Жаңа жасанды интеллект гибридті моделі дәл егіншілікті қалайша тұрақты етеді

Ауыл шаруашылығы жыл сайын қиындап барады. Әлемдік халық саны тез өсіп келеді, бірақ егіс алқаптарының көлемі ұлғаймайды. Сонымен бірге климаттың өзгеруі жауын-шашын, температура мен топырақ жағдайына әсер етіп жатыр. Енді фермерлер су тапшылығы, топырақтың нашар сапасы, болжап болмайтын ауа райы және өндіріс шығындарының өсуі сияқты көптеген мәселелерге тап болуда. Болашақтағы азық-түлік сұранысын қанағаттандыру үшін азық-түлік өндірісін айтарлықтай арттыру қажет. Зерттеулер көрсеткендей, 2050 жылға қарай әлемдік азық-түлік өндірісін 25–70 пайызға арттыру қажет болуы мүмкін. Бұл, әсіресе дамушы елдер үшін аса үлкен сынақ.

Соңғы жылдары деректерге негізделген ауыл шаруашылығы осы мәселелерді шешудің тиімді шешімі ретінде пайда болды. Қазіргі заманғы фермалар көптеген дереккөздерден мол көлемде ақпарат жинайды. Оған топырақ сынақтары, ауа райы жазбалары, спутниктік суреттер, дақыл өнімділігі туралы деректер және экономикалық мәліметтер жатады. Бұл деректер дұрыс талданатын болса, фермерлерге дұрыс шешім қабылдауға көмектеседі. Ол оларға тиісті дақылдарды таңдауға, суды тиімді пайдалануға, тыңайтқыштарды үнемдеуге және жалпы өнімділікті арттыруға жәрдемдеседі.

Дегенмен, көптеген фермерлер әлі күнге дейін дәстүрлі егіншілік әдістеріне сүйенеді. Машинамен оқыту сияқты озық технологиялар қолданылғанда да нәтижелерді түсіну жиі қиынға соғады. Көптеген машинамен оқыту модельдері “қара қорап” тәрізді жұмыс істейді. Олар болжамдар ұсынады, бірақ сол болжамдардың неге жасалғанын айқын түсіндірмейді. Бұл фермерлер мен шешім қабылдаушыларға нәтижелерге сеніп, оларды пайдалануды қиындатады.

Ауыл шаруашылығында деректер мен білімді ашудың маңызы

Қазіргі заманғы ауыл шаруашылығы үлкен көлемдегі деректерді өндіреді. Бұл деректер дұрыс өңделіп, талдау жасалмаса пайдасыз. Шикі деректерді пайдалы ақпаратқа айналдыру үдерісі дерекқорлардағы білімді ашу (Knowledge Discovery in Databases) деп аталады, жиі KDD деп қысқартылады. Бұл үдеріс деректерді таңдау, тазалау, түрлендіру, талдау және интерпретациялау сияқты бірнеше кезеңді қамтиды.

Машинамен оқыту білімді ашуда өте маңызды рөл атқарады. Ол адамдарға оңай байқалмайтын үлгілерді анықтауға көмектеседі. Мысалы, машинамен оқыту жауын-шашын мен дақыл өнімділігі арасындағы немесе топырақ түрі мен тыңайтқыш қажеттілігі арасындағы байланысты таба алады. Бұл үлгілер фермерлерге жақсырақ шешім қабылдауға көмектеседі.

Машинамен оқыту әдістерінің әртүрлі түрлері бар. Бақылаумен оқыту болжамдар жасау үшін белгіленген деректерді пайдаланады. Бақылаусыз оқыту белгіленбеген деректермен жұмыс істейді және табиғи топтастырулар мен үлгілерді табуға көмектеседі. Әрбір түрінің өз артықшылықтары мен кемшіліктері бар. Ауыл шаруашылығында деректер жиі күрделі болып, көптеген әртүрлі көздерден келеді. Бұл бір ғана әдістің өз бетінше жақсы нәтиже көрсетуін қиындатады.

Тағы бір қиындық – ауыл шаруашылығы деректері өте алуан түрлі. Оған сандар, карталар, суреттер және мәтіндік деректер кіреді. Дәстүрлі машинамен оқыту модельдері осы деректер түрлерін мағыналы түрде біріктіруде жиі қиындыққа тап болады. Міне осы жерде машинамен оқытуды білім графтарымен біріктіру идеясы маңызды рөл атқарады.

Зерттеуде қолданылған машиналық оқыту әдістері

Ұсынылған модель машинамен оқытудың екі негізгі әдісін қолданады: K-Means кластерлеу және Naive Bayes жіктеу. Әрбір әдіс жүйеде әртүрлі мақсатты атқарады.

K-Means кластерлеу – бақылаусыз оқыту әдісі. Ол деректерді ұқсастығына қарай кластерлерге бөледі. Бұл зерттеуде K-Means әдісі ауылшаруашылық аймақтарды әртүрлі агроклиматтық аймақтарға бөлу үшін қолданылады. Бұл аймақтар жауын-шашын, топырақ ылғалдылығы және температура сияқты деректер негізінде құрылады. Қоршаған орта жағдайлары ұқсас аймақтар бір топқа біріктіріледі. Бұл әртүрлі аймақтардың ауылшаруашылық тұрғысынан қалай әрекет ететінін түсінуге көмектеседі.

Наив Бэйес — классификациялауға арналған бақылаулы оқыту әдісі. Ол категорияларды ықтималдыққа негізделген түрде болжайды. Бұл зерттеуде Наив Бэйес дақыл өнімділігін төмен, орташа және жоғары деңгейлерге жіктеу үшін қолданылады. Ол дақыл тарихы, тыңайтқыш қолдану және қоршаған орта жағдайлары сияқты сипаттамаларды пайдаланады.

Бұл зерттеудің негізгі идеясы – K-Means кластерлеу нәтижесін бөлек пайдаланбай, кластер туралы ақпаратты Naive Bayes классификаторының кіріс сипаттамасына қосу. Бұл екі әдіс арасында мықты байланыс орнатады. Нәтижесінде классификация жергілікті экологиялық аймақтар мен дақылға тән деректерді ескере отырып, дәлірек болады.

Ауыл шаруашылығындағы білім графтарының рөлі

Білім графы – түйіндер мен қатынастарды пайдалана отырып ақпаратты ұйымдастыру тәсілі. Түйіндер дақылдар, топырақ түрлері, климаттық белдеулер және ауыл шаруашылығына қажетті ресурстар сияқты заттарды білдіреді. Қатынастар осы заттардың қалай байланысқаны көрсетеді. Мысалы, қатынас белгілі бір дақылдың нақты топырақ түріне жарамды екенін немесе жауын-шашынның дақыл өнімділігіне әсер ететінін көрсете алады.

Ауыл шаруашылығында білім графтары өте пайдалы, себебі егіс жүйелері өзара тығыз байланысты. Топырақ дақылдарға әсер етеді, климат топыраққа әсер етеді, ал егіс тәжірибелері екеуіне де әсер етеді. Білім графы осы барлық байланыстарды айқын және құрылымды түрде көрсетуге көмектеседі.

Осы зерттеуде зерттеушілер танымал графтық дерекқор Neo4j-ді білім графын құру үшін пайдаланды. Машинамен оқыту модельдерінің нәтижелері білім графында сақталады. Бұл пайдаланушыларға белгілі бір аймаққа қандай дақылдар ең қолайлы немесе белгілі жағдайларда дақылға қанша тыңайтқыш қажет деген сияқты мағыналы сұрақтар қоюға мүмкіндік береді.

Білім графы түсіндіргіштікті де жақсартады. Тек болжамды көрсетудің орнына, жүйе бұл болжамның топырақ, климат және дақыл деректерімен қалай байланысты екенін көрсете алады. Бұл фермерлер мен шешім қабылдаушыларға ұсыныстарға сеніп, оларды пайдалануды жеңілдетеді.

Деректерді жинау және дайындау

Зерттеу әртүрлі сенімді дереккөздерден жиналған көп көлемді деректерді қолданды. Егін өнімі деректері, тыңайтқыш қолдану деректері, сауда деректері және азық-түлік жеткізілу деректері FAOSTAT-тан алынды. Жауын-шашын үлгілері сияқты климаттық деректер CHIRPS-тен алынды, ал топырақтың ылғалдылығы туралы деректер спутниктік суреттерден алынды.

Деректер бірнеше жылдар мен әртүрлі аймақтарды қамтыды. Бұл модельдің әртүрлі ауылшаруашылық жағдайларында жұмыс істей алатынын қамтамасыз етуге көмектесті. Деректерді пайдаланбас бұрын зерттеушілер оны мұқият тазалап, өңдеді. Жоқ мәндер сенімді статистикалық әдістермен толтырылды. Қателіктерді болдырмау үшін ауытқушы мәндер алынып тасталды. Сондай-ақ деректер әртүрлі айнымалыларды әділ түрде салыстыру үшін нормаланды.

Шикі деректерден бірнеше жаңа көрсеткіш жасалды. Оларға жауын-шашынның өзгергіштік индексі, құрғақшылық стресс индексі және өнімділіктің тұрақтылық индексі кірді. Бұл көрсеткіштер қысқа мерзімді өзгерістерге емес, ұзақ мерзімді үрдістерді анықтауға көмектесті.

Сандар мен кестелер сияқты құрылымдалған деректер де, спутниктік суреттер сияқты құрылымдалмаған деректер де енгізілді. Бұл деректер жиынтығын өте бай әрі шынайы етті.

Гибридті модельді дамыту

Гибридті модель қадам-қадаммен құрылды. Алдымен қоршаған орта деректеріне K-Means кластерлеу қолданылды. Бұл аймақтарды үш негізгі агроклиматтық аймаққа бөлді. Аймақтар саны кластерлердің қаншалықты жақсы бөлінгенін тексеретін стандартты әдіс арқылы таңдалды.

Келесіде Naive Bayes классификациясы қолданылды. Классификатор дақыл өнімділігінің деңгейін болжады. Мұндағы маңызды айырмашылық – K-Means әдісінен алынған агроклиматтық аймақ ақпараты кіріс сипаттамасы ретінде енгізілді. Бұл классификаторға тек дақыл деректерін ғана емес, сонымен қатар қоршаған орта контекстін де түсінуге мүмкіндік берді.

Гибридті модель жеке модельдерге қарағанда жақсы нәтиже көрсетті. Сыныптау дәлдігі 89 пайызға жетті. Бұл жеке Naive Bayes және Random Forest модельдерінің дәлдігінен жоғары болды. Бұл жақсарту бақылаусыз және бақылаулы оқытуды біріктіру жақсы нәтижелерге әкелетінін көрсетеді.

Білім графымен интеграция

Машинамен оқыту нәтижелері дайын болғаннан кейін олар білім графына қосылды. Агроклиматтық аймақтар графта түйіндерге айналды. Дақылдар, топырақ түрлері және тыңайтқыштар сияқты ресурстар да түйіндер ретінде көрсетілді. Осы элементтердің қалай байланысқаны көрсету үшін қатынастар құрылды.

Мысалы, бір байланыс белгілі бір аймақтың жоғары өнімді жүгері өсіруге қолайлы екенін көрсетеді. Тағы бір байланыс топырақтың төмен pH деңгейі әктас қолдануды қажет ететінін көрсетеді. Бұл байланыстар модель нәтижелері мен сараптамалық білімге негізделген.

Барлық мәліметтер графтық құрылымда сақталғандықтан, пайдаланушылар ақпаратты оңай зерттей алады. Олар аймаққа ең қолайлы дақылды табу немесе климат пен топырақ жағдайларына байланысты тәуекелдерді түсіну үшін сұраулар жібере алады.

Растау және нәтижелер

Зерттеушілер модельді статистикалық көрсеткіштер мен симуляциялар арқылы сынады. Кластерлеу нәтижелері өте күшті болып, аймақтар арасындағы айқын бөлінуді көрсетті. Сыныптау нәтижелері де сенімді болып, барлық өнімділік сыныптары үшін дәлдік пен еске алу көрсеткіштері жақсы болды.

Білім графы жылдамдық пен құрылым жағынан жақсы нәтиже көрсетті. Сұраулар өте тез өңделіп, қажетті қатынастардың көпшілігі графта бар болды. Бұл жүйенің тиімді әрі жақсы жобаланғанын көрсетеді.

Кең ауқымды далалық тәжірибелер қымбат әрі көп уақытты талап ететіндіктен, зерттеушілер ресурстардың тиімділігін тексеру үшін модельдеуді қолданды. Олар дәстүрлі егіншілік әдістерін гибридті модель негізінде жүргізілген егіншілікпен салыстырды.

Нәтижелер өте үміттендірді. Модель ұсынымдарын пайдаланған фермалар 22 пайызға аз су қолданды. Тыңайтқыш шығындары 18 пайызға азайды. Бұл жетілдірулер өте маңызды, себебі су мен тыңайтқыш қымбат әрі шектеулі ресурстар.

Тұрақты ауыл шаруашылығының маңызы және шектеулері

Осы зерттеудің нәтижелері тұрақты ауыл шаруашылығына зор әсер етеді. Деректерді ақылды пайдалану арқылы фермерлер азық-түлікті көп өндіріп, ресурстарды аз пайдалана алады. Бұл қоршаған ортаны қорғауға және ауыл шаруашылығы шығындарын азайтуға көмектеседі.

Тағы бір маңызды артықшылығы – түсіндірілетіндігі. Білім графын пайдалану жүйені түсінуді жеңілдетеді. Шаруалар мен шешім қабылдаушылар кейбір ұсыныстардың неге жасалғанын көре алады. Бұл сенімді арттырады және жаңа технологияларды енгізуге ынталандырады.

Жүйе сондай-ақ масштабталатын сипатта. Зерттеу белгілі бір аймақтарға бағытталғанымен, бұл құрылымды басқа елдер мен дақылдарға да қолдануға болады. Көбірек деректер мен нақты уақыттағы сенсорлар арқылы жүйе одан да қуатты бола алады.

Нәтижелер үміт күттірсе де, зерттеудің бірнеше шектеулері бар. Валидацияның басым бөлігі симуляциялар арқылы жүргізілді. Нәтижелерді нақты егіншілік жағдайында растау үшін даладағы шынайы сынақтар қажет. Сонымен қатар, жүйеде әлі сенсорлардан алынған нақты уақыттағы деректер жоқ.

Болашақ зерттеулер нақты уақыттағы ауа райы мен топырақ деректерін қосуға бағытталуы мүмкін. Сондай-ақ фермерлердің шығындары мен пайдасын зерттеу үшін экономикалық талдауды қосуға болады. Қарапайым мобильді немесе веб-қосымшаларды әзірлеу фермерлерге жүйені оңай пайдалануға көмектеседі.

Қорытынды

Бұл зерттеу дәл ауыл шаруашылығына арналған мықты әрі практикалық тәсілді ұсынады. K-Means кластерлеу, Naive Bayes классификациясы және білім графтарының үйлесімі арқылы авторлар дәл, түсіндірілетін және пайдалы жүйені жасады. Гибридті модель болжамның дәлдігін арттырып, су мен тыңайтқыштарды қолдануды азайтуға көмектеседі.

Ең бастысы, білім графы нәтижелерді түсінуді және қолдануды жеңілдетеді. Бұл озық ауылшаруашылық технологияларын фермерлер мен шешім қабылдаушыларға қолжетімді етуге бағытталған үлкен қадам. Әрі қарай дамыту мен нақты жағдайда сынақтан өткізу арқылы бұл тәсіл тұрақты ауылшаруашылықты және жаһандық азық-түлік қауіпсіздігін қолдауда зор әлеуетке ие.

Дереккөз: Njama-Abang, O., Oladimeji, S., Eteng, I. E., & Emanuel, E. A. (2026). Синергетикалық интеллект: k-means, наивті Бейес және білім графтары негізіндегі дәл ауыл шаруашылығына арналған жаңа гибридтік модель. Нигерия Физикалық Ғылымдар Қоғамы журналы, 2929-2929.