РАЗРАБОТКА И МОДЕЛИРОВАНИЕ ОНТОЛОГИЧЕСКОЙ МОДЕЛИ-КАК ПОДХОД К ЭФФЕКТИВНОЙ ОПТИМИЗАЦИИ ЗЕМЕЛЬ В СЕЛЬСКОМ ХОЗЯЙСТВЕ
DOI:
https://doi.org/10.52167/1609-1817-2024-133-4-201-210Ключевые слова:
качество обрабатываемой земли, системное познание, интеллектуальный анализ данных, исследования и оценки, онтологическая модельАннотация
Поскольку с научной точки зрения больше внимания уделяется качеству обрабатываемой земли, более распространены обобщение ее коннотации и когнитивная предвзятость, что создает проблемы для многих в изучении и оценке качества региональной обрабатываемой земли, а также в анализе и обработке данных. С этой точки зрения возникает необходимость формирования системного и междисциплинарного познавательного подхода к качеству пахотных земель. Поэтому мы определили онтологическую модель качества обрабатываемых земель с точки зрения данных, а также основное содержание восприятия качества пахотных земель и четыре когнитивных механизма. Мы использовали такие методы, как совместное восприятие качества пахотных земель, интеллектуальная обработка, диагностическая оценка и прогнозирование моделирования. Используя эту структуру анализа, мы определили частоту показателей, характеризующих деятельность обрабатываемых земель в соответствии с литературой последних лет, и разработали онтологическую модель оптимизации землепользования в Айыртауском районе Северо-Казахстанской области, определяющую познавательную систему качества обрабатываемых земель. Результаты исследования показали, что структура обладает сильной адаптивностью, эффективностью и масштабируемостью, что может дать теоретическое направление для дальнейших исследований по оценке качества пахотных земель в этом районе. Онтология, созданная в этом исследовании, позволила углубить понимание качества пахотных земель в рамках систем с точки зрения больших данных.
Библиографические ссылки
[1] Gruber T. Ontology // Encyclopedia of Database Systems / Ling Liu, M. Tamer Özsu (Eds.). Springer-Verlag, 2009. URL: https://tomgruber.org/writing/definition-of-ontology.pdf.
[2] Bargent J. 11 Steps to Building a Knowledge Map. 2002. URL: http://www.providersedge.com/docs/km_articles/11_Steps_to_Building_a_K_Map.pdf.
[3] Chenglin Q., Qing S., Pengzhou Z., Hui Y. Cn-MAKG: China meteorology and agriculture knowledge graph construction based on semi-structured data // 2018 IEEE/ACIS 17th International Conference on Computer and Information Science (ICIS). IEEE, 2018. pp. 692–696.
[4] Eppler M.J. A comparison between concept maps, mind maps, conceptual diagrams, and visual metaphors as complementary tools for knowledge construction and sharing // Inf. Vis. 2006. Vol. 5, No. 3. pp. 202–210.
[5] Karimi Y., Prasher S.O., Patel R.M., Kim S.H. Application of support vector machine technology for weed and nitrogen stress detection in corn // Comput. Electron. Agric. 2006. Vol. 51, No. 1–2. pp. 99–109.
[6] Kim S., Suh E., Hwang H. Building the knowledge map: an industrial case study // J. Knowl. Manag. 2003. Vol. 7, No. 2. pp. 34–45.
[7] Le-Khac N.-A., Aouad L.M., Kechadi M.-T. Knowledge map: toward a new approach supporting the knowledge management in distributed data mining // Third International Conference on Autonomic and Autonomous Systems (ICAS 2007). IEEE, 2007. p. 67.
[8] Le-Khac N.-A., Kechadi M.T. Admire framework: distributed data mining on data-grid platforms // International Conference on Software and Data Technologies (ICSOFT 2006). Setubal, Portugal, 2006.
[9] Lecocq R., Valcartier D. Knowledge mapping: a conceptual model. Quebec: Defense Research and Development Canada-Valcartier, 2006. Vol. 21, p. 2011.
[10] Liu J., Goering C.E., Tian L. A neural network for setting target corn yields // Trans. ASAE. 2001. Vol. 44, No. 3. pp. 705.
[11] Liu L., Li J., Lv C. A method for enterprise knowledge map construction based on social classification // Syst. Res. Behav. Sci. Off. J. Int. Fed. Syst. Res. 2009. Vol. 26, No. 2. pp. 143–153.
[12] Maltas A., Charles R., Jeangros B., Sinaj S. Effect of organic fertilizers and reduced-tillage on soil properties, crop nitrogen response and crop yield: results of a 12-year experiment in Changins, Switzerland // Soil Tillage Res. 2013. Vol. 126. pp. 11–18.
[13] Bishop T.F.A., McBratney A.B. A comparison of prediction methods for the creation of field-extent soil property maps // Geoderma. 2001. Vol. 103, No. 1–2. pp. 149–160.
[14] Chen Y., Kuang J., Cheng D., Zheng J., Gao M., Zhou A. AgriKG: an agricultural knowledge graph and its applications // In: Li G., Yang J., Gama J., Natwichai J., Tong Y. (eds.) DASFAA 2019. LNCS, vol. 11448. Springer, Cham, 2019. pp. 533–537. URL: http://dx.doi.org/10.1007/978-3-030-18590-9_81.
[15] Mansingh G., Osei-Bryson K.-M., Reichgelt H. Building ontology-based knowledge maps to assist knowledge process outsourcing decisions // Knowl. Manag. Res. Pract. 2009. Vol. 7, No. 1. pp. 37–51.
[16] Ngo Q.H., Le-Khac N.-A., Kechadi T. Ontology based approach for precision agriculture // In: Kaenampornpan M., Malaka R., Nguyen D.D., Schwind N. (eds.) MIWAI 2018. LNCS (LNAI), vol. 11248. Springer, Cham, 2018. pp. 175–186. URL: http://dx.doi.org/10.1007/978-3-030-03014-8_15.
[17] Ngo Q.H., Le-Khac N.-A., Kechadi T. Predicting soil pH by using nearest fields // In: Bramer M., Petridis M. (eds.) SGAI 2019. LNCS (LNAI), vol. 11927. Springer, Cham, 2019. pp. 480–486. URL: http://dx.doi.org/10.1007/978-3-030-34885-4_40.
[18] Pantazi X.E., Moshou D., Alexandridis T., Whetton R.L., Mouazen A.M. Wheat yield prediction using machine learning and advanced sensing techniques // Comput. Electron. Agric. 2016. Vol. 121. pp. 57–65.
[19] Pei X., Wang C. A study on the construction of knowledge map in matrix organizations // 2009 International Conference on Management and Service Science. 2009.
[20] Das A.K., Phadikar S., Sil J. Rice diseases classification using feature selection and rule generation techniques // Comput. Electron. Agric. 2013. Vol. 90. pp. 76–85.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 А.Т. Тыныкулова, А.А. Муханова, А.А. Хамзина , Ж.Ж. Багисов , М.К. Тыныкулов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
