![\"Miksi](\"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>\nMaataloudesta tulee vuosi vuodelta vaikeampaa. Maailman v\u00e4est\u00f6 kasvaa nopeasti, mutta viljelyyn k\u00e4ytett\u00e4viss\u00e4 oleva maa ei kasva. Samaan aikaan ilmastonmuutos vaikuttaa sadem\u00e4\u00e4riin, l\u00e4mp\u00f6tilaan ja maaper\u00e4olosuhteisiin. Viljelij\u00e4t kohtaavat nyt monia ongelmia, kuten vesipulaa, huonoa maaper\u00e4n laatua, arvaamattomia s\u00e4\u00e4oloja ja kasvavia tuotantopanoskustannuksia. Tulevaisuuden elintarvikekysynt\u00e4\u00e4n vastaamiseksi elintarviketuotantoa on lis\u00e4tt\u00e4v\u00e4 huomattavasti. Tutkimusten mukaan maailman elintarviketuotantoa on ehk\u00e4 lis\u00e4tt\u00e4v\u00e4 25-70 prosenttia vuoteen 2050 menness\u00e4. T\u00e4m\u00e4 on eritt\u00e4in suuri haaste erityisesti kehitysmaille.<\/p>\n
Viime vuosina tietoon perustuva maatalous on noussut vahvaksi ratkaisuksi n\u00e4ihin ongelmiin. Nykyaikaiset maatilat tuottavat suuria m\u00e4\u00e4ri\u00e4 tietoa monista l\u00e4hteist\u00e4. N\u00e4it\u00e4 ovat esimerkiksi maaper\u00e4testit, s\u00e4\u00e4tiedot, satelliittikuvat, satotiedot ja taloudelliset tiedot. Kun n\u00e4m\u00e4 tiedot analysoidaan asianmukaisesti, ne voivat auttaa viljelij\u00f6it\u00e4 tekem\u00e4\u00e4n parempia p\u00e4\u00e4t\u00f6ksi\u00e4. Se voi auttaa heit\u00e4 valitsemaan oikeat viljelykasvit, k\u00e4ytt\u00e4m\u00e4\u00e4n vett\u00e4 tehokkaammin, v\u00e4hent\u00e4m\u00e4\u00e4n lannoiteh\u00e4vikki\u00e4 ja parantamaan yleist\u00e4 tuottavuutta.<\/p>\n
Monet maanviljelij\u00e4t luottavat kuitenkin edelleen perinteisiin viljelymenetelmiin. Jopa silloin, kun k\u00e4ytet\u00e4\u00e4n kehittynytt\u00e4 teknologiaa, kuten koneoppimista, tuloksia on usein vaikea ymm\u00e4rt\u00e4\u00e4. Useimmat koneoppimismallit toimivat kuin \u201cmusta laatikko\u201d. Ne antavat ennusteita, mutta ne eiv\u00e4t selit\u00e4 selke\u00e4sti, miksi ennusteita tehd\u00e4\u00e4n. T\u00e4m\u00e4 vaikeuttaa maanviljelij\u00f6iden ja poliittisten p\u00e4\u00e4tt\u00e4jien luottamusta tuloksiin ja niiden k\u00e4ytt\u00f6\u00e4.<\/p>\n
Nykyaikainen maatalous tuottaa valtavan m\u00e4\u00e4r\u00e4n tietoa. T\u00e4st\u00e4 tiedosta ei ole hy\u00f6ty\u00e4, ellei sit\u00e4 k\u00e4sitell\u00e4 ja analysoida asianmukaisesti. Prosessi, jossa raakadatasta tehd\u00e4\u00e4n hy\u00f6dyllist\u00e4 tietoa, on nimelt\u00e4\u00e4n tietokantojen tiedonhaku (Knowledge Discovery in Databases), josta k\u00e4ytet\u00e4\u00e4n usein lyhennett\u00e4 KDD. T\u00e4h\u00e4n prosessiin kuuluu useita vaiheita, kuten tietojen valinta, puhdistus, muuntaminen, analysointi ja tulkinta.<\/p>\n
<\/p>\n
Koneellisella oppimisella on eritt\u00e4in t\u00e4rke\u00e4 rooli tiedon l\u00f6yt\u00e4misess\u00e4. Se auttaa tunnistamaan kuvioita, joita ihmiset eiv\u00e4t v\u00e4ltt\u00e4m\u00e4tt\u00e4 n\u00e4e helposti. Koneoppiminen voi esimerkiksi l\u00f6yt\u00e4\u00e4 suhteita sadem\u00e4\u00e4r\u00e4n ja sadon m\u00e4\u00e4r\u00e4n tai maaper\u00e4tyypin ja lannoitetarpeen v\u00e4lill\u00e4. N\u00e4m\u00e4 mallit voivat auttaa viljelij\u00f6it\u00e4 tekem\u00e4\u00e4n parempia p\u00e4\u00e4t\u00f6ksi\u00e4.<\/p>\n
On olemassa erilaisia koneoppimismenetelmi\u00e4. Valvotussa oppimisessa k\u00e4ytet\u00e4\u00e4n merkittyj\u00e4 tietoja ennusteiden tekemiseen. Valvomaton oppiminen toimii merkitsem\u00e4tt\u00f6mien tietojen kanssa ja auttaa l\u00f6yt\u00e4m\u00e4\u00e4n luonnollisia ryhmittelyj\u00e4 tai kuvioita. Kummallakin tyypill\u00e4 on omat vahvuutensa ja heikkoutensa. Maataloudessa tiedot ovat usein monimutkaisia ja tulevat monista eri l\u00e4hteist\u00e4. T\u00e4m\u00e4n vuoksi yksitt\u00e4isen menetelm\u00e4n on vaikea toimia hyvin yksin\u00e4\u00e4n.<\/p>\n
Toinen haaste on se, ett\u00e4 maataloustiedot ovat hyvin erilaisia. Siihen sis\u00e4ltyy numeroita, karttoja, kuvia ja tekstitietoja. Perinteisill\u00e4 koneoppimismalleilla on usein vaikeuksia yhdist\u00e4\u00e4 kaikkia n\u00e4it\u00e4 tietotyyppej\u00e4 mielekk\u00e4\u00e4ll\u00e4 tavalla. T\u00e4ss\u00e4 kohtaa ajatus koneoppimisen ja tiet\u00e4mysgraafien yhdist\u00e4misest\u00e4 tulee t\u00e4rke\u00e4ksi.<\/p>\n
Ehdotetussa mallissa k\u00e4ytet\u00e4\u00e4n kahta t\u00e4rkeint\u00e4 koneoppimistekniikkaa: K-Means-klusterointia ja Naive Bayes -luokittelua. Kummallakin menetelm\u00e4ll\u00e4 on eri tarkoitus j\u00e4rjestelm\u00e4ss\u00e4.<\/p>\n
K-Means-klusterointi on valvomaton oppimismenetelm\u00e4. Siin\u00e4 tiedot ryhmitell\u00e4\u00e4n klustereihin samankaltaisuuden perusteella. T\u00e4ss\u00e4 tutkimuksessa K-Means-menetelm\u00e4\u00e4 k\u00e4ytet\u00e4\u00e4n maatalousalueiden jakamiseen eri agroklimaattisiin vy\u00f6hykkeisiin. N\u00e4m\u00e4 vy\u00f6hykkeet luodaan k\u00e4ytt\u00e4m\u00e4ll\u00e4 tietoja, kuten sadem\u00e4\u00e4r\u00e4\u00e4, maaper\u00e4n kosteutta ja l\u00e4mp\u00f6tilaa. Alueet, joilla on samanlaiset ymp\u00e4rist\u00f6olosuhteet, ryhmitell\u00e4\u00e4n yhteen. T\u00e4m\u00e4 auttaa ymm\u00e4rt\u00e4m\u00e4\u00e4n, miten eri alueet k\u00e4ytt\u00e4ytyv\u00e4t maatalouden kannalta.<\/p>\n
Naive Bayes on valvottu oppimismenetelm\u00e4, jota k\u00e4ytet\u00e4\u00e4n luokitteluun. Se ennustaa luokkia todenn\u00e4k\u00f6isyyden perusteella. T\u00e4ss\u00e4 tutkimuksessa Naive Bayes -menetelm\u00e4\u00e4 k\u00e4ytet\u00e4\u00e4n viljelykasvien tuottavuuden luokitteluun eri tasoille, kuten alhaiselle, keskitasolle ja korkealle tasolle. Se k\u00e4ytt\u00e4\u00e4 ominaisuuksia, kuten viljelyhistoriaa, lannoitteiden k\u00e4ytt\u00f6\u00e4 ja ymp\u00e4rist\u00f6olosuhteita.<\/p>\n
T\u00e4m\u00e4n tutkimuksen keskeinen ajatus on, ett\u00e4 K-Means-klusteroinnin tulosta ei k\u00e4ytet\u00e4 erikseen. Sen sijaan klusteritieto lis\u00e4t\u00e4\u00e4n sy\u00f6tt\u00f6ominaisuutena Naive Bayes -luokittimeen. T\u00e4m\u00e4 luo vahvan yhteyden n\u00e4iden kahden menetelm\u00e4n v\u00e4lille. T\u00e4m\u00e4n seurauksena luokittelusta tulee tarkempi, koska siin\u00e4 otetaan nyt huomioon sek\u00e4 paikalliset ymp\u00e4rist\u00f6vy\u00f6hykkeet ett\u00e4 viljelykasvikohtaiset tiedot.<\/p>\n
Tietograafi on tapa j\u00e4rjest\u00e4\u00e4 tietoa solmujen ja suhteiden avulla. Solmut edustavat esimerkiksi viljelykasveja, maaper\u00e4tyyppej\u00e4, ilmastovy\u00f6hykkeit\u00e4 ja maatalouden tuotantopanoksia. Suhteet osoittavat, miten n\u00e4m\u00e4 asiat liittyv\u00e4t toisiinsa. Suhde voi esimerkiksi osoittaa, ett\u00e4 tietty viljelykasvi sopii tietylle maalajille tai ett\u00e4 sateet vaikuttavat sadon m\u00e4\u00e4r\u00e4\u00e4n.<\/p>\n
Maataloudessa tiet\u00e4mysk\u00e4yr\u00e4st\u00f6t ovat eritt\u00e4in hy\u00f6dyllisi\u00e4, koska viljelyj\u00e4rjestelm\u00e4t ovat hyvin sidoksissa toisiinsa. Maaper\u00e4 vaikuttaa viljelykasveihin, ilmasto vaikuttaa maaper\u00e4\u00e4n ja viljelyk\u00e4yt\u00e4nn\u00f6t vaikuttavat molempiin. Tietojakaavio auttaa esitt\u00e4m\u00e4\u00e4n kaikki n\u00e4m\u00e4 yhteydet selke\u00e4sti ja j\u00e4sennellysti.<\/p>\n
![\"Tietojakaavioiden](\"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
T\u00e4ss\u00e4 tutkimuksessa tutkijat k\u00e4yttiv\u00e4t Neo4j:t\u00e4, suosittua graafitietokantaa, tiet\u00e4mysgraafin rakentamiseen. Koneoppimismallien tulokset tallennetaan tiet\u00e4mysgraafiin. N\u00e4in k\u00e4ytt\u00e4j\u00e4t voivat esitt\u00e4\u00e4 mielekk\u00e4it\u00e4 kysymyksi\u00e4, kuten mitk\u00e4 viljelykasvit ovat parhaita tietylle vy\u00f6hykkeelle tai kuinka paljon lannoitteita tarvitaan viljelykasville tietyiss\u00e4 olosuhteissa.<\/p>\n
Tiet\u00e4mysgraafi parantaa my\u00f6s tulkittavuutta. Sen sijaan, ett\u00e4 j\u00e4rjestelm\u00e4 n\u00e4ytt\u00e4isi vain ennusteen, se voi n\u00e4ytt\u00e4\u00e4, miten ennuste liittyy maaper\u00e4-, ilmasto- ja viljelytiedon kanssa. N\u00e4in viljelij\u00f6iden ja p\u00e4\u00e4t\u00f6ksentekij\u00f6iden on helpompi luottaa suosituksiin ja k\u00e4ytt\u00e4\u00e4 niit\u00e4.<\/p>\n
Tutkimuksessa k\u00e4ytettiin suurta m\u00e4\u00e4r\u00e4\u00e4 eri luotettavista l\u00e4hteist\u00e4 ker\u00e4ttyj\u00e4 tietoja. Viljelykasvien tuotantoa, lannoitteiden k\u00e4ytt\u00f6\u00e4, kauppaa ja elintarvikehuoltoa koskevat tiedot saatiin FAOSTATista. Ilmastotiedot, kuten sadem\u00e4\u00e4r\u00e4t, saatiin CHIRPS-tietokannasta, ja maaper\u00e4n kosteutta koskevat tiedot saatiin satelliittikuvista.<\/p>\n
Tiedot kattoivat useita vuosia ja useita alueita. N\u00e4in voitiin varmistaa, ett\u00e4 malli pystyy k\u00e4sittelem\u00e4\u00e4n erilaisia maatalousolosuhteita. Ennen tietojen k\u00e4ytt\u00f6\u00e4 tutkijat puhdistivat ja k\u00e4sitteliv\u00e4t ne huolellisesti. Puuttuvat arvot t\u00e4ytettiin k\u00e4ytt\u00e4m\u00e4ll\u00e4 luotettavia tilastollisia menetelmi\u00e4. Poikkeavat luvut poistettiin virheiden v\u00e4ltt\u00e4miseksi. Tiedot my\u00f6s normalisoitiin, jotta eri muuttujia voitiin verrata tasapuolisesti.<\/p>\n
Raakatiedoista luotiin joitakin uusia indikaattoreita. N\u00e4it\u00e4 olivat sadem\u00e4\u00e4rien vaihteluindeksi, kuivuusstressi-indeksi ja tuottavuuden vakausindeksi. N\u00e4m\u00e4 indikaattorit auttoivat kuvaamaan pikemminkin pitk\u00e4n aikav\u00e4lin suuntauksia kuin lyhyen aikav\u00e4lin muutoksia.<\/p>\n
Mukaan otettiin sek\u00e4 strukturoitua tietoa, kuten numeroita ja taulukoita, ett\u00e4 strukturoimatonta tietoa, kuten satelliittikuvia. T\u00e4m\u00e4 teki tietokokonaisuudesta eritt\u00e4in monipuolisen ja realistisen.<\/p>\n
Hybridimalli rakennettiin vaiheittain. Ymp\u00e4rist\u00f6tietoihin sovellettiin ensin K-Means-klusterointia. N\u00e4in alueet jaettiin kolmeen t\u00e4rkeimp\u00e4\u00e4n agroilmastovy\u00f6hykkeeseen. Vy\u00f6hykkeiden lukum\u00e4\u00e4r\u00e4 valittiin k\u00e4ytt\u00e4m\u00e4ll\u00e4 vakiomenetelm\u00e4\u00e4, jolla tarkistetaan, kuinka hyvin klusterit erottuvat toisistaan.<\/p>\n
![\"Hybridimallin](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/01\/Development-of-the-Hybrid-Model.png?resize=810%2C255&ssl=1\")
<\/p>\n
Seuraavaksi sovellettiin Naive Bayes -luokittelua. Luokittelija ennusti sadon tuottavuuden tason. T\u00e4rke\u00e4 ero t\u00e4ss\u00e4 tapauksessa on se, ett\u00e4 K-Means-menetelm\u00e4st\u00e4 saadut tiedot maatalous- ja ilmastovy\u00f6hykkeist\u00e4 otettiin mukaan sy\u00f6tt\u00f6ominaisuutena. N\u00e4in luokittelija pystyi ymm\u00e4rt\u00e4m\u00e4\u00e4n satotietojen lis\u00e4ksi my\u00f6s ymp\u00e4rist\u00f6kontekstin.<\/p>\n
Hybridimalli toimi paremmin kuin yksitt\u00e4iset mallit. Luokittelutarkkuus oli 89 prosenttia. T\u00e4m\u00e4 oli korkeampi kuin itsen\u00e4isten Naive Bayes- ja Random Forest -mallien tarkkuus. T\u00e4m\u00e4 parannus osoittaa, ett\u00e4 valvomattoman ja valvotun oppimisen yhdist\u00e4minen voi johtaa parempiin tuloksiin.<\/p>\n
Kun koneoppimisen tulokset olivat valmiit, ne lis\u00e4ttiin tiet\u00e4mysgraafiin. Agroilmastovy\u00f6hykkeist\u00e4 tuli graafin solmuja. My\u00f6s viljelykasvit, maalajit ja tuotantopanokset, kuten lannoitteet, esitettiin solmuina. Suhteet luotiin osoittamaan, miten n\u00e4m\u00e4 elementit liittyv\u00e4t toisiinsa.<\/p>\n
Suhde voi esimerkiksi osoittaa, ett\u00e4 tietty vy\u00f6hyke soveltuu hyvin maissille ja ett\u00e4 sen satotaso on suuri. Toinen suhde voisi osoittaa, ett\u00e4 maan alhainen pH-arvo edellytt\u00e4\u00e4 kalkin k\u00e4ytt\u00f6\u00e4. N\u00e4m\u00e4 suhteet perustuivat sek\u00e4 mallin tuloksiin ett\u00e4 asiantuntijatietoon.<\/p>\n
Koska kaikki on tallennettu graafirakenteeseen, k\u00e4ytt\u00e4j\u00e4t voivat helposti tutkia tietoja. He voivat tehd\u00e4 kyselyj\u00e4 l\u00f6yt\u00e4\u00e4kseen alueen parhaan viljelykasvin tai ymm\u00e4rt\u00e4\u00e4 ilmastoon ja maaper\u00e4olosuhteisiin liittyvi\u00e4 riskej\u00e4.<\/p>\n
Tutkijat testasivat mallia sek\u00e4 tilastollisin mittauksin ett\u00e4 simuloinnein. Klusterointitulokset olivat eritt\u00e4in vahvoja, ja ne osoittivat selke\u00e4\u00e4 erottelua vy\u00f6hykkeiden v\u00e4lill\u00e4. Luokittelutulokset olivat my\u00f6s luotettavia, ja niiden tarkkuus- ja palautusarvot olivat hyvi\u00e4 kaikkien tuottavuusluokkien osalta.<\/p>\n
Tiet\u00e4mysgraafi suoriutui hyvin nopeuden ja rakenteen osalta. Kyselyihin vastattiin hyvin nopeasti, ja useimmat vaaditut suhteet l\u00f6ytyiv\u00e4t kuvaajasta. T\u00e4m\u00e4 osoittaa, ett\u00e4 j\u00e4rjestelm\u00e4 on tehokas ja hyvin suunniteltu.<\/p>\n
Koska laajamittaiset kentt\u00e4kokeet ovat kalliita ja aikaa vievi\u00e4, tutkijat k\u00e4yttiv\u00e4t simulaatioita resurssitehokkuuden testaamiseen. He vertasivat perinteisi\u00e4 viljelymenetelmi\u00e4 hybridimallin ohjaamaan viljelyyn.<\/p>\n
Tulokset olivat hyvin rohkaisevia. Mallin suosituksia k\u00e4ytt\u00e4v\u00e4t tilat k\u00e4yttiv\u00e4t 22 prosenttia v\u00e4hemm\u00e4n vett\u00e4. Lannoiteh\u00e4vikki v\u00e4heni 18 prosenttia. N\u00e4m\u00e4 parannukset ovat eritt\u00e4in t\u00e4rkeit\u00e4, koska vesi ja lannoitteet ovat kalliita ja rajallisia resursseja.<\/p>\n
T\u00e4m\u00e4n tutkimuksen tuloksilla on merkitt\u00e4vi\u00e4 vaikutuksia kest\u00e4v\u00e4\u00e4n maatalouteen. K\u00e4ytt\u00e4m\u00e4ll\u00e4 tietoja \u00e4lykk\u00e4\u00e4mmin maanviljelij\u00e4t voivat tuottaa enemm\u00e4n ruokaa ja k\u00e4ytt\u00e4\u00e4 v\u00e4hemm\u00e4n resursseja. T\u00e4m\u00e4 auttaa suojelemaan ymp\u00e4rist\u00f6\u00e4 ja alentaa viljelykustannuksia.<\/p>\n
Toinen t\u00e4rke\u00e4 etu on tulkittavuus. Tiet\u00e4mysgraafin k\u00e4ytt\u00f6 tekee j\u00e4rjestelm\u00e4st\u00e4 helpommin ymm\u00e4rrett\u00e4v\u00e4n. Viljelij\u00e4t ja p\u00e4\u00e4tt\u00e4j\u00e4t n\u00e4kev\u00e4t, miksi tietyt suositukset on annettu. T\u00e4m\u00e4 lis\u00e4\u00e4 luottamusta ja rohkaisee uusien teknologioiden k\u00e4ytt\u00f6\u00f6nottoa.<\/p>\n
J\u00e4rjestelm\u00e4 on my\u00f6s skaalautuva. Vaikka tutkimuksessa keskityttiin tiettyihin alueisiin, j\u00e4rjestelm\u00e4\u00e4 voidaan soveltaa muihin maihin ja viljelykasveihin. Kun tietoja ja reaaliaikaisia antureita lis\u00e4t\u00e4\u00e4n, j\u00e4rjestelm\u00e4st\u00e4 voi tulla entist\u00e4kin tehokkaampi.<\/p>\n
Vaikka tulokset ovat lupaavia, tutkimuksessa on joitakin rajoituksia. Suurin osa validoinnista tehtiin simulaatioiden avulla. Tulosten vahvistamiseksi todellisissa viljelyolosuhteissa tarvitaan todellisia kentt\u00e4kokeita. J\u00e4rjestelm\u00e4 ei my\u00f6sk\u00e4\u00e4n viel\u00e4 sis\u00e4ll\u00e4 antureiden reaaliaikaisia tietoja.<\/p>\n
Tulevassa tutkimuksessa voidaan keskitty\u00e4 reaaliaikaisten s\u00e4\u00e4- ja maaper\u00e4tietojen lis\u00e4\u00e4miseen. Tutkimukseen voidaan sis\u00e4llytt\u00e4\u00e4 my\u00f6s taloudellinen analyysi viljelij\u00f6ille koituvien kustannushy\u00f6tyjen tutkimiseksi. Yksinkertaisten mobiili- tai verkkosovellusten kehitt\u00e4minen voi auttaa viljelij\u00f6it\u00e4 k\u00e4ytt\u00e4m\u00e4\u00e4n j\u00e4rjestelm\u00e4\u00e4 helposti.<\/p>\n
T\u00e4m\u00e4 tutkimus tarjoaa vahvan ja k\u00e4yt\u00e4nn\u00f6llisen l\u00e4hestymistavan t\u00e4sm\u00e4viljelyyn. Yhdist\u00e4m\u00e4ll\u00e4 K-Means-klusterointia, Naive Bayes -luokittelua ja tiet\u00e4mysgraafeja kirjoittajat loivat j\u00e4rjestelm\u00e4n, joka on tarkka, tulkittavissa ja hy\u00f6dyllinen. Hybridimalli parantaa ennustetarkkuutta ja auttaa v\u00e4hent\u00e4m\u00e4\u00e4n veden ja lannoitteiden k\u00e4ytt\u00f6\u00e4.<\/p>\n
T\u00e4rkeint\u00e4 on, ett\u00e4 tiet\u00e4myskaavio tekee tuloksista helposti ymm\u00e4rrett\u00e4vi\u00e4 ja sovellettavia. T\u00e4m\u00e4 on suuri askel kohti kehittyneen maatalousteknologian saattamista viljelij\u00f6iden ja p\u00e4\u00e4t\u00f6ksentekij\u00f6iden ulottuville. Kun t\u00e4t\u00e4 l\u00e4hestymistapaa kehitet\u00e4\u00e4n edelleen ja testataan k\u00e4yt\u00e4nn\u00f6ss\u00e4, sill\u00e4 on paljon mahdollisuuksia tukea kest\u00e4v\u00e4\u00e4 maataloutta ja maailmanlaajuista elintarviketurvaa.<\/p>\n
Viite<\/strong>: Njama-Abang, O., Oladimeji, S., Eteng, I. E., & Emanuel, E. A. (2026). Synergistinen \u00e4lykkyys: uusi hybridimalli t\u00e4sm\u00e4viljely\u00e4 varten k\u00e4ytt\u00e4en k-meansia, naive Bayesia ja tiet\u00e4mysgraafeja. Journal of the Nigerian Society of Physical Sciences, 2929-2929.<\/p>","protected":false},"excerpt":{"rendered":" Maatalous vaikeutuu vuosi vuodelta. Maailman v\u00e4kiluku kasvaa nopeasti, mutta viljelyyn k\u00e4ytett\u00e4viss\u00e4 olevan maan m\u00e4\u00e4r\u00e4 ei kasva. T\u00e4ll\u00e4 hetkell\u00e4\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_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