Browsing by Author "Uzair, Muhammad"

Now showing 1 - 1 of 1

Soft decision making for agri-food 4.0
(2024-09-26) Uzair, Muhammad; Tomasiello, Stefania, juhendaja; El Shawi, Radwa Mohamed El Emam, juhendaja; Loit-Harro, Evelin, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Väitekiri esitab ulatusliku uurimuse uuenduslikest, andmepõhistest lähenemistest, mis käsitlevad jätkusuutliku põllumajanduse kriitilisi väljakutseid, eriti Agri-Food 4.0 kujunemisjärgus paradigmas. Uurimus keskendub masinõppe (ML) mudelite täpsuse, efektiivsuse ja tõlgendatavuse parandamisele, et ennustada olulisi põllumajanduslikke parameetreid, nagu evapotranspiratsioon, mulla orgaaniline süsinik (SOC), Ex-ante elutsükli hindamine nisu tootmisel ja põllukultuuride haiguste tuvastamine (roostetriibu nisuhaiguse tuvastamine) kasutades pilte, eesmärgiga panustada jätkusuutlike ja vastupidavate agri-toidusüsteemide arengusse. Uurimistöö Eesmärgid Põllumajandus seisab silmitsi kasvava survega, mis tuleneb kliimamuutustest, ressursside piirangutest ja toiduga kindlustatuse vajaduse suurenemisest. Need väljakutsed nõuavad arenenud otsustustööriistu, mis optimeerivad ressursikasutust ja parandavad saagikust, säilitades samal ajal keskkonna jätkusuutlikkuse. Agri-Food 4.0 kontseptsioon hõlmab selliste tehnoloogiate integreerimist nagu asjade internet (IoT), pilvearvutus ja tehisintellekt (AI), et revolutsiooniliselt muuta põllumajandust. See väitekiri on kooskõlas nende eesmärkidega, pakkudes välja tõlgendatavad ja jätkusuutlikud otsustamistööriistad, mis käsitlevad nii tõhusust kui ka läbipaistvust, mis on vajalikud põllumajanduse otsustustugisüsteemides (DSS). Uurimistöö eesmärgid on: Arendada tõlgendatavaid masinõppemudeleid, mis tasakaalustavad täpsust ja tõlgendatavust, mis on olulised põllumajanduse sidusrühmadele. Parandada põllumajandustavade jätkusuutlikkust, integreerides masinõppemudelid valdkonnapõhiste teadmistega. Rakendada automatiseeritud masinõppe (AutoML) tehnikaid põllukultuuride haiguste tuvastamise optimeerimiseks, keskendudes konkreetselt nisuhaiguste tuvastamisele. Mulla Orgaanilise Süsiniku (SOC) Ennustamine Mulla orgaaniline süsinik (SOC) on mulla tervise oluline komponent, mis mõjutab selle struktuuri, veemahutavust ja toitainete kättesaadavust, mis kõik on olulised jätkusuutliku põllukultuuride tootmise jaoks. SOC on ka oluline tegur ülemaailmses süsinikuringes, kuna mullad on suurimad maismaa süsiniku reservuaarid. Väikesed muutused SOC tasemetes võivad märkimisväärselt mõjutada atmosfääri CO2 kontsentratsioone, mõjutades seega kliimamuutusi. Väitekiri uurib erinevaid masinõppe tehnikaid SOC tasemete täpsemaks ja tõhusamaks ennustamiseks. Traditsioonilised SOC hindamise meetodid, mis sageli hõlmavad keerulist ja töömahukat proovide võtmist ja analüüsi, on täiustatud andmepõhiste mudelitega nagu ANFIS-T (Adaptive Neuro-Fuzzy Inference System koos murdosatikhhonovi regulatsiooniga). Uurimistöö näitab, et ANFIS-T mitte ainult ei paranda ennustuste täpsust, vaid säilitab ka kõrge tõlgendatavuse taseme, mis on praktilises põllumajanduses oluline. See on eriti oluline, kuna see on kooskõlas ülemaailmsete jõupingutustega, nagu EL-i mullastrateegia aastaks 2030, mis rõhutab SOC suurendamist kasvuhoonegaaside vähendamise eesmärkide täitmiseks. Evapotranspiratsiooni Ennustamine Evapotranspiratsioon (ET) on vee aurustumise ja taimede transpiratsiooni summa. See on kriitiline parameeter veeressursside juhtimisel, eriti põllumajanduses, kus tõhusad niisutusstrateegiad on vajalikud vee kasutamise optimeerimiseks. Põllumajandus moodustab märkimisväärse osa ülemaailmsest veetarbimisest, kus ET esindab suurimat osa veekaost põllumajandussüsteemides. Traditsioonilised ET mõõtmise ja hindamise meetodid, nagu lüsimeetrid ja evaporimeetrid, on sageli piiratud nende kõrge maksumuse ja raskustega nende ulatuslikul kasutuselevõtul. Väitekiri hindab masinõppemudelite, eriti ANFIS-T, kasutamist ET ennustamisel. Need mudelid pakuvad täpseid ennustusi, olles samas piisavalt tõlgendatavad, et neid saaksid kasutada põllumehed ja põllumajandusjuhid teadlike otsuste tegemiseks niisutuspraktikate kohta. Parandades ET ennustuste täpsust, aitab uurimistöö kaasa põllumajanduse jätkusuutlikumale veekasutusele, mis on kliimamuutuste ja veepuuduse kontekstis üha olulisem. Ex-Ante Elutsükli Hindamine (LCA) Nisu Tootmisel Elutsükli hindamine (LCA) on kõikehõlmav metoodika toodete keskkonnamõjude hindamiseks alates tooraine kaevandamisest kuni tootmise, kasutamise ja kõrvaldamiseni. Traditsioonilised LCA-d viiakse tavaliselt läbi pärast toote elutsükli lõppu (ex-post), piirates nende kasulikkust proaktiivsete ja jätkusuutlike otsuste tegemisel. Väitekiri edendab ex-ante LCA kasutamist, mis hindab võimalikke keskkonnamõjusid teadus- ja arendustegevuse etapis, võimaldades varasemaid sekkumisi ja jätkusuutlikumaid tootedisainilahendusi. Nisu tootmise kontekstis integreerib väitekiri masinõppe LCA-ga, et ennustada ja leevendada keskkonnamõjusid, nagu kasvuhoonegaaside heitkogused ja ressursikasutus. See lähenemisviis on eriti kooskõlas Euroopa Liidu rohelise kokkuleppega, mille eesmärk on vähendada süsinikuheidet kõigis sektorites, sealhulgas põllumajanduses. ML-i integreerimine LCA-sse mitte ainult ei paranda LCA ennustamisvõimekust, vaid muudab selle ka tõlgendatavamaks ja sidusrühmadele rakendatavaks. Põllukultuuride Haiguste Tuvastamine Põllukultuuride haigused, eriti need, mis mõjutavad põhikultuure nagu nisu, kujutavad endast märkimisväärseid ohte ülemaailmsele toiduga kindlustatusele. Nisu roostetriibuhaigus, mille põhjustajaks on seenpatogeen Puccinia striiformis, on üks kõige laastavamaid nisukultuuri mõjutavaid haigusi. Traditsioonilised haiguste tuvastamise meetodid, mis tuginevad suures osas käsitsi inspekteerimisele, ei ole ulatuslikud ja on vigadele altid. Väitekiri pakub välja uue AutoML-i raamistiku, mis hõlmab kontekstitundlikku tunnusjoonte inseneeriat, et parandada nisu roostetriibuhaiguse tuvastamise täpsust ja efektiivsust. Kasutades UAV-ga kogutud pilte ja arenenud pilditöötlusvõtteid, ületab raamistik täpsuse ja arvutusliku efektiivsuse osas traditsioonilised süvaõppemudelid nagu ResNet-18. See lähenemisviis mitte ainult ei lihtsusta haiguste tuvastamise protsessi, vaid suurendab ka jälgimissüsteemide mastaapsust, muutes nende rakendamise suurtele põllumajanduslikele aladele teostatavaks. Kokkuvõte Väitekiri järeldab, et arenenud masinõppetehnikate integreerimine valdkonnapõhiste teadmistega parandab oluliselt võimet käsitleda põllumajanduse võtmeprobleeme. Parandades nende mudelite tõlgendatavust, täpsust ja efektiivsust, panustab uurimistöö jätkusuutlikumate ja vastupidavamate agri-toidusüsteemide arengusse. Tulevased uurimused võiksid uurida nende tehnikate laiemat rakendamist erinevatel põllukultuuridel ja keskkondades, täiendavalt täiustades mudeleid ja raamistikke, et käsitleda ülemaailmse põllumajanduse arenguvajadusi. Lisaks on tehisintellekti mudelite energiatarbimise vähendamisele suunatud jätkuvad jõupingutused, nagu rõhutatakse väitekirjas, kriitilise tähtsusega, et viia põllumajanduslikud uuendused vastavusse keskkonna jätkusuutlikkuse eesmärkidega.