Як нова гібридна модель ШІ робить точне землеробство більш стійким

Сільське господарство з кожним роком стає все складнішим. Населення світу швидко зростає, але кількість землі, придатної для ведення сільського господарства, не збільшується. У той же час, зміна клімату впливає на кількість опадів, температуру та стан ґрунту. Зараз фермери стикаються з багатьма проблемами, такими як нестача води, низька якість ґрунту, непередбачувана погода та зростання витрат на виробничі ресурси. Щоб задовольнити майбутній попит на продовольство, виробництво продуктів харчування має значно зрости. Дослідження показують, що до 2050 року світове виробництво продуктів харчування може зрости на 25-70 відсотків. Це дуже великий виклик, особливо для країн, що розвиваються.

В останні роки сільське господарство, кероване даними, стало ефективним рішенням цих проблем. Сучасні фермерські господарства генерують великі обсяги даних з багатьох джерел. До них відносяться аналізи ґрунту, погодні дані, супутникові знімки, дані про врожайність та економічні показники. Коли ці дані належним чином проаналізовані, вони можуть допомогти фермерам приймати кращі рішення. Це може допомогти їм вибрати правильні культури, ефективніше використовувати воду, зменшити відходи добрив і підвищити загальну продуктивність.

Однак багато фермерів все ще покладаються на традиційні методи ведення сільського господарства. Навіть коли використовуються передові технології, такі як машинне навчання, результати часто важко зрозуміти. Більшість моделей машинного навчання працюють як “чорний ящик”. Вони дають прогнози, але чітко не пояснюють, чому ці прогнози зроблені. Це ускладнює довіру фермерів і політиків до результатів та їх використання.

Чому дані та виявлення знань мають значення в сільському господарстві

Сучасне сільське господарство виробляє величезну кількість даних. Самі по собі ці дані не є корисними, якщо вони не будуть належним чином оброблені та проаналізовані. Процес перетворення необроблених даних на корисну інформацію називається "Виявлення знань у базах даних" (Knowledge Discovery in Databases, часто скорочено KDD). Цей процес складається з кількох етапів, включаючи відбір, очищення, перетворення, аналіз та інтерпретацію даних.

Машинне навчання відіграє дуже важливу роль у виявленні знань. Воно допомагає виявити закономірності, які людині нелегко помітити. Наприклад, машинне навчання може знайти взаємозв'язок між кількістю опадів і врожайністю або між типом ґрунту і потребою в добривах. Ці закономірності можуть допомогти фермерам приймати кращі рішення.

Існують різні типи методів машинного навчання. Контрольоване навчання використовує марковані дані для прогнозування. Неконтрольоване навчання працює з немаркованими даними і допомагає знаходити природні угруповання або закономірності. Кожен тип має свої сильні та слабкі сторони. У сільському господарстві дані часто є складними і надходять з різних джерел. Це ускладнює використання одного методу для ефективної роботи.

Інший виклик полягає в тому, що сільськогосподарські дані дуже різноманітні. Вони включають цифри, карти, зображення та текстові дані. Традиційні моделі машинного навчання часто намагаються поєднати всі ці типи даних у значущий спосіб. Саме тут стає важливою ідея поєднання машинного навчання з графами знань.

Методи машинного навчання, використані в дослідженні

Запропонована модель використовує два основні методи машинного навчання: Кластеризація K-середніх та наївна класифікація Байєса. Кожен метод виконує свою функцію в системі.

Кластеризація K-середніх - це метод неконтрольованого навчання. Він групує дані в кластери на основі подібності. У цьому дослідженні K-Means використовується для поділу сільськогосподарських регіонів на різні агрокліматичні зони. Ці зони створюються за допомогою таких даних, як кількість опадів, вологість ґрунту та температура. Регіони зі схожими природними умовами згруповані разом. Це допомагає зрозуміти, як різні регіони поводяться з точки зору сільського господарства.

Наївний Байєс - це метод керованого навчання, який використовується для класифікації. Він прогнозує категорії на основі ймовірності. У цьому дослідженні наївний Байєс використовується для класифікації продуктивності культур на різні рівні, такі як низький, середній і високий. Він використовує такі характеристики, як історія врожаю, використання добрив та умови навколишнього середовища.

Ключова ідея цього дослідження полягає в тому, що результати кластеризації за методом K-середніх не використовуються окремо. Натомість, інформація про кластери додається як вхідна ознака до наївного байєсівського класифікатора. Це створює сильний зв'язок між двома методами. В результаті класифікація стає більш точною, оскільки тепер вона враховує як локальні екологічні зони, так і дані про конкретні культури.

Роль графів знань у сільському господарстві

Граф знань - це спосіб організації інформації за допомогою вузлів і зв'язків. Вузли представляють такі речі, як культури, типи ґрунтів, кліматичні зони та сільськогосподарські ресурси. Зв'язки показують, як ці речі пов'язані між собою. Наприклад, зв'язок може показувати, що певна культура підходить для певного типу ґрунту або що кількість опадів впливає на врожайність.

У сільському господарстві графіки знань є дуже корисними, оскільки сільськогосподарські системи дуже взаємопов'язані. Ґрунт впливає на врожай, клімат впливає на ґрунт, а сільськогосподарські практики впливають на них обох. Граф знань допомагає представити всі ці зв'язки у чіткий і структурований спосіб.

У цьому дослідженні дослідники використовували Neo4j, популярну базу даних графів, для побудови графа знань. Результати моделей машинного навчання зберігаються в графі знань. Це дозволяє користувачам ставити змістовні запитання, наприклад, які культури найкраще підходять для певної зони або скільки добрив потрібно для певної культури за певних умов.

Граф знань також покращує інтерпретацію. Замість того, щоб просто показувати прогноз, система може показати, як цей прогноз пов'язаний з даними про ґрунт, клімат і врожай. Це полегшує довіру фермерів та осіб, які приймають рішення, до рекомендацій та їх використання.

Збір та підготовка даних

У дослідженні використано велику кількість даних, зібраних з різних надійних джерел. Дані про виробництво сільськогосподарських культур, використання добрив, торгівлю та постачання продовольства були отримані від FAOSTAT. Кліматичні дані, такі як кількість опадів, були отримані з CHIRPS, а дані про вологість ґрунту - з супутникових знімків.

Дані охоплюють багато років і різні регіони. Це допомогло гарантувати, що модель зможе впоратися з різними сільськогосподарськими умовами. Перед використанням даних дослідники ретельно очистили та обробили їх. Відсутні значення були заповнені за допомогою надійних статистичних методів. Викиди були видалені, щоб уникнути помилок. Дані також були нормалізовані, щоб різні змінні можна було справедливо порівнювати.

На основі вихідних даних було створено кілька нових індикаторів. Серед них - індекс мінливості опадів, індекс стресу від посухи та індекс стабільності продуктивності. Ці індикатори допомогли зафіксувати довгострокові тенденції, а не короткострокові зміни.

Були включені як структуровані дані, такі як цифри і таблиці, так і неструктуровані дані, такі як супутникові знімки. Це зробило набір даних дуже багатим і реалістичним.

Розробка гібридної моделі

Гібридна модель будувалася поетапно. Спочатку до даних про навколишнє середовище було застосовано кластеризацію за методом K-середніх. Це дозволило розділити регіони на три основні агрокліматичні зони. Кількість зон було обрано за допомогою стандартного методу, який перевіряє, наскільки добре розділені кластери.

Далі була застосована наївна класифікація Байєса. Класифікатор спрогнозував рівні продуктивності сільськогосподарських культур. Важливою відмінністю тут є те, що інформація про агрокліматичну зону з K-Means була включена як вхідна характеристика. Це дозволило класифікатору зрозуміти не тільки дані про культуру, але й екологічний контекст.

Гібридна модель показала кращі результати, ніж окремі моделі. Точність класифікації досягла 89%. Це вище, ніж точність окремих моделей наївного Байєса та випадкового лісу. Таке покращення показує, що поєднання неконтрольованого та контрольованого навчання може призвести до кращих результатів.

Інтеграція з графом знань

Коли результати машинного навчання були готові, їх додали до графа знань. Агрокліматичні зони стали вузлами графа. Сільськогосподарські культури, типи ґрунтів та фактори виробництва, такі як добрива, також були представлені у вигляді вузлів. Були створені зв'язки, щоб показати, як ці елементи пов'язані між собою.

Наприклад, залежність може показувати, що певна зона підходить для вирощування кукурудзи з високою ймовірністю гарного врожаю. Інша залежність може показати, що низький рівень рН ґрунту вимагає внесення вапна. Ці взаємозв'язки ґрунтуються як на результатах моделювання, так і на експертних знаннях.

Оскільки все зберігається у вигляді графічної структури, користувачі можуть легко досліджувати інформацію. Вони можуть запускати запити, щоб знайти найкращу культуру для регіону або зрозуміти ризики, пов'язані з кліматичними та ґрунтовими умовами.

Валідація та результати

Дослідники протестували модель, використовуючи як статистичні показники, так і симуляції. Результати кластеризації були дуже сильними, демонструючи чіткий поділ між зонами. Результати класифікації також були надійними, з хорошою точністю та значеннями відтворення для всіх класів продуктивності.

Граф знань добре показав себе з точки зору швидкості та структури. Відповіді на запити були надані дуже швидко, і більшість необхідних зв'язків були присутні на графі. Це свідчить про те, що система є ефективною і добре розробленою.

Оскільки великомасштабні польові експерименти є дорогими і трудомісткими, дослідники використовували симуляції для перевірки ефективності використання ресурсів. Вони порівняли традиційні методи ведення сільського господарства з гібридною моделлю.

Результати були дуже обнадійливими. Господарства, які використовували рекомендації моделі, використовували на 22% менше води. Відходи добрив скоротилися на 18%. Ці покращення є дуже важливими, оскільки вода та добрива є дорогими та обмеженими ресурсами.

Значення для сталого сільського господарства та обмеження

Висновки цього дослідження мають важливе значення для сталого розвитку сільського господарства. Використовуючи дані більш розумно, фермери можуть виробляти більше їжі, використовуючи менше ресурсів. Це допомагає захистити навколишнє середовище та зменшити витрати на ведення сільського господарства.

Ще однією важливою перевагою є інтерпретованість. Використання графа знань робить систему простішою для розуміння. Фермери та політики можуть бачити, чому надаються ті чи інші рекомендації. Це підвищує довіру та сприяє впровадженню нових технологій.

Система також є масштабованою. Хоча дослідження було зосереджено на певних регіонах, його можна застосувати до інших країн та культур. З більшою кількістю даних та датчиків у реальному часі система може стати ще потужнішою.

Хоча результати є багатообіцяючими, дослідження має певні обмеження. Більша частина перевірки була проведена за допомогою симуляцій. Для підтвердження результатів у реальних умовах сільського господарства необхідні реальні польові випробування. Система також ще не включає в себе дані з датчиків в режимі реального часу.

Майбутні дослідження можуть бути зосереджені на додаванні даних про погоду та ґрунт в режимі реального часу. Економічний аналіз також може бути включений для вивчення економічних переваг для фермерів. Розробка простих мобільних або веб-додатків може допомогти фермерам легко користуватися системою.

Висновок

Це дослідження представляє потужний і практичний підхід до точного землеробства. Поєднавши кластеризацію K-середніх, наївну класифікацію Байєса та графи знань, автори створили систему, яка є точною, інтерпретованою та корисною. Гібридна модель підвищує точність прогнозування та допомагає зменшити використання води та добрив.

Найважливіше те, що граф знань робить результати легкими для розуміння та застосування. Це великий крок до того, щоб зробити передові сільськогосподарські технології доступними для фермерів та осіб, які приймають рішення. З подальшим розвитком і тестуванням у реальних умовах цей підхід має великий потенціал для підтримки сталого сільського господарства та глобальної продовольчої безпеки.

Посилання: Njama-Abang, O., Oladimeji, S., Eteng, I. E., & Emanuel, E. A. (2026). Синергетичний інтелект: нова гібридна модель для точного сільського господарства з використанням k-середніх, наївного Байєса та графів знань. Журнал Нігерійського товариства фізичних наук, 2929-2929.