Kako nov hibridni model umetne inteligence omogoča bolj trajnostno precizno kmetijstvo

Kmetijstvo postaja vsako leto težje. Svetovno prebivalstvo hitro narašča, vendar se količina zemlje, ki je na voljo za kmetovanje, ne povečuje. Hkrati podnebne spremembe vplivajo na količino padavin, temperaturo in stanje tal. Kmetje se zdaj soočajo s številnimi težavami, kot so pomanjkanje vode, slaba kakovost tal, nepredvidljivo vreme in naraščajoči stroški vložkov. Da bi zadostili prihodnjemu povpraševanju po hrani, se mora proizvodnja hrane močno povečati. Študije kažejo, da se bo svetovna proizvodnja hrane do leta 2050 morda morala povečati za 25 do 70 odstotkov. To je zelo velik izziv, zlasti za države v razvoju.

V zadnjih letih se je podatkovno vodeno kmetijstvo izkazalo kot močna rešitev za te težave. Sodobne kmetije ustvarjajo velike količine podatkov iz številnih virov. Mednje spadajo testi tal, vremenski podatki, satelitski posnetki, podatki o pridelkih in ekonomski podatki. Ko so ti podatki pravilno analizirani, lahko kmetom pomagajo pri sprejemanju boljših odločitev. Pomagajo jim lahko pri izbiri pravih pridelkov, učinkovitejši uporabi vode, zmanjšanju porabe gnojil in izboljšanju splošne produktivnosti.

Vendar se mnogi kmetje še vedno zanašajo na tradicionalne kmetijske metode. Tudi ko se uporabljajo napredne tehnologije, kot je strojno učenje, so rezultati pogosto težko razumljivi. Večina modelov strojnega učenja deluje kot “črna skrinjica”. Dajejo napovedi, vendar ne pojasnijo jasno, zakaj so te napovedi podane. Zaradi tega kmetje in oblikovalci politik težko zaupajo rezultatom in jih uporabljajo.

Zakaj so podatki in odkrivanje znanja pomembni v kmetijstvu

Sodobno kmetijstvo proizvaja ogromno količino podatkov. Ti podatki sami po sebi niso uporabni, če niso pravilno obdelani in analizirani. Postopek pretvorbe surovih podatkov v uporabne informacije se imenuje odkrivanje znanja v podatkovnih bazah, pogosto skrajšano KDD. Ta postopek vključuje več korakov, vključno z izbiro podatkov, čiščenjem, transformacijo, analizo in interpretacijo.

Strojno učenje igra zelo pomembno vlogo pri odkrivanju znanja. Pomaga prepoznati vzorce, ki jih ljudje morda ne vidijo zlahka. Strojno učenje lahko na primer najde povezave med količino padavin in donosom poljščin ali med vrsto tal in potrebami po gnojilih. Ti vzorci lahko kmetom pomagajo pri sprejemanju boljših odločitev.

Obstajajo različne vrste metod strojnega učenja. Nadzorovano učenje uporablja označene podatke za napovedovanje. Nenadzorovano učenje deluje z neoznačenimi podatki in pomaga najti naravne skupine ali vzorce. Vsaka vrsta ima svoje prednosti in slabosti. V kmetijstvu so podatki pogosto kompleksni in prihajajo iz številnih različnih virov. Zaradi tega je težko, da bi ena sama metoda sama po sebi dobro delovala.

Drug izziv je, da so kmetijski podatki zelo raznoliki. Vključujejo številke, zemljevide, slike in besedilne podatke. Tradicionalni modeli strojnega učenja se pogosto težko smiselno združujejo vse te vrste podatkov. Tukaj postane pomembna ideja o kombiniranju strojnega učenja z grafi znanja.

Metode strojnega učenja, uporabljene v študiji

Predlagani model uporablja dve glavni tehniki strojnega učenja: združevanje K-Means in naivno Bayesovo klasifikacijo. Vsaka metoda v sistemu služi drugačnemu namenu.

Združevanje K-Means je metoda nenadzorovanega učenja. Podatke združuje v skupine na podlagi podobnosti. V tej študiji se K-Means uporablja za razdelitev kmetijskih regij v različne agroklimatske cone. Te cone so ustvarjene z uporabo podatkov, kot so padavine, vlažnost tal in temperatura. Regije s podobnimi okoljskimi pogoji so združene. To pomaga razumeti, kako se različna območja obnašajo v kmetijstvu.

Naivni Bayesov test je metoda nadzorovanega učenja, ki se uporablja za klasifikacijo. Napoveduje kategorije na podlagi verjetnosti. V tej študiji se naivni Bayesov test uporablja za razvrščanje produktivnosti poljščin v različne ravni, kot so nizka, srednja in visoka. Uporablja značilnosti, kot so zgodovina pridelka, uporaba gnojil in okoljski pogoji.

Ključna ideja te raziskave je, da se izhodni podatki gručenja K-Means ne uporabljajo ločeno. Namesto tega se podatki o gručah dodajo kot vhodna značilnost naivnemu Bayesovemu klasifikatorju. To ustvarja močno povezavo med obema metodama. Posledično postane klasifikacija natančnejša, ker zdaj upošteva tako lokalna okoljska območja kot podatke, specifične za pridelke.

Vloga grafov znanja v kmetijstvu

Graf znanja je način organiziranja informacij z uporabo vozlišč in odnosov. Vozlišča predstavljajo stvari, kot so pridelki, vrste tal, podnebna območja in kmetijski vložki. Odnosi kažejo, kako so ti elementi povezani. Odnos lahko na primer pokaže, da je določen pridelek primeren za določeno vrsto tal ali da padavine vplivajo na pridelek.

V kmetijstvu so grafi znanja zelo uporabni, ker so kmetijski sistemi zelo medsebojno povezani. Tla vplivajo na pridelke, podnebje vpliva na tla in kmetijske prakse vplivajo na oboje. Graf znanja pomaga predstaviti vse te povezave na jasen in strukturiran način.

V tej študiji so raziskovalci za izdelavo grafa znanja uporabili Neo4j, priljubljeno podatkovno bazo grafov. Rezultati modelov strojnega učenja so shranjeni v grafu znanja. To uporabnikom omogoča, da postavljajo smiselna vprašanja, kot so kateri pridelki so najboljši za določeno območje ali koliko gnojila je potrebno za pridelek v določenih pogojih.

Graf znanja izboljša tudi interpretabilnost. Namesto da bi sistem prikazal le napoved, lahko pokaže, kako je ta napoved povezana s podatki o tleh, podnebju in pridelkih. To kmetom in odločevalcem olajša zaupanje v priporočila in njihovo uporabo.

Zbiranje in priprava podatkov

V študiji je bila uporabljena velika količina podatkov, zbranih iz različnih zanesljivih virov. Podatki o pridelavi poljščin, uporabi gnojil, trgovini in oskrbi s hrano so bili pridobljeni iz FAOSTAT-a. Podatki o podnebju, kot so vzorci padavin, so bili pridobljeni iz CHIRPS-a, podatki o vlažnosti tal pa iz satelitskih posnetkov.

Podatki so zajemali več let in več regij. To je pomagalo zagotoviti, da lahko model obravnava različne kmetijske razmere. Pred uporabo so raziskovalci podatke skrbno očistili in obdelali. Manjkajoče vrednosti so bile dopolnjene z zanesljivimi statističnimi metodami. Izstopajoče vrednosti so bile odstranjene, da bi se izognili napakam. Podatki so bili tudi normalizirani, da bi bilo mogoče različne spremenljivke pošteno primerjati.

Iz surovih podatkov so bili ustvarjeni nekateri novi kazalniki. Med njimi so bili indeks spremenljivosti padavin, indeks stresa zaradi suše in indeks stabilnosti produktivnosti. Ti kazalniki so pomagali zajeti dolgoročne trende in ne kratkoročnih sprememb.

Vključeni so bili tako strukturirani podatki, kot so številke in tabele, kot nestrukturirani podatki, kot so satelitski posnetki. Zaradi tega je bil nabor podatkov zelo bogat in realističen.

Razvoj hibridnega modela

Hibridni model je bil zgrajen korak za korakom. Najprej je bilo na okoljske podatke uporabljeno združevanje K-Means. To je regije razdelilo v tri glavne agroklimatske cone. Število con je bilo izbrano s standardno metodo, ki preverja, kako dobro so skupine ločene.

Nato je bila uporabljena naivna Bayesova klasifikacija. Klasifikator je napovedal ravni produktivnosti pridelkov. Pomembna razlika je v tem, da so bili podatki o agroklimatskih območjih iz K-Means vključeni kot vhodna značilnost. To je klasifikatorju omogočilo razumevanje ne le podatkov o pridelkih, temveč tudi okoljski kontekst.

Hibridni model se je odrezal bolje kot posamezni modeli. Natančnost klasifikacije je dosegla 89 odstotkov. To je bilo več kot natančnost samostojnih modelov Naive Bayes in Random Forest. Ta izboljšava kaže, da lahko kombinacija nenadzorovanega in nadzorovanega učenja privede do boljših rezultatov.

Integracija z grafom znanja

Ko so bili rezultati strojnega učenja pripravljeni, so bili dodani v graf znanja. Agroklimatska območja so postala vozlišča v grafu. Pridelki, vrste tal in vložki, kot so gnojila, so bili prav tako predstavljeni kot vozlišča. Ustvarjeni so bili odnosi, ki prikazujejo, kako so ti elementi povezani.

Na primer, razmerje bi lahko pokazalo, da je določeno območje primerno za koruzo z veliko verjetnostjo dobrega pridelka. Drugo razmerje bi lahko pokazalo, da nizek pH tal zahteva uporabo apna. Ta razmerja so temeljila tako na rezultatih modela kot na strokovnem znanju.

Ker je vse shranjeno v grafični strukturi, lahko uporabniki preprosto raziskujejo informacije. Lahko izvajajo poizvedbe, da bi našli najboljši pridelek za določeno regijo ali razumeli tveganja, povezana s podnebnimi in talnimi razmerami.

Validacija in rezultati

Raziskovalci so model preizkusili z uporabo statističnih meritev in simulacij. Rezultati združevanja v skupine so bili zelo močni in so pokazali jasno ločitev med območji. Rezultati klasifikacije so bili tudi zanesljivi, z dobro natančnostjo in vrednostmi priklica za vse razrede produktivnosti.

Graf znanja se je dobro odrezal glede hitrosti in strukture. Na poizvedbe so bili odgovori zelo hitro, večina zahtevanih povezav pa je bila prisotnih v grafu. To kaže, da je sistem učinkovit in dobro zasnovan.

Ker so obsežni terenski poskusi dragi in dolgotrajni, so raziskovalci za preverjanje učinkovitosti rabe virov uporabili simulacije. Tradicionalne kmetijske metode so primerjali s kmetovanjem, ki ga vodi hibridni model.

Rezultati so bili zelo spodbudni. Kmetije, ki so uporabljale priporočila modela, so porabile 22 odstotkov manj vode. Poraba gnojil se je zmanjšala za 18 odstotkov. Te izboljšave so zelo pomembne, saj sta voda in gnojila draga in omejena vira.

Pomen trajnostnega kmetijstva in omejitve

Ugotovitve te študije imajo močne posledice za trajnostno kmetijstvo. Z bolj inteligentno uporabo podatkov lahko kmetje pridelajo več hrane, hkrati pa porabijo manj virov. To pomaga varovati okolje in zmanjšuje stroške kmetovanja.

Druga pomembna prednost je možnost interpretacije. Uporaba grafa znanja olajša razumevanje sistema. Kmetje in oblikovalci politik lahko vidijo, zakaj so bila podana določena priporočila. To povečuje zaupanje in spodbuja sprejemanje novih tehnologij.

Sistem je tudi skalabilen. Čeprav se je študija osredotočila na določene regije, se ogrodje lahko uporabi tudi za druge države in pridelke. Z več podatki in senzorji v realnem času lahko sistem postane še zmogljivejši.

Čeprav so rezultati obetavni, ima študija nekaj omejitev. Večina validacije je bila opravljena s simulacijami. Za potrditev rezultatov v dejanskih kmetijskih pogojih so potrebni dejanski poskusi na terenu. Sistem tudi še ne vključuje podatkov senzorjev v realnem času.

Prihodnje raziskave se lahko osredotočijo na dodajanje podatkov o vremenu in tleh v realnem času. Vključena je lahko tudi ekonomska analiza za preučevanje stroškovnih koristi za kmete. Razvoj preprostih mobilnih ali spletnih aplikacij lahko kmetom pomaga pri enostavni uporabi sistema.

Zaključek

Ta raziskava predstavlja močan in praktičen pristop k preciznemu kmetijstvu. Z združevanjem K-Means gručenja, naivne Bayesove klasifikacije in grafov znanja so avtorji ustvarili sistem, ki je natančen, razumljiv in uporaben. Hibridni model izboljša natančnost napovedi in pomaga zmanjšati porabo vode in gnojil.

Najpomembneje pa je, da graf znanja omogoča enostavno razumevanje in uporabo rezultatov. To je velik korak k temu, da bi bile napredne kmetijske tehnologije dostopne kmetom in odločevalcem. Z nadaljnjim razvojem in testiranjem v resničnem svetu ima ta pristop velik potencial za podporo trajnostnemu kmetijstvu in svetovni prehranski varnosti.

Referenca: Njama-Abang, O., Oladimeji, S., Eteng, IE in Emanuel, EA (2026). Sinergistična inteligenca: nov hibridni model za precizno kmetijstvo z uporabo k-srednjih vrednosti, naivnega Bayesovega modela in grafov znanja. Journal of the Nigerian Society of Physical Sciences, 2929–2929.