Kā jauns mākslīgā intelekta hibrīdmodelis padara precīzo lauksaimniecību ilgtspējīgāku

Lauksaimniecība kļūst arvien grūtāka. Pasaules iedzīvotāju skaits strauji pieaug, bet lauksaimniecībai pieejamās zemes platība nepalielinās. Tajā pašā laikā klimata pārmaiņas ietekmē nokrišņu daudzumu, temperatūru un augsnes stāvokli. Lauksaimnieki tagad saskaras ar daudzām problēmām, piemēram, ūdens trūkumu, sliktu augsnes kvalitāti, neparedzamiem laikapstākļiem un pieaugošām izejvielu izmaksām. Lai apmierinātu nākotnes pārtikas pieprasījumu, pārtikas ražošana ir ievērojami jāpalielina. Pētījumi liecina, ka globālā pārtikas ražošana līdz 2050. gadam, iespējams, būs jāpalielina par 25 līdz 70 procentiem. Tas ir ļoti liels izaicinājums, īpaši jaunattīstības valstīm.

Pēdējos gados datu vadīta lauksaimniecība ir parādījusies kā spēcīgs risinājums šīm problēmām. Mūsdienu saimniecības ģenerē lielu datu apjomu no daudziem avotiem. Tie ietver augsnes testus, laika apstākļu reģistrus, satelītattēlus, ražas datus un ekonomiskos datus. Kad šie dati tiek pareizi analizēti, tie var palīdzēt lauksaimniekiem pieņemt labākus lēmumus. Tas var palīdzēt viņiem izvēlēties pareizās kultūras, efektīvāk izmantot ūdeni, samazināt mēslojuma atkritumus un uzlabot kopējo produktivitāti.

Tomēr daudzi lauksaimnieki joprojām paļaujas uz tradicionālajām lauksaimniecības metodēm. Pat tad, ja tiek izmantotas tādas progresīvas tehnoloģijas kā mašīnmācīšanās, rezultātus bieži vien ir grūti saprast. Lielākā daļa mašīnmācīšanās modeļu darbojas kā "melnā kaste". Tie sniedz prognozes, bet skaidri nepaskaidro, kāpēc šīs prognozes tiek sniegtas. Tas apgrūtina lauksaimniekiem un politikas veidotājiem uzticēties rezultātiem un tos izmantot.

Kāpēc datu un zināšanu atklāšana ir svarīga lauksaimniecībā

Mūsdienu lauksaimniecība rada milzīgu datu apjomu. Šie dati paši par sevi nav noderīgi, ja vien tie netiek pienācīgi apstrādāti un analizēti. Neapstrādātu datu pārvēršanas noderīgā informācijā procesu sauc par zināšanu atklāšanu datubāzēs, bieži saīsināti ZDD. Šis process ietver vairākus soļus, tostarp datu atlasi, tīrīšanu, pārveidošanu, analīzi un interpretāciju.

Mašīnmācīšanās spēlē ļoti svarīgu lomu zināšanu atklāšanā. Tā palīdz identificēt modeļus, ko cilvēki, iespējams, nevar viegli pamanīt. Piemēram, mašīnmācīšanās var atrast sakarības starp nokrišņiem un ražu vai starp augsnes tipu un mēslojuma nepieciešamību. Šie modeļi var palīdzēt lauksaimniekiem pieņemt labākus lēmumus.

Pastāv dažādi mašīnmācīšanās metožu veidi. Uzraudzīta mācīšanās izmanto marķētus datus, lai veiktu prognozes. Neuzraudzīta mācīšanās strādā ar nemarķētiem datiem un palīdz atrast dabiskas grupas vai modeļus. Katram veidam ir savas stiprās un vājās puses. Lauksaimniecībā dati bieži vien ir sarežģīti un nāk no daudziem dažādiem avotiem. Tas apgrūtina vienas metodes labu darbību atsevišķi.

Vēl viens izaicinājums ir tas, ka lauksaimniecības dati ir ļoti daudzveidīgi. Tie ietver skaitļus, kartes, attēlus un teksta datus. Tradicionālajiem mašīnmācīšanās modeļiem bieži vien ir grūtības apvienot visus šos datu veidus jēgpilnā veidā. Šeit svarīga kļūst ideja par mašīnmācīšanās apvienošanu ar zināšanu grafikiem.

Pētījumā izmantotās mašīnmācīšanās metodes

Piedāvātajā modelī tiek izmantotas divas galvenās mašīnmācīšanās metodes: K-vidējo klasterizācija un Naivā Bajesa klasifikācija. Katra metode sistēmā kalpo citam mērķim.

K-Means klasterizācija ir nekontrolēta mācīšanās metode. Tā grupē datus klasteros, pamatojoties uz līdzību. Šajā pētījumā K-Means tiek izmantota, lai lauksaimniecības reģionus sadalītu dažādās agroklimatiskajās zonās. Šīs zonas tiek izveidotas, izmantojot tādus datus kā nokrišņi, augsnes mitrums un temperatūra. Reģioni ar līdzīgiem vides apstākļiem tiek grupēti kopā. Tas palīdz izprast, kā dažādas teritorijas uzvedas lauksaimniecības ziņā.

Naivā Bajesa metode ir uzraudzīta mācīšanās metode, ko izmanto klasifikācijai. Tā paredz kategorijas, pamatojoties uz varbūtību. Šajā pētījumā Naivā Bajesa metode tiek izmantota, lai klasificētu kultūraugu produktivitāti dažādos līmeņos, piemēram, zemā, vidējā un augstā. Tā izmanto tādus rādītājus kā kultūraugu vēsture, mēslošanas līdzekļu izmantošana un vides apstākļi.

Šī pētījuma galvenā ideja ir tāda, ka K-vidējo klasterizācijas rezultāti netiek izmantoti atsevišķi. Tā vietā klastera informācija tiek pievienota kā ievades elements Naivā Bajesa klasifikatoram. Tas rada spēcīgu saikni starp abām metodēm. Rezultātā klasifikācija kļūst precīzāka, jo tagad tā ņem vērā gan vietējās vides zonas, gan kultūraugiem raksturīgos datus.

Zināšanu grafu loma lauksaimniecībā

Zināšanu grafs ir veids, kā organizēt informāciju, izmantojot mezglus un attiecības. Mezgli attēlo tādus elementus kā kultūraugi, augsnes tipi, klimata zonas un lauksaimniecības izejvielas. Attiecības parāda, kā šīs lietas ir saistītas. Piemēram, attiecības var parādīt, ka konkrēta kultūraugs ir piemērots konkrētam augsnes tipam vai ka nokrišņi ietekmē kultūraugu ražu.

Lauksaimniecībā zināšanu grafiki ir ļoti noderīgi, jo lauksaimniecības sistēmas ir ļoti savstarpēji saistītas. Augsne ietekmē kultūraugus, klimats ietekmē augsni, un lauksaimniecības prakse ietekmē abus. Zināšanu grafiks palīdz skaidri un strukturēti attēlot visas šīs saiknes.

Šajā pētījumā pētnieki izmantoja populāru grafu datubāzi Neo4j, lai izveidotu zināšanu grafu. Mašīnmācīšanās modeļu rezultāti tiek glabāti zināšanu grafā. Tas ļauj lietotājiem uzdot jēgpilnus jautājumus, piemēram, kuras kultūras ir vislabākās konkrētai zonai vai cik daudz mēslojuma ir nepieciešams kultūrai noteiktos apstākļos.

Zināšanu grafiks arī uzlabo interpretējamību. Sistēma var ne tikai parādīt prognozi, bet arī to, kā šī prognoze ir saistīta ar augsnes, klimata un kultūraugu datiem. Tas lauksaimniekiem un lēmumu pieņēmējiem atvieglo ieteikumu uzticēšanos un izmantošanu.

Datu vākšana un sagatavošana

Pētījumā tika izmantots liels datu apjoms, kas savākts no dažādiem uzticamiem avotiem. Augkopības dati, mēslošanas līdzekļu izmantošanas dati, tirdzniecības dati un pārtikas piegādes dati tika iegūti no FAOSTAT. Klimata dati, piemēram, nokrišņu daudzums, tika iegūti no CHIRPS, savukārt augsnes mitruma dati tika iegūti no satelītattēliem.

Dati aptvēra daudzus gadus un vairākus reģionus. Tas palīdzēja nodrošināt, ka modelis varētu apstrādāt dažādus lauksaimniecības apstākļus. Pirms datu izmantošanas pētnieki tos rūpīgi attīrīja un apstrādāja. Trūkstošās vērtības tika aizpildītas, izmantojot uzticamas statistikas metodes. Lai izvairītos no kļūdām, tika noņemtas novirzes. Dati tika arī normalizēti, lai dažādus mainīgos varētu godīgi salīdzināt.

No neapstrādātiem datiem tika izveidoti daži jauni rādītāji. Tie ietvēra nokrišņu mainīguma indeksu, sausuma stresa indeksu un produktivitātes stabilitātes indeksu. Šie rādītāji palīdzēja uztvert ilgtermiņa tendences, nevis īstermiņa izmaiņas.

Tika iekļauti gan strukturēti dati, piemēram, skaitļi un tabulas, gan nestrukturēti dati, piemēram, satelītattēli. Tas padarīja datu kopu ļoti bagātīgu un reālistisku.

Hibrīda modeļa izstrāde

Hibrīda modelis tika veidots soli pa solim. Vispirms vides datiem tika piemērota K-vidējo vērtību klasterizācija. Tādējādi reģioni tika sadalīti trīs galvenajās agroklimatiskajās zonās. Zonu skaits tika izvēlēts, izmantojot standarta metodi, kas pārbauda, cik labi klasteri ir atdalīti.

Pēc tam tika piemērota Naivā Bajesa klasifikācija. Klasifikators prognozēja kultūraugu ražības līmeņus. Svarīgā atšķirība šeit ir tā, ka K-vidējo metožu agroklimatisko zonu informācija tika iekļauta kā ievades funkcija. Tas ļāva klasifikatoram izprast ne tikai kultūraugu datus, bet arī vides kontekstu.

Hibrīda modelis darbojās labāk nekā atsevišķi modeļi. Klasifikācijas precizitāte sasniedza 89 procentus. Tas bija augstāks rādītājs nekā atsevišķu Naivā Beijesa un Random Forest modeļu precizitāte. Šis uzlabojums parāda, ka neuzraudzītas un uzraudzītas mācīšanās apvienošana var dot labākus rezultātus.

Integrācija ar zināšanu grafiku

Kad mašīnmācīšanās rezultāti bija gatavi, tie tika pievienoti zināšanu grafikam. Agroklimatiskās zonas kļuva par grafika mezgliem. Kultūraugi, augsnes veidi un izejvielas, piemēram, mēslošanas līdzekļi, arī tika attēlotas kā mezgli. Tika izveidotas attiecības, lai parādītu, kā šie elementi ir saistīti.

Piemēram, viena sakarība varētu parādīt, ka noteikta zona ir piemērota kukurūzai ar lielu labas ražas varbūtību. Cita sakarība varētu parādīt, ka zems augsnes pH līmenis prasa kaļķa lietošanu. Šīs sakarības tika balstītas gan uz modeļa rezultātiem, gan ekspertu zināšanām.

Tā kā viss tiek glabāts grafu struktūrā, lietotāji var viegli izpētīt informāciju. Viņi var veikt vaicājumus, lai atrastu reģionam labāko kultūraugu vai izprastu ar klimatu un augsnes apstākļiem saistītos riskus.

Validācija un rezultāti

Pētnieki testēja modeli, izmantojot gan statistiskos mērījumus, gan simulācijas. Klasterizācijas rezultāti bija ļoti spēcīgi, parādot skaidru zonu atdalīšanu. Klasifikācijas rezultāti bija arī ticami, ar labu precizitāti un atcerēšanās vērtībām visās produktivitātes klasēs.

Zināšanu grafs darbojās labi ātruma un struktūras ziņā. Uz vaicājumiem tika atbildēts ļoti ātri, un grafā bija redzamas lielākā daļa nepieciešamo relāciju. Tas liecina, ka sistēma ir efektīva un labi izstrādāta.

Tā kā liela mēroga lauka eksperimenti ir dārgi un laikietilpīgi, pētnieki izmantoja simulācijas, lai pārbaudītu resursu efektivitāti. Viņi salīdzināja tradicionālās lauksaimniecības metodes ar lauksaimniecību, kuras pamatā ir hibrīdmodelis.

Rezultāti bija ļoti iepriecinoši. Saimniecības, kas izmantoja modeļa ieteikumus, izmantoja par 22 procentiem mazāk ūdens. Mēslojuma atkritumi samazinājās par 18 procentiem. Šie uzlabojumi ir ļoti svarīgi, jo ūdens un mēslojums ir dārgi un ierobežoti resursi.

Ilgtspējīgas lauksaimniecības nozīme un ierobežojumi

Šī pētījuma rezultātiem ir būtiska ietekme uz ilgtspējīgu lauksaimniecību. Izmantojot datus saprātīgāk, lauksaimnieki var saražot vairāk pārtikas, izmantojot mazāk resursu. Tas palīdz aizsargāt vidi un samazina lauksaimniecības izmaksas.

Vēl viena svarīga priekšrocība ir interpretējamība. Zināšanu grafika izmantošana padara sistēmu vieglāk saprotamu. Lauksaimnieki un politikas veidotāji var redzēt, kāpēc tiek sniegti konkrēti ieteikumi. Tas palielina uzticēšanos un veicina jaunu tehnoloģiju ieviešanu.

Sistēma ir arī mērogojama. Lai gan pētījums koncentrējās uz noteiktiem reģioniem, sistēmu var piemērot arī citām valstīm un kultūraugiem. Ar lielāku datu apjomu un reāllaika sensoriem sistēma var kļūt vēl jaudīgāka.

Lai gan rezultāti ir daudzsološi, pētījumam ir daži ierobežojumi. Lielākā daļa validācijas tika veikta, izmantojot simulācijas. Lai apstiprinātu rezultātus faktiskajos lauksaimniecības apstākļos, ir nepieciešami reāli lauka izmēģinājumi. Sistēma arī vēl neietver reāllaika datus no sensoriem.

Turpmākie pētījumi var koncentrēties uz reāllaika laika apstākļu un augsnes datu pievienošanu. Var iekļaut arī ekonomisko analīzi, lai izpētītu izmaksu ieguvumus lauksaimniekiem. Vienkāršu mobilo vai tīmekļa lietojumprogrammu izstrāde var palīdzēt lauksaimniekiem viegli izmantot sistēmu.

Secinājums

Šis pētījums piedāvā spēcīgu un praktisku pieeju precīzajai lauksaimniecībai. Apvienojot K-vidējo klasterizāciju, Naivā Bajesa klasifikāciju un zināšanu grafikus, autori izveidoja sistēmu, kas ir precīza, interpretējama un noderīga. Hibrīda modelis uzlabo prognozēšanas precizitāti un palīdz samazināt ūdens un mēslojuma patēriņu.

Vissvarīgākais ir tas, ka zināšanu grafiks padara rezultātus viegli saprotamus un pielietojamus. Tas ir liels solis ceļā uz progresīvu lauksaimniecības tehnoloģiju pieejamību lauksaimniekiem un lēmumu pieņēmējiem. Ar turpmāku attīstību un testēšanu reālajā pasaulē šai pieejai ir liels potenciāls atbalstīt ilgtspējīgu lauksaimniecību un globālo pārtikas nodrošinājumu.

AtsauceNjama-Abang, O., Oladimeji, S., Eteng, IE, un Emanuel, EA (2026). Sinerģiskais intelekts: jauns hibrīdmodelis precīzajai lauksaimniecībai, izmantojot k-vidējos, naivo Bajesa teoriju un zināšanu grafikus. Nigērijas Fizikālo zinātņu biedrības žurnāls, 2929.–2929. lpp.