Proqnozlaşdırıcı analitikanın kənd təsərrüfatında rolu
Hal-hazırda çox maraqlı olan və geniş şəkildə inkişaf etdirilən texnologiyalardan biri də proqnozlaşdırıcı analitikadır. Proqnozlaşdırma analitikası bütövlükdə modelləşdirilmə, avtomatik öyrənmə və məlumat kəşfindəki müxtəlif statistik bacarıqlardan ibarət ola bilər. Kənd təsərrüfatı üçün istifadə edildiyində keçmişdə nələrin baş verdiyini, hal-hazırda hansı proseslərin getdiyini, gələcəkdə baş verə biləcəkləri proqnozlaşdırmaq və fermerlərə təsir göstərən qərarlar almaq üçün informasiyalardan istifadə etməyə imkan verir.
Proqnozlaşdırıcı analitika kənd təsərrüfatında datalarla qərar vermək, reallığın iç üzünü açmaq və aqronomik imkanları inkişaf etdirmək, tətbiqlərin zamanını öyrənmək, məhsulların sərfəliliyi, məhsulların miqdarlarını, verilən qərarların qazanclılığı və bugünki inkişafı davamlı hala gətirmək üçün istifadə edilir.
Sahə sensorlarından gələn datalar, hər səviyyədə giriş məlumatların toplanması və qərarların iqtisadi funksiyaları proqnozlaşdırıcı analitiklərin müvəffəqiyyətli olması üçün çox önəmlidir. Bu öngörüş istehsalçıların ərazilərə getməsi və zamanlarını alan aqronomik qərarların verilməsi yerinə, bu qərarların hər gün daha sürətli və asan bir şəkil alması üçün yardımçı olur. Onlara rəqəmsal mənbələrdən sürətli şəkildə qərar alma imkanı verir. Lakin bu mənbələr güvənilir olmalıdır. Proqnozlaşdırıcı analitikanın uğurlu olması güvənilir məlumatların olmasını tələb edir və natamam və ya yanlış olan məlumatlar tam təhlil edilməyən səhv nəticələrin çıxarılmasına səbəb olur.
Məlumatların analizi nəticəsində bizə sərfəli olan ən uyğun variantlar ortaya çıxır. Aşağı əmtəə qiymətləri ilə qazanc əldə etmək imkanı həm qısa, həm də uzun müddətdə gəlirliliyə səbəb olur. Vaxta qənaət etmək və qərar verməni asanlaşdırmaq üçün bütün mövcud ola biləcək imkana qiymətlər (ballar) verilir. Bu daxil edilən parametrlər və müxtəlif nəticələr hamısı proqnoza dayanan analitikalarla həyata keçirilir.
Hal-hazırda rəqəmsal kənd təsərrüfatında istifadə olunan nümunələr hər sahədə və dəyişən şərtlərdə bazar təklifləri, torpaq testi dəyəri, ziyanvericilərin modelləşdirilməsi, sahənin məhsuldarlıq proqnozu və s. mövzularda müxtəlif qiymətlər alır. Məsələn, sahənizdə gübrələmə ilə bağlı qərar almaq lazım gələndə 30 km gedib sahəyə çatmaqdansa səhər yeməyi yeyərkən bitkinin böyümə mərhələsinin hansı anında olduğunu və gübrəyə nə qədər ehtiyac duyulduğunu bilmək daha yaxşı olmazdı mı? Və yaxud da hansı ərazinin torpaq test dəyərinin nə zaman dəyişdiyini bilmək?
Yüksək keyfiyyətli informasiya toplusu, informasiyaların düzgün toplanması və nəticədə onların analitika proqramlarında istifadəsi uğurlu nəticələr əldə etməmizə imkan verir. Həmçinin də doğru qərarların alına bilməsi üçün əldə etdiyimiz son nəticənin sahədə istifadə etməklə doğruluğunu təsdiqləmək uğurun təmin edilməsi üçün çox önəmlidir.
Qeyd etdiyimiz kimi proqnozlaşdırma analitikanın imkanlarından biri də məhsullara, onların satış qiymətinə görə proqnozlar vermək və əvvəlcədən görülmüş tədbirlər nəticəsində uzunmüddətli gəlirlilik əldə etməkdir. Aşağıda kənd təsərrüfatı məhsulları datası üzərində zaman silsilə analizinin qurulmasına dair nümunə verilmişdir. Datalar həftələr, aylar üzrə qurulubsa həmin data üçün ən uyğun model zaman silsiləsidir. Bu zaman əvvəlcə müəyyən edilmiş kənd təsərrüfatı məhsulunun uyğun datası üzrə model qurulur və sonra isə növbəti ilin satış qiymətləri proqnozlaşdırılır. Misal üçün aşağıdakı cədvəldə məhsullar (A1, A2…) və onların aylar üzrə (C1, C2…) satış qiymətləri verilmişdir.
Bu data üzərində hər bir sətir üçün (yəni, hər bir məhsul üzrə) zaman silsiləsi qurulur. R proqramında aşağıdakı funksiyalar yerinə yetirilir:
1 ts12 <- function(a){
2 ts(a, frequency=12, start=c(2018,1))
3 }
Burada, ts-time series- zaman silsiləsini, “frequency” dediyimiz dəyər dataya aid zaman sıxlığını müəyyən edir. Sırayla frequency dəyərləri: 1 olarsa illik, 12 olarsa aylıq, 52 olarsa həftəlik... şəklində davam edir. “Start” isə data pointlərin başlanğıc nöqtəsini göstərir. Bu misalda 2018-in ilk ayı qeyd olunub. Funksiyanı sonra bütün sətirlərə tətbiq edirik.
Bura qədər əldə olan data üzərində zaman silsiləsi qurmuş hesab olunur. Növbəti mərhələdə isə modeldən istifadə edərək gələcəyə dair proqnozlar verilir. Proqnozlaşdırma üçün bir çox model vardır onlardan biri də ARİMA (Autoregressive İntegrated Moving Average) modelidir. Modelin tətbiqini R proqramında olan “apply” funksiyası ilə həyata keçirilir. Nümunədə əldə olan datadan gələcəyə dair 6 aylıq proqnoz əmri verilmişdir:
1 forecast12 <- function(x){
2 forecast(x, h = 6)
3 }
4 lforecast12 <- lapply(arimamodels12, forecast12)
Sonda isə nəticə vizuallaşdırılır.
Sonda göstərilən rəngli hissə məhsulların satışı üzrə verilən proqnozu əks etdirir.
Başqa bir misal gübrələmə ilə bağlıdır. Bilirik ki, azot gübrəsi torpağın məhsuldarlılığını artırır. Lakin məhsuldarlılığın daha çox olması məqsədilə torpağa verilən azotun miqdarı kəskin artarsa bu zaman ətraf mühütə ziyan vermiş oluruq. Bu ziyanın qarşısını almaq və müxtəlif analizlər edib qərarlar almaq məqsədilə havada və torpaqda elementlərin miqdarı olan datalarını SPSS və R proqramlarda istifadə etməklə onlar arasında əlaqə boxplotları qurmaq, nəticələr çıxarmaq, proqnozlar vermək və qarşısını almaq məqsədilə müxtəlif işlər həyata keçirmək mümkündür.
Yuxarıda qeyd olunanlar kimi çoxlu sayda misal göstərmək mümkündür. Hal-hazırda da gələcək üçün kənd təsərrüfatı ilə bağlı yüzlərlə proqnoz əyriləri hazırlanır. Bu baxımdan əminliklə demək olar ki, dayanıqlı kənd təsərrüfatı yaratmaqda proqnozlaşdırıcı analitikanın rolu çox büyükdür.
Mənbə
https://baturnecati.wordpress.com/2016/10/12/r-ile-zaman-serisi-tahminleme/
https://www.precisionag.com/systems-management/data/the-power-of-predictive-analytics-in-agriculture/
Daha çox oxu:
