aitab p\u00f5llumeestel s\u00fcsteemi h\u00f5lpsalt kasutada.<\/p>\n
See uurimus esitleb tugevat ja praktilist l\u00e4henemist t\u00e4ppisp\u00f5llumajandusele. K-keskmiste klastrite, naiivse Bayesi klassifikatsiooni ja teadmiste graafikute kombineerimise abil l\u00f5id autorid s\u00fcsteemi, mis on t\u00e4pne, t\u00f5lgendatav ja kasulik. H\u00fcbriidmudel parandab ennustuste t\u00e4psust ning aitab v\u00e4hendada vee ja v\u00e4etise kasutamist.<\/p>\n
K\u00f5ige t\u00e4htsam on see, et teadmiste graafik muudab tulemused h\u00f5lpsasti m\u00f5istetavaks ja rakendatavaks. See on suur samm edasi, et muuta t\u00e4iustatud p\u00f5llumajandustehnoloogiad p\u00f5llumeestele ja otsustajatele k\u00e4ttesaadavaks. Edasise arendamise ja reaalse testimise korral on sellel l\u00e4henemisviisil suur potentsiaal toetada s\u00e4\u00e4stvat p\u00f5llumajandust ja \u00fclemaailmset toiduga kindlustatust.<\/p>\n
Viide<\/strong>Njama-Abang, O., Oladimeji, S., Eteng, IE ja Emanuel, EA (2026). S\u00fcnergistlik intelligentsus: uudne h\u00fcbriidmudel t\u00e4ppisp\u00f5llumajanduse jaoks, mis kasutab k-keskmisi, naiivset Bayesi ja teadmiste graafe. Nigeeria f\u00fc\u00fcsikateaduste seltsi ajakiri, 2929-2929.<\/p>","protected":false},"excerpt":{"rendered":" P\u00f5llumajandus muutub iga aastaga keerulisemaks. Maailma rahvaarv kasvab kiiresti, kuid p\u00f5llumajanduseks saadaoleva maa hulk ei suurene. Praegu\u2026<\/p>","protected":false},"author":210157960,"featured_media":12697,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_hide_featured_image":false,"_jetpack_featured_image_duplicate_dismissed":0,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1657],"tags":[],"class_list":["post-12689","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-precision-farming"],"acf":[],"yoast_head":"\n