Deep Neural Networks for Curbing Climate Change-Induced Farmers-Herdsmen Clashes in a Sustainable Social Inclusion Initiative

• Autorzy: Okewu Emmanuel , Misra Sanjay , Fernandez Sanz Luis , Ayeni Foluso , Mbarika Victor , Damaševičius Robertas

Warianty tytułu

PL

Wykorzystanie głębokich sieci neuronowych w ograniczaniu zmian klimatycznych związanych z konfliktem farmerów i pasterzy w ramach inicjatywy na rzecz zrównoważonej integracji społecznej

• Języki publikacji: EN

Abstrakty

EN

Peaceful coexistence of farmers and pastoralists is becoming increasingly elusive and has adverse impact on agricultural revolution and global food security. The targets of Sustainable Development Goal 16 (SDG 16) include promoting peaceful and inclusive societies for sustainable development, providing access to justice for all and building effective, accountable and inclusive institutions at all levels. As a soft approach and long term solution to the perennial farmers-herdsmen clashes with attendant humanitarian crisis, this study proposes a social inclusion architecture using deep neural network (DNN). This is against the backdrop that formulating policies and implementing programmes based on unbiased information obtained from historical agricultural data using intelligent technology like deep neural network (DNN) can be handy in managing emotions. In this vision paper, a DNN-based Farmers-Herdsmen Expert System (FHES) is proposed based on data obtained from the Nigerian National Bureau of Statistics for tackling the incessant climate change-induced farmers-herdsmen clashes, with particular reference to Nigeria. So far, many lives have been lost. FHES is modelled as a deep neural network and trained using farmers-herdsmen historical data. Input variables used include land, water, vegetation, and implements while the output is farmers/herders disposition to peace. Regression analysis and pattern recognition performed by the DNN on the farmers-herdsmen data will enrich the inference engine of FHES with extracted rules (knowledge base). This knowledge base is then relied upon to classify future behaviours of herdsmen/farmers as well as predict their dispositions to violence. Critical stakeholders like governments, service providers and researchers can leverage on such advisory to initiate proactive and socially inclusive conflict prevention measures such as people-friendly policies, programmes and legislations. This way, conflicts can be averted, national security challenges tackled, and peaceful atmosphere guaranteed for sustainable development.

PL

Pokojowe współistnienie rolników i pasterzy staje się coraz mnie realne, co ma negatywny wpływ na rewolucję rolniczą i globalne bezpieczeństwo żywnościowe. Cele zrównoważonego rozwoju (SDG 16) obejmują promowanie tworzenia pokojowych i zintegrowanych społeczeństw na rzecz zrównoważonego rozwoju, zapewnienie wszystkim dostępu do uczciwego wymiaru sprawiedliwości i tworzenie skutecznych, odpowiedzialnych i integrujących instytucji na wszystkich poziomach. W ramach łagodnego podejścia i długofalowego podejścia do problemu konfliktów rolników-pasterzy w kontekście kryzysu humanitarnego, w niniejszym artykule zaproponowano architekturę integracji społecznej wykorzystującą głęboką sieć neuronową (DNN). Formułowanie polityki i wdrażanie programów w oparciu o obiektywne informacje uzyskane z historycznych danych przy użyciu inteligentnej technologii, takiej jak głęboka sieć neuronowa (DNN), może być przydatne w zarządzaniu emocjami. W niniejszym artykule zaproponowano oparty na danych uzyskanych od Nigeryjskiego Narodowego Urzędu Statystycznego system ekspercki rolników-pasterzy (FHES) oparty na DNN w celu przeciwdziałaniu nieustannym starciom rolników-pasterzy wywołanych zmianami klimatu, ze szczególnym uwzględnieniem Nigerii. Do tej pory wiele było ofiar. System FHES jest modelowany jako głęboka sieć neuronowa, przy użyciu danych historycznych hodowców-pasterzy. Zastosowane zmienne wejściowe obejmują ziemię, wodę, roślinność i narzędzia, podczas gdy zmienne wyjściowe to rolnicy-pasterze skłonni do pokoju. Analiza regresji i rozpoznawanie wzorców przeprowadzone przez DNN na danych rolników-pasterzy wzbogaci mechanizm wnioskowania systemu FHES o wyodrębnione reguły (baza wiedzy). Podstawą tej wiedzy jest klasyfikacja przyszłych zachowań pasterzy/rolników, a także przewidywanie ich skłonności do przemocy. Krytyczni interesariusze, tacy jak rządy, dostawcy usług i naukowcy, mogą wykorzystać takie doradztwo do zainicjowania proaktywnych i społecznie włączających środków zapobiegania konfliktom, takich jak przyjazne dla ludzi polityki, programy i prawodawstwo. W ten sposób można uniknąć konfliktów, stawić czoła wyzwaniom bezpieczeństwa narodowego i zagwarantować pokojową atmosferę dla zrównoważonego rozwoju.

Słowa kluczowe

EN

climate change; deep neural network; farmers-herdsmen clashes; policies and programmes; social inclusion

PL

zmiany klimatu; głęboka sieć neuronowa; konflikty rolników-pasterzy; polityki i programy; włączenie

• Wydawca: Lublin University of Technology
• Czasopismo: Problemy Ekorozwoju
• Rocznik: 2019
• Tom: Vol. 14, nr 2
• Strony: 143--155
• Opis fizyczny: Bibliogr. 32 poz., fig., tab.

Twórcy

autor

Okewu Emmanuel

• University of Lagos, Lagos, Nigeria

autor

Misra Sanjay

• Covenant University, Canaanland, Nigeria
• Atilim University, Ankara, Turkey
• [e-mail]

autor

Fernandez Sanz Luis

• University of Alcala, Alcala De Henares, Madrid, Spain

autor

Ayeni Foluso

• Southern University, Baton Rouge, USA

autor

Mbarika Victor

• Southern University, Baton Rouge, USA

autor

Damaševičius Robertas

• Kaunas University of Technology, Kaunas, Lithuania

Bibliografia

• 1. QAZI et al., 2015, The artificial neural network for solar radiation prediction and designing solar systems: a systematic literature review, in: Journal of Cleaner Production, 104.
• 2. NDEHEDEHE C.E., AGUTU N.O., OKWUASHI O., FERREIRAD V.G., 2016, Spatio-temporal variability of droughts and terrestrial water storage over Lake Chad Basin using independent component analysis, in: Journal of Hydrology, 540, p. 106-128.
• 3. BUMA W., LEE S., 2016, Investigating the Changes within the Lake Chad Basin Using GRACE and LANDSAT Imageries, in: Procedia Engineering, 154, p. 403-405.
• 4. JEONG D.H., LEE J.M., 2018, Enhancement of modifier adaptation scheme via feedforward decision maker using historical disturbance data and deep machine learning, in: Computers & Chemical Engineering, 108, p. 31-46.
• 5. HAMID A.M., BABA I.M., 2014, Resolving Nigeria's ‘Boko Haram’ Insurgence: What Role for the Media?, in: Procedia – Social and Behavioral Sciences, 155, p. 14-20.
• 6. TUBI A., FEITELSON E., 2016, Drought and cooperation in a conflict prone area: Bedouin herders and Jewish farmers in Israel's northern Negev 1957-1963, in: Political Geography, 51, p. 30-42.
• 7. GWANGWAZO K.M., 2018, Only justice, fairness will stop Fulani herdsmen, farmers clashes, in: The Vanguard, 19 January.
• 8. GOAL 13: CLIMATE ACTION, 2015, in: Sustainable Development Goals (SDGs), United Nations Development Programme.
• 9. KUMARA S., PANDEY A., SATWIK K.S.R., KUMAR S., SINGH S.K., SINGH A.K., MOHAN A., 2018, Deep learning framework for recognition of cattle using muzzle point image pattern, in: Measurement, 116, p. 1-17.
• 10. NWABUGHIOGU L., 2017, Ecological Funds: NEC approves N2bn each for APC states, in: Vanguard Newspaper, May 26.
• 11. GALINATOA G.I. AND GALINATO S.P., 2013, The short-run and long-run effects of corruption control and political stability on forest cover, in: Ecological Economics, 89, p. 153-161.
• 12. ABUBAKAR I., 2017, Understanding Military Operations as Safeguard of State, in: The Post, November 28.
• 13. NWACHUKWU O., 2018, Umahi heads committee to dialogue with Miyetti Allah, others over Fulani herdsmen/farmers clash, in: Bussiness Day Newspaper, February 2.
• 14. MATEMILOLA S., ADEDEJI O.H., ENOGUANBHOR E.C., 2018, Land Use/Land Cover Change in Petroleum-Producing Regions of Nigeria, in: The Political Ecology of Oil and Gas Activities in the Nigerian Aquatic Ecosystem, p. 257-276.
• 15. UGWUANYI S., 2018, Benue youths reveal what they fear about Exercise Ayem Akpatuma, in: Daily Post, February 21.
• 16. GOAL 16: PEACE, JUSTICE, AND STRONG INSTITUTIONS, 2015, in: Sustainable Development Goals (SDGs), United Nations Development Programme.
• 17. SHENA Y., ZHOUA H., LIA J., JIANB F., JAYASB D.S., 2018, Detection of stored-grain insects using deep learning, in: Computers and Electronics in Agriculture, 145, p. 319-325.
• 18. ALI L., HATALA M., GAŠEVIC D. JOVANOVIC J., 2012, A qualitative evaluation of evolution of a learning analytics tool, in: Computers & Education 58(1), p. 470-489.
• 19. KAMILARIS A., PRENAFETA-BOLDÚ F.X., 2018, Deep learning in agriculture: A survey, in: Computers and Electronics in Agriculture, 147, p. 70-90.
• 20. LU Y., YI S., ZENG N., LIU Y., ZHANG Y., 2017, Identification of rice diseases using deep convolutional neural networks, in: Neurocomputing, 267, p. 378-384.
• 21. SONAWANE S., CHOUBEY N.S., 2017, A Systematic Literature Review on Soybean Quality Assessment and Utility of Neural Network in Seed Classification, in: International Journal of Current Research, 9(05), p. 51160-51165.
• 22. UKAMAKA M., EDWARD D., SALIFU D., IGBOKWE E.M., 2016, Resource use conflict in agrarian communities, management and challenges: A case of farmer-herdsmen conflict in Kogi State, Nigeria, in: Journal of Rural Studies, 46, p. 147-154.
• 23. REUVENY R., 2007, Climate change-induced migration and violent conflict, in: Political Geography, 26(6), p. 656-673.
• 24. NEWS AGENCY OF NIGERIA, 2018, Umahi orders traditional rulers to compile data on herdsmen, in: Vanguard Newspaper, February 9.
• 25. DIMILILERA K., KIANIB E., 2017, Application of back propagation neural networks on maize plant detection, in: Procedia Computer Science, 120, p, 376-381.
• 26. BOUKIS C., MANDIC D.P., CONSTANTINIDES A.G., 2009, A class of stochastic gradient algorithms with exponentiated error cost functions, in: Digital Signal Processing, 19(2), p. 201-212.
• 27. AGBESE D., 2017, Fulani herdsmen? Here are the grim statistics, in: The Guardian, 03 November.
• 28. OKEWU E., MASKELIUNAS R., MISRA S.,DAMASEVICIUS R., FERNADEZ-SANZ L., 2018, An e-Environment System for Socio-economic Sustainability and National Security, in: Problemy Ekorozwoju/ Problems of Sstainable Development, 13(1), p. 121-132.
• 29. OKEWU E., MASKELIUNAS R., MISRA S., DAMASEVICIUS R., FERNADEZ-SANZ L., 2018, Optimizing Green Computing Awareness for Environmental Sustainability and Economic Security as a Stochastic Optimization Problem, in: Journal of Sustainability 2017(9).
• 30. OKEWU E., MISRA S., OKEWU J., 2017, Model-Driven Engineering and Creative Arts Approach to Designing Climate Change Response System for Rural Africa: A Case Study of Adum-Aiona Community in Nigeria, in: Problemy Ekorozwoju/ Problems of Sustainable Development, 12(1), p. 101-116.
• 31. NATIONAL BUREAU OF STATISTICS, 2011, Annual Abstract of Statistics 2011, Federal Republic of Nigeria, http://www.nigerianstat.gov.ng (1.12.2018).
• 32. OLUBUSOYE O.E, KORTER G.O., KESHINRO O.A., 2015, Nigerian Statistical System: The Evolution, Progress And Challenges, Research, DOI: 10.13140/RG.2.1.3136.4569, https://www.Researchgate.Net/Publication/283 715250 (1.12.2018).

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).