Како нови хибридни модел вештачке интелигенције чини прецизну пољопривреду одрживијом

Пољопривреда постаје све тежа из године у годину. Светска популација брзо расте, али се количина земљишта доступног за пољопривреду не повећава. Истовремено, климатске промене утичу на падавине, температуру и стање земљишта. Пољопривредници се сада суочавају са многим проблемима као што су несташица воде, лош квалитет земљишта, непредвидиво време и растући трошкови улагања. Да би се задовољила будућа потражња за храном, производња хране мора значајно повећати. Студије сугеришу да ће глобална производња хране можда морати да се повећа за 25 до 70 процената до 2050. године. Ово је веома велики изазов, посебно за земље у развоју.

Последњих година, пољопривреда заснована на подацима појавила се као снажно решење за ове проблеме. Модерне фарме генеришу велике количине података из многих извора. То укључује анализе земљишта, временске записе, сателитске снимке, податке о приносима усева и економске податке. Када се ови подаци правилно анализирају, могу помоћи пољопривредницима да доносе боље одлуке. Могу им помоћи да изаберу праве усеве, ефикасније користе воду, смање расипање ђубрива и побољшају укупну продуктивност.

Међутим, многи пољопривредници се и даље ослањају на традиционалне методе пољопривреде. Чак и када се користе напредне технологије попут машинског учења, резултате је често тешко разумети. Већина модела машинског учења функционише као “црна кутија”. Они дају предвиђања, али не објашњавају јасно зашто су та предвиђања направљена. Због тога је пољопривредницима и креаторима политике тешко да верују у резултате и да их користе.

Зашто су подаци и откривање знања важни у пољопривреди

Модерна пољопривреда производи огромну количину података. Сами по себи ови подаци нису корисни уколико се правилно не обраде и анализирају. Процес претварања сирових података у корисне информације назива се откривање знања у базама података, често скраћено KDD. Овај процес укључује неколико корака, укључујући селекцију података, чишћење, трансформацију, анализу и интерпретацију.

Машинско учење игра веома важну улогу у откривању знања. Оно помаже у идентификацији образаца које људи можда не виде лако. На пример, машинско учење може пронаћи везе између падавина и приноса усева или између типа земљишта и потреба за ђубривом. Ови обрасци могу помоћи пољопривредницима да доносе боље одлуке.

Постоје различите врсте метода машинског учења. Надгледано учење користи обележене податке за предвиђања. Ненадгледано учење ради са необележеним подацима и помаже у проналажењу природних група или образаца. Свака врста има своје снаге и слабости. У пољопривреди, подаци су често сложени и долазе из много различитих извора. Због тога је тешко да једна метода добро функционише сама по себи.

Још један изазов је то што су пољопривредни подаци веома разноврсни. Они укључују бројеве, мапе, слике и текстуалне податке. Традиционални модели машинског учења често се муче да комбинују све ове типове података на смислен начин. Ту идеја комбиновања машинског учења са графиконима знања постаје важна.

Методе машинског учења коришћене у студији

Предложени модел користи две главне технике машинског учења: K-Means кластерисање и наивну Бајесову класификацију. Свака метода служи другачијој сврси у систему.

К-меанс кластеровање је метода учења без надзора. Она групише податке у кластере на основу сличности. У овој студији, К-меанс се користи за поделу пољопривредних региона у различите агроклиматске зоне. Ове зоне се креирају коришћењем података као што су падавине, влажност земљишта и температура. Региони са сличним условима животне средине су груписани заједно. Ово помаже у разумевању како се различита подручја понашају у смислу пољопривреде.

Наивни Бајесов метод је метод надгледаног учења који се користи за класификацију. Он предвиђа категорије на основу вероватноће. У овој студији, наивни Бајесов метод се користи за класификацију продуктивности усева у различите нивое као што су низак, средњи и висок. Користи карактеристике као што су историја усева, употреба ђубрива и услови околине.

Кључна идеја у овом истраживању је да се излаз K-Means кластеровања не користи одвојено. Уместо тога, информације о кластеру се додају као улазна карактеристика наивном Бајесовом класификатору. Ово ствара јаку везу између две методе. Као резултат тога, класификација постаје прецизнија јер сада узима у обзир и локалне еколошке зоне и податке специфичне за усеве.

Улога графова знања у пољопривреди

Граф знања је начин организовања информација помоћу чворова и односа. Чворови представљају ствари као што су усеви, типови земљишта, климатске зоне и пољопривредни улази. Односи показују како су ове ствари повезане. На пример, однос може показати да је одређени усев погодан за одређени тип земљишта или да падавине утичу на принос усева.

У пољопривреди, графикони знања су веома корисни јер су пољопривредни системи веома међусобно повезани. Земљиште утиче на усеве, клима утиче на земљиште, а пољопривредне праксе утичу на оба. Граф знања помаже у представљању свих ових веза на јасан и структуриран начин.

У овој студији, истраживачи су користили Neo4j, популарну базу података графова, за изградњу графа знања. Резултати модела машинског учења чувају се у графу знања. Ово омогућава корисницима да постављају смислена питања као што су који усеви су најбољи за одређену зону или колико је ђубрива потребно за усев под одређеним условима.

Граф знања такође побољшава интерпретабилност. Уместо да само приказује предвиђање, систем може да покаже како је то предвиђање повезано са подацима о земљишту, клими и усевима. Ово олакшава пољопривредницима и доносиоцима одлука да верују у препоруке и да их користе.

Прикупљање и припрема података

Студија је користила велику количину података прикупљених из различитих поузданих извора. Подаци о производњи усева, подаци о употреби ђубрива, подаци о трговини и подаци о снабдевању храном добијени су из FAOSTAT-а. Климатски подаци, као што су обрасци падавина, потичу из CHIRPS-а, док су подаци о влажности земљишта добијени из сателитских снимака.

Подаци су обухватали много година и више региона. Ово је помогло да се осигура да модел може да се носи са различитим пољопривредним условима. Пре коришћења података, истраживачи су их пажљиво очистили и обрадили. Недостајуће вредности су попуњене коришћењем поузданих статистичких метода. Изузетне вредности су уклоњене како би се избегле грешке. Подаци су такође нормализовани како би се различите варијабле могле праведно упоредити.

Неки нови индикатори су креирани из сирових података. То су били индекс варијабилности падавина, индекс стреса суше и индекс стабилности продуктивности. Ови индикатори су помогли да се ухвате дугорочни трендови, а не краткорочне промене.

Укључени су и структурирани подаци, као што су бројеви и табеле, и неструктурирани подаци, као што су сателитски снимци. Ово је учинило скуп података веома богатим и реалистичним.

Развој хибридног модела

Хибридни модел је изграђен корак по корак. Прво, K-Means кластеровање је примењено на податке о животној средини. Ово је поделило регионе у три главне агроклиматске зоне. Број зона је одабран коришћењем стандардне методе која проверава колико су добро кластери раздвојени.

Затим је примењена наивна Бајесова класификација. Класификатор је предвидео нивое продуктивности усева. Важна разлика овде је у томе што су информације о агроклиматским зонама из K-Means методе укључене као улазна карактеристика. Ово је омогућило класификатору да разуме не само податке о усевима већ и контекст животне средине.

Хибридни модел је показао боље резултате од појединачних модела. Тачност класификације је достигла 89 процената. Ово је било више од тачности самосталних модела Наивног Бајесовог и Случајне шуме. Ово побољшање показује да комбиновање ненадзираног и надгледаног учења може довести до бољих резултата.

Интеграција са Графом знања

Када су резултати машинског учења били спремни, додати су у граф знања. Агроклиматске зоне су постале чворови у графу. Усеви, типови земљишта и улази попут ђубрива такође су представљени као чворови. Креирани су односи како би се показало како су ови елементи повезани.

На пример, једна веза би могла да покаже да је одређена зона погодна за кукуруз са великом вероватноћом доброг приноса. Друга веза би могла да покаже да низак pH земљишта захтева примену креча. Ове везе су засноване и на резултатима модела и на знању стручњака.

Пошто је све сачувано у графичкој структури, корисници могу лако да истражују информације. Могу да покрећу упите како би пронашли најбољи усев за регион или разумели ризике повезане са климатским и земљишним условима.

Валидација и резултати

Истраживачи су тестирали модел користећи и статистичке мере и симулације. Резултати груписања су били веома јаки, показујући јасно раздвајање између зона. Резултати класификације су такође били поуздани, са добром прецизношћу и вредностима подсећања за све класе продуктивности.

Граф знања је показао добре резултате у погледу брзине и структуре. На упите је одговорено веома брзо, а већина потребних односа је била присутна у графикону. Ово показује да је систем ефикасан и добро осмишљен.

Пошто су теренски експерименти великих размера скупи и одузимају много времена, истраживачи су користили симулације да би тестирали ефикасност ресурса. Упоредили су традиционалне методе пољопривреде са пољопривредом вођеном хибридним моделом.

Резултати су били веома охрабрујући. Фарме које су користиле препоруке модела користиле су 22 процента мање воде. Расипање ђубрива смањено је за 18 процената. Ова побољшања су веома важна јер су вода и ђубриво скупи и ограничени ресурси.

Значај одрживе пољопривреде и ограничења

Резултати ове студије имају снажне импликације за одрживу пољопривреду. Интелигентнијим коришћењем података, пољопривредници могу произвести више хране уз коришћење мање ресурса. Ово помаже у заштити животне средине и смањује трошкове пољопривреде.

Још једна важна предност је интерпретабилност. Употреба графикона знања олакшава разумевање система. Пољопривредници и креатори политике могу да виде зашто се дају одређене препоруке. Ово повећава поверење и подстиче усвајање нових технологија.

Систем је такође скалабилан. Иако се студија фокусирала на одређене регионе, оквир се може применити и на друге земље и усеве. Са више података и сензора у реалном времену, систем може постати још моћнији.

Иако су резултати обећавајући, студија има нека ограничења. Већи део валидације је урађен помоћу симулација. Потребна су стварна теренска испитивања како би се потврдили резултати у стварним пољопривредним условима. Систем такође још увек не укључује податке у реалном времену са сензора.

Будућа истраживања могу се фокусирати на додавање података о времену и земљишту у реалном времену. Економска анализа такође може бити укључена како би се проучиле користи трошкова за пољопривреднике. Развој једноставних мобилних или веб апликација може помоћи пољопривредницима да лако користе систем.

Закључак

Ово истраживање представља снажан и практичан приступ прецизној пољопривреди. Комбиновањем K-Means кластеровања, наивне Бајесове класификације и графикона знања, аутори су створили систем који је тачан, интерпретабилан и користан. Хибридни модел побољшава тачност предвиђања и помаже у смањењу потрошње воде и ђубрива.

Најважније је да графикон знања олакшава разумевање и примену резултата. Ово је велики корак ка томе да напредне пољопривредне технологије буду доступне пољопривредницима и доносиоцима одлука. Уз даљи развој и тестирање у стварном свету, овај приступ има велики потенцијал да подржи одрживу пољопривреду и глобалну безбедност хране.

Референца: Њама-Абанг, О., Оладимеџи, С., Етенг, ИЕ, и Емануел, ЕА (2026). Синергистичка интелигенција: нови хибридни модел за прецизну пољопривреду коришћењем k-средњих вредности, наивног Бајесовог модела и графова знања. Часопис Нигеријског друштва за физичке науке, 2929-2929.