Как новая гибридная модель ИИ делает точное земледелие более устойчивым

Сельское хозяйство с каждым годом становится все сложнее. Население планеты быстро растет, но количество земель, доступных для земледелия, не увеличивается. В то же время изменение климата влияет на количество осадков, температуру и состояние почвы. Теперь фермеры сталкиваются со многими проблемами, такими как нехватка воды, плохое качество почвы, непредсказуемая погода и растущие затраты на производство. Чтобы удовлетворить будущий спрос на продовольствие, необходимо значительно увеличить производство продуктов питания. Исследования показывают, что к 2050 году мировое производство продовольствия должно увеличиться на 25-70%. Это очень большая проблема, особенно для развивающихся стран.

В последние годы сельское хозяйство, управляемое данными, стало надежным решением этих проблем. Современные фермы генерируют большие объемы данных из многих источников. Это и почвенные тесты, и погодные данные, и спутниковые снимки, и данные об урожайности, и экономические данные. При правильном анализе эти данные могут помочь фермерам принимать более эффективные решения. Это поможет им выбрать правильные культуры, более эффективно использовать воду, сократить потери удобрений и повысить общую производительность.

Однако многие фермеры по-прежнему полагаются на традиционные методы ведения сельского хозяйства. Даже при использовании передовых технологий, таких как машинное обучение, результаты зачастую трудно понять. Большинство моделей машинного обучения работают как “черный ящик”. Они дают прогнозы, но не объясняют, почему эти прогнозы сделаны. Поэтому фермерам и политикам сложно доверять полученным результатам и использовать их.

Почему данные и обнаружение знаний важны в сельском хозяйстве

Современное сельское хозяйство производит огромное количество данных. Эти данные сами по себе бесполезны, если их не обработать и не проанализировать должным образом. Процесс превращения необработанных данных в полезную информацию называется Knowledge Discovery in Databases, часто сокращенно KDD. Этот процесс включает в себя несколько этапов, в том числе отбор, очистку, преобразование, анализ и интерпретацию данных.

Машинное обучение играет очень важную роль в раскрытии знаний. Оно помогает выявить закономерности, которые человеку нелегко заметить. Например, машинное обучение может найти взаимосвязь между количеством осадков и урожайностью или между типом почвы и потребностью в удобрениях. Эти закономерности могут помочь фермерам принимать более правильные решения.

Существуют различные типы методов машинного обучения. Контролируемое обучение использует помеченные данные для составления прогнозов. Неконтролируемое обучение работает с неразмеченными данными и помогает найти естественные группировки или закономерности. У каждого типа есть свои сильные и слабые стороны. В сельском хозяйстве данные часто бывают сложными и поступают из разных источников. Это затрудняет работу одного метода в отдельности.

Еще одна проблема заключается в том, что сельскохозяйственные данные очень разнообразны. Они включают в себя цифры, карты, изображения и текстовые данные. Традиционным моделям машинного обучения часто бывает сложно объединить все эти типы данных в осмысленном виде. Именно здесь становится актуальной идея объединения машинного обучения с графами знаний.

Методы машинного обучения, использованные в исследовании

В предложенной модели используются два основных метода машинного обучения: кластеризация K-Means и классификация Naive Bayes. Каждый метод служит для разных целей в системе.

Кластеризация K-Means - это метод обучения без контроля. Он группирует данные в кластеры на основе сходства. В данном исследовании K-Means используется для разделения сельскохозяйственных регионов на различные агроклиматические зоны. Эти зоны создаются на основе таких данных, как количество осадков, влажность почвы и температура. Регионы со схожими экологическими условиями объединяются в группы. Это помогает понять, как ведут себя различные районы с точки зрения сельского хозяйства.

Naive Bayes - это метод контролируемого обучения, используемый для классификации. Он предсказывает категории на основе вероятности. В данном исследовании Naive Bayes используется для классификации продуктивности культур на различные уровни, такие как низкий, средний и высокий. Он использует такие характеристики, как история урожая, использование удобрений и условия окружающей среды.

Ключевая идея данного исследования заключается в том, что результаты кластеризации K-Means не используются отдельно. Вместо этого информация о кластере добавляется в качестве входного признака в классификатор Naive Bayes. Это создает тесную связь между двумя методами. В результате классификация становится более точной, поскольку теперь она учитывает как местные экологические зоны, так и данные по конкретным культурам.

Роль графиков знаний в сельском хозяйстве

Граф знаний - это способ организации информации с помощью узлов и связей. Узлы представляют такие вещи, как культуры, типы почв, климатические зоны и сельскохозяйственные ресурсы. Отношения показывают, как эти вещи связаны между собой. Например, связь может показать, что определенная культура подходит для определенного типа почвы или что количество осадков влияет на урожайность.

В сельском хозяйстве графы знаний очень полезны, поскольку системы земледелия очень взаимосвязаны. Почва влияет на урожай, климат - на почву, а методы ведения сельского хозяйства - на то и другое. Граф знаний помогает представить все эти связи в ясной и структурированной форме.

В данном исследовании для построения графа знаний использовалась Neo4j, популярная база данных графов. Результаты, полученные с помощью моделей машинного обучения, хранятся в графе знаний. Это позволяет пользователям задавать осмысленные вопросы, например, какие культуры лучше всего подходят для определенной зоны или какое количество удобрений необходимо для той или иной культуры в определенных условиях.

Граф знаний также улучшает интерпретируемость. Вместо того чтобы просто показывать прогноз, система может показать, как этот прогноз связан с данными о почве, климате и урожае. Таким образом, фермерам и лицам, принимающим решения, легче доверять рекомендациям и использовать их.

Сбор и подготовка данных

В исследовании использовался большой объем данных, собранных из различных надежных источников. Данные о производстве сельскохозяйственных культур, использовании удобрений, торговле и поставках продовольствия были получены из FAOSTAT. Климатические данные, например, данные о количестве осадков, были получены из CHIRPS, а данные о влажности почвы - из спутниковых снимков.

Данные охватывают многие годы и несколько регионов. Это позволило убедиться, что модель может работать в различных сельскохозяйственных условиях. Прежде чем использовать данные, исследователи тщательно очистили и обработали их. Недостающие значения восполнялись с помощью надежных статистических методов. Выбросы удалялись во избежание ошибок. Данные также были нормализованы, чтобы можно было корректно сравнивать различные переменные.

На основе исходных данных были созданы некоторые новые показатели. К ним относятся индекс изменчивости осадков, индекс стресса от засухи и индекс стабильности продуктивности. Эти показатели помогли отразить долгосрочные тенденции, а не краткосрочные изменения.

Были включены как структурированные данные, такие как цифры и таблицы, так и неструктурированные, например спутниковые снимки. Это сделало набор данных очень богатым и реалистичным.

Разработка гибридной модели

Гибридная модель строилась шаг за шагом. Сначала к экологическим данным была применена кластеризация по методу K-Means. В результате регионы были разделены на три основные агроклиматические зоны. Количество зон было выбрано с помощью стандартного метода, который проверяет, насколько хорошо разделяются кластеры.

Затем была применена классификация Naive Bayes. Классификатор предсказал уровень продуктивности культур. Важным отличием здесь является то, что информация об агроклиматической зоне из K-Means была включена в качестве входного признака. Это позволило классификатору понять не только данные о сельскохозяйственных культурах, но и экологический контекст.

Гибридная модель показала лучшие результаты, чем отдельные модели. Точность классификации достигла 89 %. Это выше, чем точность отдельных моделей Naive Bayes и Random Forest. Такое улучшение показывает, что сочетание неконтролируемого и контролируемого обучения может привести к лучшим результатам.

Интеграция с Графом знаний

После того как результаты машинного обучения были готовы, они были добавлены в граф знаний. Узлами графа стали агроклиматические зоны. Культуры, типы почв и такие факторы производства, как удобрения, также были представлены в виде узлов. Чтобы показать, как связаны эти элементы, были созданы отношения.

Например, взаимосвязь может показать, что определенная зона подходит для выращивания кукурузы с высокой вероятностью получения хорошего урожая. Другая взаимосвязь может показать, что низкий уровень pH почвы требует внесения извести. Эти взаимосвязи были основаны как на результатах моделирования, так и на экспертных знаниях.

Поскольку все данные хранятся в виде графов, пользователи могут легко изучать информацию. Они могут выполнять запросы, чтобы найти лучшую культуру для того или иного региона или понять риски, связанные с климатом и почвенными условиями.

Валидация и результаты

Исследователи проверили модель, используя как статистические показатели, так и имитационное моделирование. Результаты кластеризации были очень сильными и показали четкое разделение между зонами. Результаты классификации также были надежными, с хорошими показателями точности и запоминания для всех классов продуктивности.

Граф знаний показал хорошие результаты с точки зрения скорости и структуры. Ответы на запросы были получены очень быстро, и большинство необходимых связей присутствовало в графе. Это говорит о том, что система эффективна и хорошо продумана.

Поскольку масштабные полевые эксперименты дороги и требуют много времени, исследователи использовали моделирование для проверки эффективности использования ресурсов. Они сравнили традиционные методы земледелия с земледелием, основанным на гибридной модели.

Результаты оказались весьма обнадеживающими. Фермы, использующие рекомендации модели, использовали на 22 процента меньше воды. Отходы удобрений сократились на 18 процентов. Эти улучшения очень важны, поскольку вода и удобрения - дорогостоящие и ограниченные ресурсы.

Значение для устойчивого сельского хозяйства и ограничения

Результаты этого исследования имеют большое значение для устойчивого развития сельского хозяйства. Благодаря более разумному использованию данных фермеры смогут производить больше продовольствия, используя при этом меньше ресурсов. Это поможет защитить окружающую среду и снизить затраты на ведение сельского хозяйства.

Еще одно важное преимущество - интерпретируемость. Использование графа знаний делает систему более понятной. Фермеры и политики могут понять, почему даны те или иные рекомендации. Это повышает доверие и стимулирует внедрение новых технологий.

Система также является масштабируемой. Хотя исследование было сосредоточено на определенных регионах, систему можно применить к другим странам и культурам. При наличии большего количества данных и датчиков реального времени система может стать еще более мощной.

Несмотря на многообещающие результаты, исследование имеет ряд ограничений. Большая часть проверки была проведена с помощью моделирования. Для подтверждения результатов в реальных сельскохозяйственных условиях необходимы реальные полевые испытания. Кроме того, система пока не включает данные с датчиков в режиме реального времени.

Будущие исследования могут быть направлены на добавление данных о погоде и почве в режиме реального времени. Можно также включить экономический анализ, чтобы изучить выгоду для фермеров. Разработка простых мобильных или веб-приложений может помочь фермерам легко использовать систему.

Заключение

Данное исследование представляет собой мощный и практичный подход к точному земледелию. Объединив кластеризацию K-Means, классификацию Naive Bayes и графы знаний, авторы создали систему, которая является точной, интерпретируемой и полезной. Гибридная модель повышает точность прогнозирования и помогает сократить расход воды и удобрений.

Самое главное, что граф знаний позволяет легко понять и применить полученные результаты. Это большой шаг к тому, чтобы сделать передовые сельскохозяйственные технологии доступными для фермеров и лиц, принимающих решения. При дальнейшем развитии и тестировании в реальных условиях этот подход имеет большой потенциал для поддержки устойчивого сельского хозяйства и глобальной продовольственной безопасности.

Ссылка: Njama-Abang, O., Oladimeji, S., Eteng, I. E., & Emanuel, E. A. (2026). Синергетический интеллект: новая гибридная модель для точного земледелия с использованием k-means, наивного Байеса и графов знаний. Журнал Нигерийского общества физических наук, 2929-2929.