Niepewność, zarówno stochastyczna jak i epistemiczna, obecna w modelach zjawisk czaso-przestrzennych w rolnictwie uzasadnia zastosowanie metod probabilistycznych predykcji, wyjaśnianiu i aproksymacji obiektów przestrzennych. Z metodologicznego, obliczeniowego i inferencyjnego punktu widzenia odpowiednią technologią modelowania są tu sieci bayesowskie traktowane jako systemy reprezentacji wiedzy. W takim ujęciu modelowanie sprowadza się do translacji wiedzy z języka naturalnego na formalny i wykonywalny język sieci bayerowskich. Logiczną spójność i efektywność takiego rozumienia procesu modelowania pokazano na przykładzie budowy modelu aproksymacji i predykcji plonu pszenicy.
EN
Uncertainty, both stochastic and epistemic, occurring in models of space-time phenomena in agriculture justifies application of probabilistic methods in predication, clarifying and approximation of spatial objects. From methodological, computational and inferential point of view, in this case proper modelling technologies include Bayesian networks treated as knowledge representation systems. From this perspective modelling comes down to translation of knowledge from natural language to formal and executable language of Bayesian networks. Logical coherence and effectiveness of this definition of modelling process is shown on the example of building a model of wheat crop approximation and prediction.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.