Abstrak
Knowledge Graph mengatur dan menghubungkan data yang berbeda untuk mengintegrasikan informasi dalam antarmuka yang mudah digunakan untuk rekomendasi dan aplikasi. Alat analitis ini untuk mendukung interogasi data belum diterapkan secara luas dalam agronomi. Artikel ini berfokus pada penerapan Knowledge Graph dan khususnya utilitas platform Esri ArcGIS Knowledge yang baru-baru ini dirilis untuk mengidentifikasi ketahanan sistem menggunakan basis data berbasis komunitas ( Forage Data Hub ; 52.997 entri dari 108 lokasi unik selama 51 tahun) yang terdiri dari kumpulan data lama yang mencakup beberapa skala temporal dan spasial. Secara keseluruhan, sistem tahunan memiliki estimasi ketahanan risiko kekeringan (DRRE) yang lebih besar daripada semusim, dengan alfalfa ( Medicago sativa ) memiliki DRRE “sangat tinggi” di seluruh ekoregion. Knowledge Graph memberikan informasi tentang bagaimana geografi dan sistem agronomi berinteraksi untuk memengaruhi ketahanan. Hasilnya dapat digunakan untuk merancang sistem pertanian dalam lokasi geografis tertentu dengan ketahanan dan stabilitas yang lebih besar dalam menghadapi perubahan iklim per wilayah geografis.
Ide Inti
- Grafik Pengetahuan kurang dimanfaatkan dalam agronomi, dan karya ini menggambarkan kegunaannya dalam mengevaluasi ketahanan.
- Sistem tahunan memiliki lebih banyak lokasi dengan peringkat ketahanan “tinggi” dibandingkan dengan sistem tahunan.
- Grafik Pengetahuan memvisualisasikan bagaimana geografi dan sistem agronomi mendorong ketahanan sistem dari waktu ke waktu dan ruang.
Singkatan
DRRE
estimasi ketahanan risiko kekeringan
Badan Perlindungan Lingkungan (EPA)
Badan Perlindungan Lingkungan Hidup
1. PENDAHULUAN
Kemajuan terkini dalam kecerdasan buatan dan Internet of Things telah melampaui pemahaman kita tentang hubungan kompleks dan penggunaan big data secara efektif. Namun, masih ada tantangan visualisasi data untuk mengatur bentuk data kompleks dan ontologi untuk akhirnya mengekstraksi inferensi yang bermakna bagi pengguna akhir (Roussey et al., 2023 ; Shirvani-Mahdavi et al., 2023 ). Knowledge Graph adalah alat jaringan semantik yang sedang berkembang yang memvisualisasikan entitas dan hubungannya secara spasial, menggunakan antarmuka interaktif untuk berbagai pengambilan informasi, penalaran otomatis, dan aplikasi pengambilan keputusan (Wang et al., 2023 ). Knowledge Graph menghubungkan entitas dengan konteks yang diperkaya (sebagai tepi dan atribut node) untuk mesin pencari, meskipun aplikasi hingga saat ini terutama difokuskan pada bidang ilmu komputer (Zhang et al., 2018 ). Namun, meskipun munculnya model bahasa besar dan penerapan Grafik Pengetahuan dalam ekstraksi informasi, konstruksi grafik, dan pembuatan kueri untuk meningkatkan pengambilan keputusan, model ini belum digunakan secara luas dalam agronomi atau ilmu lingkungan.
Keabadian dan keanekaragaman terkait dengan ketahanan ekstrem iklim (Sanford et al., 2021 ). Meskipun minat terhadap sistem pertanian tangguh semakin meningkat, metodologi penilaian masih terbatas (Picasso et al., 2019 ), karena ketahanan hanya dapat diukur selama beberapa tahun, yang memerlukan penggunaan kumpulan data jangka panjang, di berbagai lingkungan. Knowledge Graph memenuhi parameter ini dan karenanya dapat menjadi alat yang berguna untuk menilai ketahanan pertanian. Namun, hingga saat ini belum ada penelitian yang menggunakan Knowledge Graph untuk menilai ketahanan menggunakan platform ArcGIS Knowledge yang baru dirilis. Alat berbasis cloud yang unik ini menggabungkan kemampuan jaringan grafik untuk mendokumentasikan hubungan di antara entitas nonspasial dengan kemampuan ArcGIS yang spesifik lokasi dan juga dilengkapi kemampuan pemetaan dan bagan tautan untuk memvisualisasikan keduanya.
Untuk mengatasi kekurangan ini dan mengevaluasi kegunaan Knowledge Graph untuk mempelajari ketahanan, kami menggunakan basis data nasional terstruktur yang dikenal sebagai Forage Data Hub untuk memvisualisasikan ketahanan sistem regional dalam kondisi stokastisitas iklim. Hub terpusat ini dikembangkan untuk menghubungkan jalur data, meningkatkan interoperabilitas, dan menghindari redundansi penelitian, serta berfungsi sebagai hub aplikasi analitis (Ashworth et al., 2023 ). Makalah ini bertujuan untuk mengisi kesenjangan penting dengan menerapkan platform ArcGIS Knowledge untuk mengintegrasikan grafik dan analisis spasial guna mengidentifikasi sistem hijauan yang tangguh.
2 BAHAN DAN METODE
2.1 Struktur dan pengembangan hub data pakan ternak
Data dari Forage Data Hub digunakan untuk mengevaluasi utilitas ArcGIS Knowledge, termasuk data lama yang mencakup beberapa skala temporal dan spasial (mencakup 52.997 entri data dari 108 lokasi unik selama 51 tahun). Secara singkat, mengikuti Ashworth et al. ( 2023 ), langkah-langkah untuk membuat Forage Data Hub meliputi (1) mengembangkan persyaratan data minimum dan pilihan; (2) standarisasi, penataan, dan kompilasi data; (3) membuat tesaurus data dan model data; dan (4) membuat antarmuka sistem berbasis web untuk memfasilitasi akses basis data. Untuk membangun Knowledge Graph menggunakan Forage Data Hub , pertama-tama kami melakukan jaminan kualitas umum/kontrol kualitas data. Ini termasuk meninjau nilai “null” atau hilang.
Untuk makalah ini, model data dibuat untuk mengidentifikasi hubungan dasar di antara bidang data dan untuk memfasilitasi penggabungan data ke dalam ArcGIS Knowledge (Wang et al., 2017 ). Proses tersebut, yang mencakup tinjauan informasi eksperimen, produksi dan kondisi spesifik lokasi, karakterisasi hijauan dan tanah, dan sebagainya, mengatur komponen-komponen untuk kemudahan analisis. Pengembangan model data sangat penting untuk mendefinisikan bagaimana kategori data terkait di beberapa eksperimen dan untuk meningkatkan keterbacaan mesin dan penataan basis data berjenjang (Ashworth et al., 2023 ). Untuk ArcGIS Knowledge, ini memerlukan pendefinisian entitas sebagai unit dasar kepentingan dan menentukan hubungan mereka satu sama lain. Entitas selanjutnya dicirikan oleh properti spesifiknya (misalnya, tahunan vs. abadi untuk entitas perawatan) (Gambar 1 ).
Untuk estimasi ketahanan, perbedaan dalam produktivitas rata-rata selama tahun-tahun dengan curah hujan rendah, yang didefinisikan sebagai tahun-tahun dengan 5 bulan atau lebih dengan total curah hujan dalam persentil ke-25 dari normal 30 tahun untuk lokasi tertentu, dianalisis per sistem (abadi vs. tahunan; Ashworth et al., 2023 ). Semua manipulasi data dan tugas komputasi dilakukan dengan menggunakan Python (Van Rossum & Drake, 1995 ). Outlier ekstrem, yang didefinisikan sebagai titik data yang melaporkan hasil panen lebih dari 3 × rentang interkuartil di atas kuartil atas, serta titik data yang melaporkan hasil panen dari panen tunggal daripada total tahunan, dan hasil irigasi dikecualikan dari analisis (Ashworth et al., 2023 ). Data yang tersisa dibagi menjadi “kelompok spesies/perlakuan,” sehingga setiap kelompok hanya berisi data dari satu spesies (atau campuran spesies), dan sedemikian rupa sehingga semua data dalam kelompok tertentu melaporkan perlakuan tahunan/abadi yang sama. Rasio ketahanan (
) kemudian dihitung untuk setiap titik data yang terjadi pada tahun dengan curah hujan rendah menggunakan Persamaan ( 1 ) untuk mengukur ketahanan selama cuaca ekstrem.
2.2 Kerangka pengetahuan dan infrastruktur ArcGIS
Untuk memaksimalkan potensi visualisasi dan analisis jaringan ArcGIS Knowledge, persiapan data dan praktik pengelolaan data terbaik harus diterapkan. Langkah penting adalah mengidentifikasi pertanyaan yang melampaui kueri data sederhana untuk menganalisis pola dan hubungan spasial baru. Untuk aplikasi ArcGIS Knowledge ini, kami berusaha menjawab: Apakah ada peningkatan ketahanan dari sistem tahunan versus sistem tahunan ?
Salah satu keuntungan dari platform ArcGIS Knowledge adalah platform ini mempertahankan kemampuan pemetaan perangkat lunak ArcGIS Pro yang menaunginya, termasuk penggabungan spasial. Fungsi ini memungkinkan pengguna untuk menarik informasi dari peta lapisan fitur, seperti pola cuaca atau jenis tanah, di lokasi titik data yang tepat. Di ArcGIS Knowledge, data ini dapat diintegrasikan ke dalam model Knowledge Graph, yang menyediakan faktor analitis tambahan. Untuk mengeksplorasi fungsi ini, kategori Ecoregion Level II Badan Perlindungan Lingkungan (EPA) untuk setiap titik data ditambahkan ke kumpulan data Forage Data Hub (FDH). Ecoregion Level II “berguna untuk tinjauan umum pola ekologi nasional dan subkontinental (ekoregion Amerika Utara | US EPA)” dan digunakan untuk mengidentifikasi pola ketahanan per ekoregion dan sistem.
Setelah itu, proyek baru di ArcGIS Pro dibuat, dimulai dengan mengimpor data ke geodatabase, yang kemudian digunakan untuk menghasilkan lapisan fitur titik yang direferensikan secara geografis. Selanjutnya, penyelidikan baru dibuat dengan mengidentifikasi entitas sesuai model data dan diunggah ke ArcGIS Knowledge. Berbagai tata letak bagan tautan (fitur titik yang mewakili entitas dan fitur garis yang mewakili hubungan dalam grafik pengetahuan; Shirvani-Mahdavi et al., 2023 ) dieksplorasi untuk memeriksa data secara visual dan memberikan beragam perspektif untuk membantu penyelidik lebih memahami bagaimana data dihubungkan.
Bagan tautan “Komunitas” pada Gambar 2 memungkinkan pengguna untuk memvisualisasikan hubungan di antara data di luar sistem koordinat. Sebaliknya, setiap titik data uji coba ditampilkan dengan memperhatikan seberapa dekat hubungannya dengan setiap entitas dalam analisis. Pengelompokan titik data uji coba yang dihasilkan dengan demikian memberikan wawasan tentang entitas mana yang paling berpengaruh dalam keseluruhan kumpulan data. Bagan tautan “Geografis” pada Gambar S1 menampilkan hubungan di antara data sebagai fungsi lokasi. Sekali lagi, titik data uji coba dikelompokkan bersama menurut hubungannya dengan entitas dalam analisis. Namun, bagan tautan ini menggunakan entitas Lokasi untuk “menjangkarkan” pengelompokan pada peta. Fungsionalitas ini memberi pengguna kemampuan untuk mengamati tren geografis dalam data.
Analisis sentralitas platform menyelidiki lebih lanjut hubungan-hubungan ini, menyediakan indeks numerik untuk mengevaluasi pentingnya dan keterkaitan komponen-komponen data, termasuk statistik ringkasan tentang hubungan, termasuk derajat, vektor eigen, dan PageRank, serta skor sentralitas antara, kedekatan, dan harmonik (gunakan analisis sentralitas—ArcGIS AllSource | Dokumentasi).
3 HASIL DAN PEMBAHASAN
Memastikan interoperabilitas antara aplikasi WebGIS sangat penting untuk memaksimalkan akses, berbagi, dan manipulasi data (Kharel et al., 2022 ). Lebih jauh, interoperabilitas dimaksimalkan melalui adopsi standar data terbuka (misalnya, FAIR; Wilkinson et al., 2016 ) dan pemanfaatan infrastruktur data spasial (CGIAR, 2020 ; Gvishiani et al., 2021 ). Bagan tautan yang dibuat oleh ArcGIS Knowledge menggunakan hasil panen tahun kekeringan Forage Data Hub menggambarkan hubungan DRRE tahunan dan tahunan di seluruh ekoregion di seluruh Amerika Serikat (Gambar 2 ), yang menunjukkan kesamaan dalam produksi tanaman meskipun ada perbedaan iklim lokal dan regional. Dari visualisasi ini, kami memastikan bahwa meskipun peringkat DRRE dari semua level diidentifikasi di setiap ekoregion, asosiasi tahunan dan tahunan di dalam dan lintas ekoregion tetap ada. Sebagai catatan, bagan tautan menunjukkan sistem tahunan dalam Ekoregion Gurun Dingin dikaitkan dengan peringkat DDRE rendah atau sedang.
Pengamatan ini mengarah pada pengembangan bagan tautan kedua menggunakan tata letak Geografis (Gambar 1 ). Secara keseluruhan, perlakuan tahunan menghasilkan nilai DDRE yang lebih tinggi, dengan peringkat yang sangat tinggi khususnya lazim di Central US Plains. Uji coba di Mixed Wood Plains dan Temperate Prairies juga terkait dengan nilai DDRE yang tinggi dan sangat tinggi. Ini menekankan bagaimana geografi dan sistem agronomi berinteraksi untuk memengaruhi ketahanan produktivitas primer. Hasil dapat menginformasikan desain sistem pertanian di lokasi geografis tertentu yang menghasilkan ketahanan dan stabilitas yang lebih besar dalam menghadapi perubahan iklim per lokasi geografis.
ArcGIS Knowledge juga menyediakan analisis hubungan antara titik data melalui analisis jaringan sentralitas, yang mengidentifikasi node paling kritis atau berpengaruh dalam suatu jaringan (Tabel S1 ). Parameter derajat adalah jumlah semua interaksi di mana entitas tertentu disertakan (Wang et al., 2021 ). Di semua entri, spesies abadi memiliki lebih banyak lokasi dengan peringkat ketahanan “tinggi” (53 lokasi lebih banyak di semua ekoregion). Di antara spesies yang diuji, peringkat ketahanan sangat tinggi terjadi pada alfalfa ( Medicago sativa L.) di tiga ekoregion (Gambar 2 ). Dari total 5220 uji coba, lebih dari 3500 menunjukkan perlakuan abadi dan khususnya alfalfa sebagai tanaman dengan estimasi ketahanan “sangat tinggi”. Hal ini juga dibuktikan dalam peringkat vektor eigen, yang memantau pentingnya interaksi setiap entitas. Indeks ini membantu menjawab apakah entitas tersebut terkait dengan entitas utama lainnya atau entitas yang kurang interaktif. Indeks antara, kedekatan, dan harmonik memberikan wawasan yang sedikit berbeda berdasarkan jarak lintasan antara setiap entitas (Choi & Lee, 2021 ).
Hasil ini sejalan dengan Ashworth et al. ( 2023 ) yang menemukan bahwa selama tahun-tahun dengan curah hujan rendah, sistem tahunan mencapai 67% dari hasil yang diharapkan (
0,67), sedangkan sistem perenial mampu mencapai 93% dari hasil yang diharapkan (
0,93). Namun, ini adalah studi pertama sejenisnya yang menggunakan Knowledge Graph untuk mengidentifikasi ketahanan secara spasial pada skala nasional, multispesies yang memanfaatkan basis data berjenjang untuk mengukur produktivitas, ketahanan, dan layanan ekosistem di padang rumput, yang merupakan kategori penggunaan lahan terbesar (47% dari semua lahan pertanian) di Amerika Serikat (USDA-NASS, 2019 ). Demikian pula, sistem hijauan yang didominasi oleh tanaman tahunan sebelumnya dikaitkan dengan ketahanan yang lebih besar, sehingga mendukung temuan bahwa sistem tanaman tahunan dan keanekaragaman memberikan ketahanan (Ashworth et al., 2018 ; Gaudin et al., 2015 ; Lin, 2011 ; Martin et al., 2019 ; Tracy et al., 2018 ). Namun, perlu dicatat bahwa Forage Data Hub tidak seimbang dalam hal entri tahunan dan tanaman tahunan, dan analisis ketahanan Knowledge Graph di masa mendatang harus dilakukan pada basis data yang lebih seimbang. Terdapat pula ketidakseimbangan dalam entri data berdasarkan kawasan, dengan lebih sedikit data dari wilayah tenggara dan pegunungan Amerika Serikat bagian Barat, sehingga kesimpulan mengenai pilihan hijauan yang paling tangguh untuk suhu dan curah hujan tertinggi serta wilayah paling kering tidak dapat diambil (Gambar 2 ).
Perangkat lunak ArcGIS Knowledge perusahaan memungkinkan para profesional sistem informasi geografis, ilmuwan data, dan ahli agronomi untuk mengeksplorasi pola tersembunyi dalam data guna mempercepat pengambilan keputusan. Penelitian mendatang akan difokuskan pada pengintegrasian beberapa lapisan data spasial menggunakan alat interoperabilitas data untuk memungkinkan evaluasi mendalam terhadap faktor-faktor tambahan yang memengaruhi ketahanan (misalnya, tanggal tanam, NPK, variabilitas topografi, karbon organik tanah, hari derajat pertumbuhan, dll.). Kunci untuk adopsi praktik cerdas iklim adalah menggambarkan praktik berbasis data yang dapat dan akan diadopsi oleh petani. Meskipun desain dan transfer teknologi yang tepat memainkan peran penting, adopsi tidak akan terjadi tanpa pengembangan pendekatan budaya yang tepat secara spasial yang memungkinkan komunitas ilmiah untuk menggabungkan kumpulan pengetahuan dari komunitas praktik yang berbeda.
4 KESIMPULAN
Kurangnya berbagi data dan aksesibilitas merupakan hambatan utama untuk evaluasi sistematis guna mengatasi tantangan yang dihadapi pertanian. Studi ini mengevaluasi ketahanan sistem di bawah stokastisitas iklim menggunakan kombinasi jaringan grafik dan alat analisis geospasial yang tersedia di platform ArcGIS Knowledge, berdasarkan Forage Data Hub (mencakup 52.997 entri data dari 108 lokasi unik selama 51 tahun). Secara keseluruhan, tanaman tahunan memiliki DRRE yang lebih besar daripada sistem tahunan, dengan alfalfa memiliki peringkat DRRE yang sangat tinggi di seluruh ekoregion. Di antara ekoregion, sistem tahunan di Ekoregion Gurun Dingin dikaitkan dengan peringkat DDRE Rendah, sementara Ekoregion Dataran AS Tengah, Dataran Kayu Campuran, dan Padang Rumput Beriklim Sedang memiliki peringkat DDRE yang lebih tinggi. Berdasarkan hal ini, sistem pertanian dengan ketahanan dan stabilitas yang lebih besar dalam kondisi iklim ekstrem dapat dirancang. Hasilnya menggambarkan potensi Grafik Pengetahuan secara umum, dan ArcGIS Knowledge secara khusus, untuk memperkuat visualisasi data agronomi dan lingkungan serta mengidentifikasi ketahanan spasial pada skala nasional dan multi-spesies untuk mengukur produktivitas, ketahanan, dan layanan ekosistem di padang rumput, kategori penggunaan lahan terbesar di Amerika Serikat.
