Jak nowy hybrydowy model sztucznej inteligencji zwiększa zrównoważenie rolnictwa precyzyjnego

Rolnictwo z roku na rok staje się coraz trudniejsze. Liczba ludności na świecie szybko rośnie, ale powierzchnia gruntów rolnych nie rośnie. Jednocześnie zmiany klimatu wpływają na opady deszczu, temperaturę i stan gleby. Rolnicy borykają się obecnie z wieloma problemami, takimi jak niedobór wody, niska jakość gleby, nieprzewidywalna pogoda i rosnące koszty środków produkcji. Aby zaspokoić przyszłe zapotrzebowanie na żywność, produkcja żywności musi znacząco wzrosnąć. Badania sugerują, że globalna produkcja żywności może wzrosnąć o 25–70% do roku 2050. To ogromne wyzwanie, szczególnie dla krajów rozwijających się.

W ostatnich latach rolnictwo oparte na danych stało się skutecznym rozwiązaniem tych problemów. Nowoczesne gospodarstwa rolne generują ogromne ilości danych z wielu źródeł. Należą do nich badania gleby, dane pogodowe, zdjęcia satelitarne, dane dotyczące plonów i dane ekonomiczne. Prawidłowa analiza tych danych może pomóc rolnikom w podejmowaniu lepszych decyzji. Może pomóc im w wyborze odpowiednich upraw, efektywniejszym wykorzystaniu wody, zmniejszeniu strat nawozów i poprawie ogólnej produktywności.

Jednak wielu rolników nadal opiera się na tradycyjnych metodach rolniczych. Nawet przy zastosowaniu zaawansowanych technologii, takich jak uczenie maszynowe, wyniki są często trudne do zrozumienia. Większość modeli uczenia maszynowego działa jak “czarna skrzynka”. Dostarczają prognoz, ale nie wyjaśniają jasno, dlaczego są one formułowane. Utrudnia to rolnikom i decydentom zaufanie do wyników i ich wykorzystanie.

Dlaczego odkrywanie danych i wiedzy ma znaczenie w rolnictwie

Współczesne rolnictwo generuje ogromne ilości danych. Same te dane są bezużyteczne, jeśli nie zostaną odpowiednio przetworzone i przeanalizowane. Proces przekształcania surowych danych w użyteczne informacje nazywa się Odkrywaniem Wiedzy w Bazach Danych, często w skrócie KDD. Proces ten obejmuje kilka etapów, w tym selekcję danych, czyszczenie, transformację, analizę i interpretację.

Uczenie maszynowe odgrywa niezwykle ważną rolę w odkrywaniu wiedzy. Pomaga identyfikować wzorce, które człowiek może nie dostrzegać od razu. Na przykład, uczenie maszynowe może znaleźć zależności między opadami deszczu a plonami lub między rodzajem gleby a zapotrzebowaniem na nawozy. Wzorce te mogą pomóc rolnikom podejmować lepsze decyzje.

Istnieją różne rodzaje metod uczenia maszynowego. Uczenie nadzorowane wykorzystuje dane oznaczone do generowania prognoz. Uczenie nienadzorowane działa na danych nieoznaczonych i pomaga w znajdowaniu naturalnych grupowań lub wzorców. Każdy rodzaj ma swoje mocne i słabe strony. W rolnictwie dane są często złożone i pochodzą z wielu różnych źródeł. Utrudnia to skuteczne działanie pojedynczej metody.

Kolejnym wyzwaniem jest ogromna różnorodność danych rolniczych. Obejmują one liczby, mapy, obrazy i dane tekstowe. Tradycyjne modele uczenia maszynowego często mają trudności z sensownym łączeniem tych wszystkich typów danych. Właśnie tutaj idea połączenia uczenia maszynowego z grafami wiedzy staje się istotna.

Metody uczenia maszynowego wykorzystane w badaniu

Proponowany model wykorzystuje dwie główne techniki uczenia maszynowego: klasteryzację metodą k-średnich i klasyfikację Naive Bayes. Każda z metod służy innemu celowi w systemie.

Klastrowanie metodą K-średnich to metoda uczenia się bez nadzoru. Grupuje ona dane w klastry na podstawie podobieństwa. W niniejszym badaniu metoda K-średnich została wykorzystana do podziału regionów rolniczych na różne strefy agroklimatyczne. Strefy te są tworzone na podstawie danych takich jak opady deszczu, wilgotność gleby i temperatura. Regiony o podobnych warunkach środowiskowych są grupowane. Pomaga to zrozumieć, jak różne obszary zachowują się pod względem rolniczym.

Naiwny Bayes to metoda uczenia się z nadzorem stosowana w klasyfikacji. Przewiduje ona kategorie na podstawie prawdopodobieństwa. W niniejszym badaniu naiwny Bayes został wykorzystany do klasyfikowania produktywności upraw na różne poziomy, takie jak niski, średni i wysoki. Wykorzystuje on takie cechy, jak historia upraw, zużycie nawozów i warunki środowiskowe.

Kluczową ideą tych badań jest to, że wynik klasteryzacji metodą K-średnich nie jest wykorzystywany oddzielnie. Zamiast tego, informacje o klastrach są dodawane jako cecha wejściowa do klasyfikatora Naive Bayes. Tworzy to silny związek między tymi dwiema metodami. W rezultacie klasyfikacja staje się dokładniejsza, ponieważ uwzględnia teraz zarówno lokalne strefy środowiskowe, jak i dane dotyczące poszczególnych upraw.

Rola grafów wiedzy w rolnictwie

Graf wiedzy to sposób porządkowania informacji za pomocą węzłów i relacji. Węzły reprezentują takie elementy, jak uprawy, rodzaje gleby, strefy klimatyczne i środki produkcji rolnej. Relacje pokazują, jak te elementy są ze sobą powiązane. Na przykład, relacja może wskazywać, że dana uprawa nadaje się do danego rodzaju gleby lub że opady deszczu wpływają na plony.

W rolnictwie grafy wiedzy są bardzo przydatne, ponieważ systemy rolnicze są ze sobą ściśle powiązane. Gleba wpływa na uprawy, klimat na glebę, a praktyki rolnicze na oba te czynniki. Graf wiedzy pomaga przedstawić wszystkie te powiązania w przejrzysty i uporządkowany sposób.

W tym badaniu naukowcy wykorzystali Neo4j, popularną bazę danych grafowych, do zbudowania grafu wiedzy. Wyniki modeli uczenia maszynowego są przechowywane w grafie wiedzy. Pozwala to użytkownikom zadawać sensowne pytania, takie jak to, które uprawy są najlepsze dla danej strefy lub ile nawozu potrzeba do uprawy w określonych warunkach.

Graf wiedzy poprawia również interpretowalność. Zamiast po prostu wyświetlać prognozę, system może pokazać, jak ta prognoza jest powiązana z danymi dotyczącymi gleby, klimatu i upraw. Ułatwia to rolnikom i decydentom zaufanie do rekomendacji i korzystanie z nich.

Zbieranie i przygotowywanie danych

W badaniu wykorzystano dużą ilość danych zebranych z różnych wiarygodnych źródeł. Dane dotyczące produkcji rolnej, zużycia nawozów, handlu i dostaw żywności uzyskano z FAOSTAT. Dane klimatyczne, takie jak wzorce opadów, pochodzą z CHIRPS, a dane dotyczące wilgotności gleby z obrazów satelitarnych.

Dane obejmowały wiele lat i regionów. Pomogło to zapewnić, że model będzie w stanie obsłużyć zróżnicowane warunki rolnicze. Przed wykorzystaniem danych badacze starannie je oczyścili i przetworzyli. Brakujące wartości uzupełniono za pomocą wiarygodnych metod statystycznych. Aby uniknąć błędów, usunięto wartości odstające. Dane zostały również znormalizowane, aby umożliwić sprawiedliwe porównanie różnych zmiennych.

Na podstawie danych surowych utworzono kilka nowych wskaźników. Należały do nich wskaźnik zmienności opadów, wskaźnik stresu suszy oraz wskaźnik stabilności produktywności. Wskaźniki te pozwoliły uchwycić trendy długoterminowe, a nie zmiany krótkoterminowe.

Uwzględniono zarówno dane strukturalne, takie jak liczby i tabele, jak i dane niestrukturalne, takie jak zdjęcia satelitarne. Dzięki temu zbiór danych był bardzo bogaty i realistyczny.

Rozwój modelu hybrydowego

Model hybrydowy zbudowano krok po kroku. Najpierw zastosowano klasteryzację metodą K-średnich do danych środowiskowych. W ten sposób podzielono regiony na trzy główne strefy agroklimatyczne. Liczbę stref wybrano standardową metodą, która sprawdza, jak dobrze klastry są rozdzielone.

Następnie zastosowano klasyfikację Naive Bayes. Klasyfikator przewidział poziomy produktywności upraw. Istotną różnicą jest to, że informacje o strefie agroklimatycznej z metody K-Means zostały uwzględnione jako cecha wejściowa. Pozwoliło to klasyfikatorowi zrozumieć nie tylko dane dotyczące upraw, ale także kontekst środowiskowy.

Model hybrydowy wypadł lepiej niż modele indywidualne. Dokładność klasyfikacji osiągnęła 89%. Był to wynik wyższy niż w przypadku samodzielnych modeli Naive Bayes i Random Forest. Ta poprawa pokazuje, że połączenie uczenia bez nadzoru i z nadzorem może prowadzić do lepszych rezultatów.

Integracja z Grafem Wiedzy

Po przygotowaniu wyników uczenia maszynowego dodano je do grafu wiedzy. Strefy agroklimatyczne stały się węzłami na grafie. Uprawy, rodzaje gleby i środki produkcji, takie jak nawozy, również zostały przedstawione jako węzły. Utworzono relacje, aby pokazać, jak te elementy są ze sobą powiązane.

Na przykład, zależność może wskazywać, że dana strefa jest odpowiednia dla kukurydzy z dużym prawdopodobieństwem dobrych plonów. Inna zależność może wskazywać, że niskie pH gleby wymaga wapnowania. Zależności te opierały się zarówno na wynikach modeli, jak i na wiedzy ekspertów.

Ponieważ wszystko jest przechowywane w strukturze grafu, użytkownicy mogą łatwo przeglądać informacje. Mogą uruchamiać zapytania, aby znaleźć najlepsze uprawy dla danego regionu lub zrozumieć zagrożenia związane z warunkami klimatycznymi i glebowymi.

Walidacja i wyniki

Naukowcy przetestowali model, wykorzystując zarówno pomiary statystyczne, jak i symulacje. Wyniki klastrowania były bardzo wiarygodne, wykazując wyraźny podział między strefami. Wyniki klasyfikacji były również wiarygodne, charakteryzując się dobrą precyzją i trafnością dla wszystkich klas produktywności.

Graf wiedzy wypadł dobrze pod względem szybkości i struktury. Odpowiedzi na zapytania były udzielane bardzo szybko, a większość wymaganych relacji była widoczna na grafie. To pokazuje, że system jest wydajny i dobrze zaprojektowany.

Ponieważ eksperymenty terenowe na dużą skalę są kosztowne i czasochłonne, naukowcy wykorzystali symulacje do testowania efektywności wykorzystania zasobów. Porównali tradycyjne metody rolnicze z rolnictwem opartym na modelu hybrydowym.

Wyniki były bardzo zachęcające. Gospodarstwa stosujące zalecenia modelu zużyły o 22 procent mniej wody. Straty nawozów zmniejszyły się o 18 procent. Te ulepszenia są bardzo ważne, ponieważ woda i nawozy są drogie i mają ograniczone zasoby.

Znaczenie dla zrównoważonego rolnictwa i ograniczenia

Wyniki tego badania mają istotne implikacje dla zrównoważonego rolnictwa. Dzięki bardziej inteligentnemu wykorzystaniu danych rolnicy mogą produkować więcej żywności, zużywając mniej zasobów. Pomaga to chronić środowisko i obniża koszty rolnictwa.

Kolejną ważną korzyścią jest łatwość interpretacji. Wykorzystanie grafu wiedzy ułatwia zrozumienie systemu. Rolnicy i decydenci widzą, dlaczego formułowane są określone zalecenia. To zwiększa zaufanie i zachęca do wdrażania nowych technologii.

System jest również skalowalny. Chociaż badanie koncentrowało się na wybranych regionach, ramy można zastosować w innych krajach i uprawach. Dzięki większej ilości danych i czujnikom czasu rzeczywistego system może stać się jeszcze bardziej wydajny.

Choć wyniki są obiecujące, badanie ma pewne ograniczenia. Większość walidacji przeprowadzono za pomocą symulacji. Aby potwierdzić wyniki w rzeczywistych warunkach rolniczych, konieczne są rzeczywiste próby terenowe. System nie uwzględnia jeszcze danych z czujników w czasie rzeczywistym.

Przyszłe badania mogą koncentrować się na dodawaniu danych pogodowych i glebowych w czasie rzeczywistym. Można również uwzględnić analizę ekonomiczną, aby zbadać korzyści finansowe dla rolników. Opracowanie prostych aplikacji mobilnych lub internetowych może ułatwić rolnikom korzystanie z systemu.

Wniosek

Niniejsze badania prezentują solidne i praktyczne podejście do rolnictwa precyzyjnego. Łącząc klastering metodą K-średnich, klasyfikację Naive Bayesa i grafy wiedzy, autorzy stworzyli system, który jest dokładny, łatwy do interpretacji i użyteczny. Model hybrydowy poprawia dokładność prognoz i pomaga ograniczyć zużycie wody i nawozów.

Co najważniejsze, graf wiedzy ułatwia zrozumienie i zastosowanie wyników. To duży krok w kierunku udostępnienia rolnikom i decydentom zaawansowanych technologii rolniczych. Dzięki dalszemu rozwojowi i testowaniu w warunkach rzeczywistych, to podejście ma ogromny potencjał wspierania zrównoważonego rolnictwa i globalnego bezpieczeństwa żywnościowego.

Odniesienie: Njama-Abang, O., Oladimeji, S., Eteng, IE i Emanuel, EA (2026). Synergiczna inteligencja: nowatorski hybrydowy model rolnictwa precyzyjnego wykorzystujący metodę k-średnich, naiwny model Bayesa i grafy wiedzy. Journal of the Nigerian Society of Physical Sciences, 2929-2929.