![\"Za\u0161to](\"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>\nPoljoprivreda postaje svake godine sve te\u017ea. Svjetsko stanovni\u0161tvo brzo raste, ali koli\u010dina zemlji\u0161ta dostupnog za poljoprivredu ne raste. Istovremeno, klimatske promjene utje\u010du na oborine, temperaturu i uvjete tla. Poljoprivrednici se sada suo\u010davaju s mnogim problemima poput nesta\u0161ice vode, lo\u0161e kvalitete tla, nepredvidivog vremena i rastu\u0107ih tro\u0161kova ulaganja. Kako bi se zadovoljila budu\u0107a potra\u017enja za hranom, proizvodnja hrane mora zna\u010dajno porasti. Studije sugeriraju da bi se globalna proizvodnja hrane do 2050. godine mogla morati pove\u0107ati za 25 do 70 posto. Ovo je vrlo velik izazov, posebno za zemlje u razvoju.<\/p>\n
Poljoprivreda utemeljena na podacima u posljednjih je nekoliko godina postala sna\u017eno rje\u0161enje za te probleme. Moderni poljoprivredni sustavi generiraju velike koli\u010dine podataka iz mnogih izvora. To uklju\u010duje analize tla, meteorolo\u0161ke zapise, satelitske snimke, podatke o prinosu usjeva i ekonomske podatke. Kada se ti podaci pravilno analiziraju, mogu pomo\u0107i poljoprivrednicima u dono\u0161enju boljih odluka. Oni im mogu pomo\u0107i u odabiru pravih usjeva, u\u010dinkovitijem kori\u0161tenju vode, smanjenju rasipanja gnojiva i pobolj\u0161anju ukupne produktivnosti.<\/p>\n
Me\u0111utim, mnogi poljoprivrednici se i dalje oslanjaju na tradicionalne metode uzgoja. \u010cak i kada se koriste napredne tehnologije poput strojnog u\u010denja, rezultate je \u010desto te\u0161ko razumjeti. Ve\u0107ina modela strojnog u\u010denja funkcionira poput \u201ccrne kutije\u201d. Daju predvi\u0111anja, ali ne obja\u0161njavaju jasno za\u0161to su ta predvi\u0111anja napravljena. To poljoprivrednicima i kreatorima politike ote\u017eava povjerenje u rezultate i njihovo kori\u0161tenje.<\/p>\n
Moderna poljoprivreda proizvodi ogromnu koli\u010dinu podataka. Sami ti podaci nisu korisni ako nisu pravilno obra\u0111eni i analizirani. Proces pretvaranja sirovih podataka u korisne informacije naziva se Otkrivanje znanja u bazama podataka, \u010desto skra\u0107eno kao KDD. Ovaj proces uklju\u010duje nekoliko koraka, uklju\u010duju\u0107i odabir podataka, \u010di\u0161\u0107enje, transformaciju, analizu i interpretaciju.<\/p>\n
<\/p>\n
Strojno u\u010denje igra vrlo va\u017enu ulogu u otkrivanju znanja. Poma\u017ee u prepoznavanju obrazaca koje ljudi mo\u017eda ne vide lako. Na primjer, strojno u\u010denje mo\u017ee prona\u0107i veze izme\u0111u koli\u010dine oborina i prinosa usjeva ili izme\u0111u tipa tla i potrebe za gnojivom. Ti obrasci mogu pomo\u0107i poljoprivrednicima u dono\u0161enju boljih odluka.<\/p>\n
Postoje razli\u010dite vrste metoda strojnog u\u010denja. Nadgledano u\u010denje koristi ozna\u010dene podatke za dono\u0161enje predvi\u0111anja. Nenadzirano u\u010denje radi s neozna\u010denim podacima i poma\u017ee u pronala\u017eenju prirodnih grupa ili obrazaca. Svaka vrsta ima svoje snage i slabosti. U poljoprivredi su podaci \u010desto slo\u017eeni i dolaze iz mnogo razli\u010ditih izvora. To ote\u017eava dobro funkcioniranje jedne metode sama za sebe.<\/p>\n
Drugi izazov je \u0161to su poljoprivredni podaci vrlo raznoliki. Uklju\u010duju brojeve, karte, slike i tekstualne podatke. Tradicionalni modeli strojnog u\u010denja \u010desto se te\u0161ko nose s kombiniranjem svih tih vrsta podataka na smislen na\u010din. Tu postaje va\u017ena ideja kombiniranja strojnog u\u010denja s grafovima znanja.<\/p>\n
Predlo\u017eeni model koristi dvije glavne tehnike strojnog u\u010denja: K-Means klasteriranje i Naive Bayes klasifikaciju. Svaka metoda slu\u017ei razli\u010ditoj svrsi u sustavu.<\/p>\n
K-Means klasteriranje je metoda nadziranog u\u010denja. Ona grupi\u0161e podatke u klastere na osnovu sli\u010dnosti. U ovoj studiji, K-Means se koristi za podjelu poljoprivrednih regija na razli\u010dite agro-klimatske zone. Ove zone se kreiraju koriste\u0107i podatke kao \u0161to su koli\u010dina padavina, vla\u017enost zemlji\u0161ta i temperatura. Regije sa sli\u010dnim uslovima okoline grupi\u0161u se zajedno. Ovo poma\u017ee u razumijevanju kako se razli\u010dita podru\u010dja pona\u0161aju u smislu poljoprivrede.<\/p>\n
Naivni Bayes je metoda nadziranog u\u010denja koja se koristi za klasifikaciju. Predvi\u0111a kategorije na temelju vjerojatnosti. U ovoj studiji, Naivni Bayes se koristi za klasifikaciju produktivnosti usjeva u razli\u010dite razine kao \u0161to su niska, srednja i visoka. Koristi zna\u010dajke poput povijesti usjeva, upotrebe gnojiva i uvjeta okoli\u0161a.<\/p>\n
Klju\u010dna ideja ovog istra\u017eivanja je da izlaz K-Means klasteriranja nije kori\u0161ten zasebno. Umjesto toga, informacije o klasteru dodaju se kao ulazna zna\u010dajka Naive Bayes klasifikatoru. To stvara sna\u017enu povezanost izme\u0111u ove dvije metode. Kao rezultat toga, klasifikacija postaje to\u010dnija jer sada uzima u obzir i lokalne ekolo\u0161ke zone i podatke specifi\u010dne za usjeve.<\/p>\n
Graf znanja je na\u010din organiziranja informacija pomo\u0107u \u010dvorova i veza. \u010cvorovi predstavljaju stvari poput usjeva, tipova tla, klimatskih zona i poljoprivrednih inputa. Veze pokazuju kako su te stvari povezane. Na primjer, veza mo\u017ee pokazati da je odre\u0111eni usjev pogodan za odre\u0111eni tip tla ili da oborine utje\u010du na prinos usjeva.<\/p>\n
U poljoprivredi, grafovi znanja su vrlo korisni jer su poljoprivredni sustavi jako me\u0111usobno povezani. Tlo utje\u010de na usjeve, klima utje\u010de na tlo, a poljoprivredne prakse utje\u010du na oboje. Graf znanja poma\u017ee prikazati sve te veze na jasan i strukturiran na\u010din.<\/p>\n
![\"Uloga](\"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
U ovoj studiji, istra\u017eiva\u010di su koristili Neo4j, popularnu grafi\u010dku bazu podataka, za izgradnju grafova znanja. Rezultati iz modela strojevog u\u010denja pohranjeni su u grafu znanja. To omogu\u0107uje korisnicima postavljanje smislenih pitanja, kao \u0161to su koje su kulture najbolje za odre\u0111enu zonu ili koliko gnojiva je potrebno za usjev pod odre\u0111enim uvjetima.<\/p>\n
Baza znanja tako\u0111er pobolj\u0161ava interpretativnost. Umjesto da samo poka\u017ee predvi\u0111anje, sustav mo\u017ee pokazati kako je to predvi\u0111anje povezano s podacima o tlu, klimi i usjevima. To olak\u0161ava poljoprivrednicima i donositeljima odluka da vjeruju i koriste preporuke.<\/p>\n
U studiji je kori\u0161tena velika koli\u010dina podataka prikupljenih iz razli\u010ditih pouzdanih izvora. Podaci o proizvodnji usjeva, podaci o kori\u0161tenju gnojiva, podaci o trgovini i podaci o opskrbi hranom dobiveni su iz FAOSTAT-a. Podaci o klimi, kao \u0161to su obrasci oborina, potje\u010du iz CHIRPS-a, dok su podaci o vla\u017enosti tla dobiveni iz satelitskih snimaka.<\/p>\n
Podaci su obuhvatili mnogo godina i vi\u0161e regija. Ovo je pomoglo osigurati da model mo\u017ee podnijeti razli\u010dite poljoprivredne uvjete. Prije kori\u0161tenja podataka, istra\u017eiva\u010di su ih pa\u017eljivo o\u010distili i obradili. Nedostaju\u0107e vrijednosti popunjene su pouzdanim statisti\u010dkim metodama. Izvanredne vrijednosti uklonjene su kako bi se izbjegle pogre\u0161ke. Podaci su tako\u0111er normalizirani kako bi se razli\u010dite varijable mogle po\u0161teno usporediti.<\/p>\n
Iz sirovih podataka stvoreni su neki novi pokazatelji. To su uklju\u010divali indeks varijabilnosti oborina, indeks stresa od su\u0161e i indeks stabilnosti produktivnosti. Ovi pokazatelji pomogli su u hvatanju dugoro\u010dnih trendova, a ne kratkoro\u010dnih promjena.<\/p>\n
Uklju\u010deni su i strukturirani podaci, poput brojeva i tablica, i nestrukturirani podaci, poput satelitskih snimaka. To je podatke u\u010dinilo vrlo bogatima i realisti\u010dnima.<\/p>\n
Hibridni model je izgra\u0111en korak po korak. Prvo je K-Means klasterizacija primijenjena na ekolo\u0161ke podatke. Time su regije podijeljene u tri glavne agro-klimatske zone. Broj zona odabran je standardnom metodom koja provjerava koliko su klasteri dobro odvojeni.<\/p>\n
![\"Razvoj](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/01\/Development-of-the-Hybrid-Model.png?resize=810%2C255&ssl=1\")
<\/p>\n
Zatim je primijenjena Naive Bayes klasifikacija. Klasifikator je predvidio razine produktivnosti usjeva. Va\u017ena razlika ovdje je \u0161to su podaci o agro-klimatskim zonama iz K-Means uklju\u010deni kao ulazna zna\u010dajka. To je klasifikatoru omogu\u0107ilo da razumije ne samo podatke o usjevima, ve\u0107 i ekolo\u0161ki kontekst.<\/p>\n
Hibridni model pokazao se boljim od pojedina\u010dnih modela. To\u010dnost klasifikacije dosegla je 89 posto. To je bilo vi\u0161e od to\u010dnosti samostalnih modela Naive Bayes i Random Forest. Ovo pobolj\u0161anje pokazuje da kombiniranje nadziranog i nenadziranog u\u010denja mo\u017ee dovesti do boljih rezultata.<\/p>\n
Nakon \u0161to su rezultati strojnog u\u010denja bili spremni, dodani su grafu znanja. Agro-klimatske zone postale su \u010dvorovi u grafu. Usjevi, tipovi tla i inputi poput gnojiva tako\u0111er su predstavljeni kao \u010dvorovi. Stvorene su veze kako bi se prikazalo kako su ti elementi povezani.<\/p>\n
Na primjer, odnos bi mogao pokazati da je odre\u0111ena zona prikladna za kukuruz s velikom vjerojatno\u0161\u0107u dobrog uroda. Drugi odnos mogao bi pokazati da nizak pH tla zahtijeva dodavanje vapna. Ti su odnosi bili utemeljeni na izlazima modela i stru\u010dnom znanju.<\/p>\n
Budu\u0107i da je sve pohranjeno u grafi\u010dkoj strukturi, korisnici lako mogu istra\u017eivati informacije. Mogu pokretati upite kako bi prona\u0161li najbolju kulturu za odre\u0111enu regiju ili razumjeli rizike povezane s klimatskim i tlenim uvjetima.<\/p>\n
Istra\u017eiva\u010di su testirali model koriste\u0107i statisti\u010dka mjerenja i simulacije. Rezultati klasteriranja bili su vrlo sna\u017eni, pokazuju\u0107i jasnu separaciju izme\u0111u zona. Rezultati klasifikacije tako\u0111er su bili pouzdani, s dobrim vrijednostima preciznosti i odziva za sve klase produktivnosti.<\/p>\n
Graf znanja je dobro funkcionirao u pogledu brzine i strukture. Upiti su odgovoreni vrlo brzo, a ve\u0107ina potrebnih odnosa bila je prisutna u grafu. Ovo pokazuje da je sustav u\u010dinkovit i dobro dizajniran.<\/p>\n
Budu\u0107i da su veliki terenski eksperimenti skupi i dugotrajni, istra\u017eiva\u010di su koristili simulacije za testiranje u\u010dinkovitosti resursa. Usporedili su tradicionalne poljoprivredne metode s poljoprivredom vo\u0111enom hibridnim modelom.<\/p>\n
Rezultati su bili vrlo ohrabruju\u0107i. Farme koje su slijedile preporuke modela koristile su 22 posto manje vode. Otpad gnojiva smanjen je za 18 posto. Ova pobolj\u0161anja su vrlo va\u017ena jer su voda i gnojiva skupi i ograni\u010deni resursi.<\/p>\n
Nalazi ovog istra\u017eivanja imaju sna\u017ene implikacije za odr\u017eivu poljoprivredu. Pametnijim kori\u0161tenjem podataka, poljoprivrednici mogu proizvesti vi\u0161e hrane uz manje resursa. Ovo poma\u017ee u za\u0161titi okoli\u0161a i smanjuje tro\u0161kove poljoprivrede.<\/p>\n
Druga va\u017ena prednost je interpretativnost. Kori\u0161tenje grafova znanja olak\u0161ava razumijevanje sustava. Poljoprivrednici i kreatori politika mogu vidjeti za\u0161to se donose odre\u0111ene preporuke. Time se pove\u0107ava povjerenje i poti\u010de usvajanje novih tehnologija.<\/p>\n
Sustav je tako\u0111er skalabilan. Iako se studija fokusirala na odre\u0111ene regije, okvir se mo\u017ee primijeniti na druge zemlje i usjeve. S vi\u0161e podataka i senzora u stvarnom vremenu, sustav mo\u017ee postati jo\u0161 sna\u017eniji.<\/p>\n
Iako su rezultati obe\u0107avaju\u0107i, studija ima neka ograni\u010denja. Ve\u0107ina validacija je napravljena pomo\u0107u simulacija. Potrebna su stvarna terenska ispitivanja kako bi se rezultati potvrdili u stvarnim poljoprivrednim uvjetima. Sustav tako\u0111er jo\u0161 ne uklju\u010duje podatke u stvarnom vremenu sa senzora.<\/p>\n
Budu\u0107a istra\u017eivanja mogu se usredoto\u010diti na dodavanje podataka o vremenu i tlu u stvarnom vremenu. Ekonomska analiza tako\u0111er se mo\u017ee uklju\u010diti kako bi se prou\u010dile koristi za poljoprivrednike u smislu tro\u0161kova. Razvoj jednostavnih mobilnih ili web aplikacija mo\u017ee pomo\u0107i poljoprivrednicima da lako koriste sustav.<\/p>\n
Ovo istra\u017eivanje predstavlja sna\u017ean i prakti\u010dan pristup preciznoj poljoprivredi. Kombiniraju\u0107i K-Means klasteriranje, Naive Bayes klasifikaciju i grafove znanja, autori su stvorili sustav koji je to\u010dan, interpretativan i koristan. Hibridni model pobolj\u0161ava to\u010dnost predvi\u0111anja i poma\u017ee smanjiti upotrebu vode i gnojiva.<\/p>\n
Najva\u017enije, graf znanja \u010dini rezultate lakim za razumijevanje i primjenu. Ovo je veliki korak prema tome da napredne poljoprivredne tehnologije postanu dostupne poljoprivrednicima i donositeljima odluka. Daljnjim razvojem i testiranjem u stvarnim uvjetima, ovaj pristup ima veliki potencijal za podr\u0161ku odr\u017eivoj poljoprivredi i globalnoj sigurnosti hrane.<\/p>\n
Referenca<\/strong>Njama-Abang, O., Oladimeji, S., Eteng, I. E., & Emanuel, E. A. (2026). Sinergijska inteligencija: novi hibridni model za preciznu poljoprivredu kori\u0161tenjem k-means, naivnog Bayesa i grafova znanja. Journal of the Nigerian Society of Physical Sciences, 2929-2929.<\/p>","protected":false},"excerpt":{"rendered":" Poljoprivreda postaje sve te\u017ea svake godine. Svjetsko stanovni\u0161tvo brzo raste, ali koli\u010dina zemlji\u0161ta dostupnog za poljoprivredu se ne pove\u0107ava. U\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