Napovedovanje strukturiranih vrednosti z uporabo v trajnostni kmetijski proizvodnji

Nazaj na seznam za leto 2016

---

Oznaka in naziv projekta

L2-7509 - Napovedovanje strukturiranih vrednosti z uporabo v trajnostni kmetijski proizvodnji
L2-7509 - Structured output prediction with applications in sustainable agricultural production

Logotipi ARRS in drugih sofinancerjev

Projektna skupina

Vodja projekta: prof. dr. Sašo Džeroski

Sodelujoče raziskovalne organizacije: Povezava na SICRIS

Sestava projektne skupine: Povezava na SICRIS

Vsebinski opis projekta

Glede na vseprisotnost nalog analize podatkov na skoraj vseh področjih življenja ter glede na njihovo naraščajočo kompleksnost, se dandanes pogosto srečamo z nalogami napovedovanja strukturiranih vrednosti (NSV). Področje NSV se nahaja znotraj področij rudarjenja podatkov in strojnega učenja ter se ukvarja z napovedovanjem kompleksnih strukturiranih vrednosti (npr. vektorjev realnih števil) in ne skalarnih vrednosti (npr. enega samega realnega števila). Primere nalog NSV lahko srečamo na veliko različnih področij, vključno s kmetijstvom, ki se sooča z vedno večjo množico navidezno nasprotujočih si zahtev: po eni strani zahteva naglo povečevanje prebivalstva na Zemlji visoke donose kakovostnih pridelkov, po drugi strani pa narekujejo povečani okoljski pritiski na Zemljine ekosisteme trajnostno kmetijsko proizvodnjo, ki čim manj obremenjuje okolje. NSV metode pa imajo, kljub njihovemu hitremu razvoju, še veliko pomanjkljivosti.

Cilj predlaganega projekta je razvoj novih metod za NSV, ki se bodo izognile pomanjkljivostim obstoječih metod, ter uporaba razvitih metod za reševanje praktično relevantnih nalog s področja trajnostne kmetijske pridelave. Pri razvoju novih metod bomo najprej razvili metode za določanje relevantnosti značilk za ciljne spremenljivke ter za določanje soodvisnosti med ciljnimi spremenljivkami. Slednje bomo nato uporabili za strukturiranje in/ali razgradnjo izhodnega prostora in predlagali metode, ki tovrstno dekompozicijo uporabijo ter se s tem pozicionirajo na spektru med lokalnimi in globalnimi metodami za NSV. Nato bomo razvili nove metode za NSV (npr. učenje ansamblov pravil in opcijskih dreves za NSV), ki bodo dajale natančne in razumljive modele. Na koncu bomo razvite pristope k NSV uporabili za reševanje problemov s področja trajnostne kmetijske proizvodnje, kjer bodo napovedni modeli povezovali kmetijske prakse z več različnih vidikov onesnaženja voda ter funkcij kmetijskih tal. Učili bomo modele za hkratno napovedovanje količine različnih vrst izliva vode s kmetijskega polja (npr. drenaža in odtok), koncentracij več aktivnih spojin iz fitofarmacevtskih produktov v teh vodah, ter potencialnega tveganja preseganja mejnih vrednosti onesnaževanja za vsakega od njih posebehj in za vse njih skupaj. Lotili se bomo tudi kompleksne naloge napovedovanja večih vidikov funkcije kmetijskih tal, ki vključujejo: i) osnovno produktivnost, ii) regulacijo in prečiščevanje vode; iii) sekvestracijo in regulacijo ogljika; iv) habitat za funkcionalno in izvirno biološko raznolikost ter v) kroženje in zagotavljanje hranil. Za predlagane raziskave obstaja močan interes in podpora industrije (vključno s kmetijskim sektorjem in proizvajalci fitofarmacevtskih sredstev. V prvi vrsti je to francosko podjetje ARVALIS, ki najnovejše rezultate raziskav v kmetijstvu (in širše) neposredno ponuja francoskim kmetom preko obsežne mreže kmetijskih svetovalcev. Kot končni uporabnik in sofinancer projekta jim bo v okviru svetovalnih storitev ponudil tudi rezultate predlaganega projekta.

Osnovni podatki sofinanciranja so dostopni na spletni strani. Povezava na SICRIS.

Delovni sklopi projekta

• DS1: Ocenjevanje pomembnosti značilk pri NSV
• DS2: Odkrivanje in izkoriščanje odvisnosti v izhodnem prostoru
• DS3: Izboljšava učenja ansamblov za NSV
• DS4: Uporaba v trajnostni kmetijski pridelavi
• DS5: Izkoriščanje in razširjenje rezultatov ter upravljanje projekta

Bibliografske reference

Objave, ki v zahvali omenjajo projekt:

• PETKOVIĆ, M., KOCEV, D., DŽEROSKI, S. (2019). Feature ranking for multi-target regression. Machine learning.

• PETKOVIĆ, M., BOUMGHAR, R., BRESKVAR, M., DŽEROSKI, S., KOCEV, D., LEVATIĆ, J., LUCAS, L., OSOJNIK, A., ŽENKO, B., SIMIDJIEVSKI, N. (2019). Machine learning for predicting thermal power consumption of the Mars Express spacecraft. IEEE aerospace and electronic systems magazine.

• LEVATIĆ, J., KOCEV, D., CECI, M., DŽEROSKI, S. (2018). Semi-supervised trees for multi-target regression. Information sciences.

• SLAVKOV, I., PETKOVIĆ, M., KOCEV, D., DŽEROSKI, S. (2018). Quantitative score for assessing the quality of feature rankings. Informatica: an international journal of computing and informatics.

• BRESKVAR, M., KOCEV, D., DŽEROSKI, S. (2018). Quantitative score for assessing the quality of feature rankings. Machine learning.

• DEBELJAK, M., KUZMANOVSKI, V., DŽEROSKI, S., TOSSER, V., TRAJANOV, A. (2018). Assessment and prediction of auxiliary carabid species in agricultural fields. 21st International Multiconference Information Society - IS 2018.

• PETKOVIĆ, M., KOCEV, D., DŽEROSKI, S. (2018). Feature ranking with relief for multi-label classification: Does Distance Matter? 21st International Conference on Discovery Science, LNCS 11198.

• BRESKVAR, M., KOCEV, D., DŽEROSKI, S.(2017). Multi-label Classification Using Random Label Subset Selections. 20th International Conference on Discovery Science, LNCS 10558.

Objave, ki nimajo zahvale:

• PETKOVIĆ, M., DŽEROSKI, S., KOCEV, D.(2018). Feature ranking for hierarchical multi-label classification with tree ensemble methods. ETAI 2018: proceedings of abstracts.

• STEPIŠNIK, T., KOCEV, D., DŽEROSKI, S. (2018). Option predictive clustering trees for multi-label classification. ETAI 2018: proceedings of abstracts.

• DEBELJAK, M. (2018). Predicting mineralizable nitrogen in grassland soils. 19th Open Conference of the IFIP WG 8.3. on Decision Support Systems.

• DŽEROSKI, S. (2018). Mining big data and complex data. Foundations of Intelligent Systems: 24th International Symposium, ISMIS 2018, LNCS 11177.

• DEBELJAK, M., KUZMANOVSKI, V., TOSSER, V., TRAJANOV, A. (2017). Knowledge discovery from complex ecological data: Exploring Syrphidae species in agricultural landscapes. 20th International Multiconference Information Society - IS 2017.

• KUZMANOVSKI, V., TRAJANOV, A., DŽEROSKI, S., DEBELJAK, M.(2016). Integrating predictive and decision modelling in decision support system for water protection from phytochemicals. 8th Jožef Stefan International Postgraduate School Students' Conference Proceedings - Part 1.

Doktorske disertacije:

• OSOJNIK, A. (2018). Structured output prediction on data stream. Doctoral dissertation, Jožef Stefan International Postgraduate School.

• LEVATIĆ, J. (2017). Semi-supervised learning for structured output prediction. Doctoral dissertation, Jožef Stefan International Postgraduate School.

• KUZMANOVSKI, V. (2016). Integrating decision support and data mining for risk evaluation and management: a methodological framework and a case study in agriculture. Doctoral dissertation, Jožef Stefan International Postgraduate School.

Objave, ki v zahvali ne omenjajo projekta, so pa vsebinsko povezane s projektom:

• MADJAROV, G., GJORGJEVIKJ, D., DIMITROVSKI, I., DŽEROSKI, S. (2016). The use of data-derived label hierarchies in multi-label classification. Journal of intelligent information systems.

• OSOJNIK, A., PANOV, P., DŽEROSKI, S. (2016). Multi-label classification via multi-target regression on data streams. Machine learning.

• OSOJNIK, A., PANOV, P., DŽEROSKI, S. (2016). Comparison of tree-based methods for multi-target regression on data streams. 4th International Workshop on New Frontiers in Mining Complex Patterns, Revised Selected Papers, LNCS 9607.

• OSOJNIK, A., DŽEROSKI, S., KOCEV, D.(2016). Option predictive clustering trees for multi-target regression. 19th International Conference on Discovery Science, LNCS 9956.

• PETKOVIČ, M., PANOV, P., DŽEROSKI, S. (2016). A comparison of different data transformation approaches in the feature ranking context. 19th International Conference on Discovery Science, LNCS 9956.

• KUZMANOVSKI, V., TRAJANOV, A., DŽEROSKI, S., DEBELJAK, M. (2016). Integrating predictive and decision modelling in decision support system for water protection from phytochemicals. 8th Jožef Stefan International Postgraduate School Students' Conference.

• TRAJANOV, A., CREAMER, R., WALL, D., McDONALD, N., SIMO, I., DEBELJAK, M. (2016). Predicting mineralizable nitrogen in grassland soils. Annual Meeting of the British Ecological Society.

• Reference - SICRIS

Odprto dostopna programska oprema

Metode strojnega učenja za napovedovanje strukturiranih vrednosti, razvite v okviru delovnih sklopov DS1-DS3, so javno dostopne v okviru GitLab projekta clus-public.

---

Nazaj na seznam projektov po letih