Osnovna produktivnost je poglavitnega pomena za kmetijska okolja, zato je veliko truda vloženega v razumevanje vplivov na potencial osnovne produktivnosti različnih tal. Omrežje za mednarodne dolgoročne ekološke raziskave (MDER) omogoča pomembne primerjave podatkov in vpogledov v okoljske spremembe. V tej študiji smo analizirali podatke, pridobljene v dolgoročnih eksperimentih (DE) na treh zemljiščih, vključenih v MDER, ter enem zemljišču izven MDER omrežja. Posebna pozornost je bila namenjena vplivu različnih načinov upravljanja (oranje, uporaba ostankov pridelkov, kompostiranja) na osnovno produktivnost. Z uporabo metod podatkovnega rudarjenja na podatkih, pridobljenih z eksperimenti, smo raziskali trende v produktivnosti. Gradili smo napovedne modele, ki prepoznajo faktorje, ki vplivajo na osnovno produktivnost. Modeli dosegajo dobro napovedno točnost na vseh obdelovalnih površinah. Za napovedovanje osnovne produktivnosti DE z oranjem je bil najpomembnejši lanski pridelek, za DE s kompostiranjem pa letošnji. Pri obeh DE-ih z uporabo ostankov pridelkov pa je na produktivnost najbolj vplivala količina magnezija, na voljo rastlinam. Sledile so druge značilnosti, kot so pH prsti, organske snovi v tleh in upravljanje z ostanki pridelkov. Rezultati podatkovnega rudarjenja se ujemajo z obstoječimi študijami in poglabljajo znanje o vplivih na osnovno produktivnost obdelovalnih zemljišč. Posledično so naučeni modeli primerni in zanesljivi pri napovedovanju prihodnje osnovne produktivnosti na teh MDER zemljiščih. Poleg tega rezultati spodbujajo sodelovanje med raziskovalci, kmeti in svetovalci v morebitnih prihodnjih raziskavah.
F.02 Pridobitev novih znanstvenih spoznanj
COBISS.SI-ID: 31437607Razvili smo sistem za podporo pri odločanju (SPO), ki kmetijskim svetovalcem pomaga pri zmanjševanju tveganja onesnaževanja voda ob uporabi pesticidov v kmetijstvu. Za razvoj SPO smo v okviru večkriterijske odločitvene analize uporabili integracijsko metodologijo DEX (Decision EXpert) ter s pomočjo orodja za odločitveno modeliranje DEXi zgradili kvalitativne večparametrske odločitvene modele. Vključili smo strokovno znanje o uporabi različnih agronomskih praks pri ravnanju z rastlinami in tlemi, ki omogočajo zmanjšanje in odpravo onesnaževanja voda s pesticidi. Uporabili smo tudi podatke o meteoroloških pogojih in lastnostih tal. Dodali smo tudi znanje, pridobljeno z rudarjenjem podatkov z raziskovalnih kmetijskih zemljiščih La Jailliere v Franciji. Razvit SPO, ki ga sestavljata modul za oceno tveganja onesnaženja in modul za obvladovanje tveganja, smo ovrednotili na podatkih iz centra La Jailliere (referenčni center za delovne skupine Evropske komisije FOCUS). Da bi olajšali uporabo SPO, smo zgradili spletno aplikacijo.
F.15 Razvoj novega informacijskega sistema/podatkovnih baz
COBISS.SI-ID: 31574055Za izdelavo modelov ocenjevanja tveganja onesnaženja voda s pesticidi smo uporabili ansambelsko metodo učenja naključnih gozdov. Modeli temeljijo na empiričnih podatkih iz poljskih poskusov eksperimentalne postaje La Jailliere v Franciji. Za reševanje problema neuravnotežene porazdelitve podatkov smo uporabili stroškovno občutljivo učenje in različne ukrepe za izboljšanje napovedne učinkovitosti. Kljub velikemu neravnovesju v podatkih, ki so opisovali tvegano in varno uporabo pesticidov, smo uspeli zgraditi napovedne modele, ki omogočajo zanesljive napovedi.
F.01 Pridobitev novih praktičnih znanj, informacij in veščin
COBISS.SI-ID: 31356967Organizirali smo poletno šolo o rudarjenju velikih in kompleksnih podatkovij (http://maestra-project.eu/school/). Šola je vključevala predavanja o metodah napovednega modeliranja iz velikih in kompleksnimih podatkovij. Natančneje, predstavljene so bile metode, zmožne obdelovanja podatkov z naslednjimi lastnostmi: (a) strukturirani podatki na vhodni ali izhodni strani napovednega procesa, (b) zelo velike podatkovne množice (veliko primerov, visoke dimenzije ali velika hitrost prejemanja podatkov), (c) nepopolno oziroma delno označeni podatki, (č) podatki v prostorskem ali časovnem kontekstu. Uporabnost in potencial predstavljenih metod sta bila prikazana na primerih iz okoljskih znanosti (vključno s kmetijstvom), molekularne biologije, večpredstavnosti, družabnih omrežij in senzorskih omrežij. Na temo okoljskih znanosti je bilo predstavljenih več študij, narejenih v okviru pričujočega projekta, kot so modeliranje funkcij tal ter napovedovanje kvalitete vode na kmetijskih površinah. Predavatelji so bili svetovno znani raziskovalci s področja strojnega učenja in rudarjenja podatkov, kot tudi domenski strokovnjaki s področij uporabe le-tega. Šole se je udeležilo približno 100 oseb, predavanja pa so bila posneta in so dostopna preko spletnega portala videolectures.net.
B.01 Organizator znanstvenega srečanja
COBISS.SI-ID: 30338855Prof. Džeroski je predsedoval organizacijskemu in programskemu odboru conference ECML PKDD 2017, najbolj prestižnemu evropskemu dogodku na področju strojnega učenja, rudarjenja podatkov in podatkovnih znanosti nasploh. Čeprav je evropska, ima konferenca izrazito mednarodni značaj in dolgo tradicijo, ki sega nazaj v leto 1986. ECML PKDD 2017 je bila tako 28. Evropska konferenca o strojnem učenju in 21. Evropska konferenca o principih in praksi odkrivanja znanja v podatkih. Veliko sodelavcev projektne skupine pričujočega projekta (npr. dr. Dragi Kocev, dr. Panče Panov) je imelo ključne vloge pri organizaciji konference. Konferenca je potekala v Skopju in je pritegnila več kot 600 udeležencev. Zbornik konference je v treh delih izšel pri ugledni mednarodni založbi Springer.
B.01 Organizator znanstvenega srečanja
COBISS.SI-ID: 31153703