የምርት ግምት እና የግብርና ሞዴሊንግ — አርቲፊሻል ኢንተለጀንስ በግብርና ምህንድስና

ትርፍ፡

በምርት ትንበያ ውስጥ ጥቅም ላይ የዋሉ የውሂብ ምንጮችን እና በማሽን መማር እና በሜካኒካል ሞዴሎች መካከል ያለውን ልዩነት የማብራራት ችሎታ
የምርት ትንበያ ማዋቀርን፣ ባህሪያትን እና እርግጠኛ ያለመሆንን ከ AI ጋር የማዋቀር ችሎታ
የሞዴል ውፅዓትን ከታሪካዊ ምርት ፣ ቤንችማርክ እና የመስክ ልኬት ጋር የማረጋገጥ እና ከመጠን በላይ በራስ መተማመንን የመከላከል ችሎታ

"ከዚህ መስክ ምን ያህል ምርት አገኛለሁ?" ይህ በግብርና ውስጥ በጣም ጥንታዊ እና በጣም ጠቃሚ ጥያቄ ነው. ትክክለኛውን መልስ ማወቅ; የመከሩን ሠራተኛ፣ መጋዘን፣ መጓጓዣ፣ የሽያጭ ውል እና ፋይናንስ ማቀድ ማለት ነው። ስህተትን ማወቅ ማለት ሀብትን ማባከን ወይም መቀጠል አለመቻል ማለት ነው። አርቴፊሻል ኢንተለጀንስ እና የማሽን መማር (ኤምኤል፣ በመረጃ ውስጥ ቅጦችን የሚማር እና አዳዲስ ሁኔታዎችን የሚተነብይ ዘዴ) ለዚህ ጥያቄ ኃይለኛ ነገር ግን በአደገኛ ሁኔታ አሳማኝ መልሶችን ሊያመጣ ይችላል። ይህ ክፍል የምርት ትንበያ የመረጃ ምንጮችን ያስተምራል ፣ በሁለቱ መሰረታዊ አቀራረቦች ፣ በማሽን መማር እና በሜካኒካል ሞዴሎች መካከል ያለው ልዩነት ፣ ትንበያው ውስጥ ያለውን እርግጠኛ አለመሆን እና - ከሁሉም በላይ - ከመጠን በላይ በራስ መተማመንን እንዴት ማስወገድ እንደሚቻል።

ውጤታማነት በምን ላይ የተመሰረተ ነው? ግብዓቶች

ምርታማነት በአንድ ነገር ላይ ብቻ የተመካ አይደለም; የብዙ ምክንያቶች ውጤት ነው። ዋና የግቤት ምንጮች፡-

የእፅዋት ሁኔታ፡ NDVI/NDRE ተከታታይ ተከታታይ (የባዮማስ እድገት) በየወቅቱ፣ የእፅዋት እፍጋት፣ ጤና።
አፈር: pH, OM, KDK, የውሃ ማጠራቀሚያ, የአስተዳደር ዞን.
የአየር ሁኔታ/የአየር ንብረት፡ የጂዲዲ ክምችት፣ ወሳኝ ወቅት ዝናብ እና የሙቀት መጠን፣ ውርጭ/በረዶ ክስተቶች።
አስተዳደር: የተለያዩ, የመትከያ ቀን, የማዳበሪያ እና የመስኖ መጠን, መርጨት.
ታሪክ፡ ያለፈው አመት ተመሳሳይ መስክ ምርቶች (ከጠንካራዎቹ ነጠላ አመልካቾች አንዱ)።

AI እነዚህን ግብዓቶች (ባህሪዎች) አጣምሮ ትንበያን ይፈጥራል። ነገር ግን ሊረሳ የማይገባው ነገር: ሞዴሉ የሚመገበውን ውሂብ እና በመረጃው ውስጥ የሚያያቸውን ንድፎችን ብቻ ያውቃል. የኦክቶበርን ቀን ካላቀረቡ ያንን ሁኔታ ችላ ይላል።

ሁለት አቀራረቦች፡ የማሽን መማሪያ vs መካኒካዊ ሞዴል

የማሽን መማሪያ ሞዴል ካለፉት አመታት ጀምሮ ስታትስቲካዊ ንድፎችን ይማራል "ይህ በእነዚህ ሁኔታዎች ውስጥ ያለው ምርት ነው" ምሳሌዎች. የእሱ ጥንካሬ: ብዙ ተለዋዋጭ እና ውስብስብ ግንኙነቶችን ይይዛል. ድክመት፡ የስልጠና መረጃ ሲያልፍ በራስ መተማመን ይወድቃል (አዲስ ዓይነት፣ ከዚህ በፊት ታይቶ የማያውቅ ድርቅ፣ የተለየ ክልል)። ለምን እንደሆነ ለማስረዳት ይታገላል (“ጥቁር ሣጥን”)።

ሜካኒካዊ (በሂደት ላይ የተመሰረተ) ሞዴል የእፅዋትን እድገት ፊዚዮሎጂን ከእኩልታዎች (ፎቶሲንተሲስ ፣ የውሃ-ንጥረ-ምግብ ሚዛን) ጋር ይመሳሰላል። ጥንካሬዎች: ይበልጥ አስተማማኝ, በአዲስ ሁኔታዎች ውስጥ ሊብራራ የሚችል. ድክመት፡ ብዙ ግብአት እና ልኬትን ይፈልጋል፣ ለማዋቀር አስቸጋሪ ነው።

በተግባር ሁለቱ ተጣምረው ሁለቱም በመስክ መለኪያ የተረጋገጡ ናቸው. ሰው ሰራሽ የማሰብ ችሎታ የሁለቱም አቀራረቦችን ማዋቀር፣ ባህሪያት እና ሪፖርት ማድረግን ያፋጥናል።

መጠን

ማሽን መማር

ሜካኒካል ሞዴል

መሰረታዊ

ታሪካዊ ውሂብ ጥለት

የፊዚዮሎጂ እኩልታዎች

አዲስ ሁኔታ

ደካማ (የመጥፋት አደጋ)

የበለጠ ጠንካራ

የማብራራት ችሎታ

ዝቅተኛ (ጥቁር ሣጥን)

ከፍተኛ

የውሂብ ፍላጎት

ያለፈው ረጅም ምሳሌ

ባለብዙ-መለኪያ / መለኪያ

የ AI ሚና

ባህሪ+ ሞዴል ልቦለድ

የመግቢያ ዝግጅት, አስተያየት

ጠቃሚ ምክር፡ የምርት ትንበያን ከማመንዎ በፊት፣ “የዚህ ዓመት ሁኔታዎች ሞዴሉ ከተማረው ካለፈው ጋር ተመሳሳይ ናቸው?” ብለው ይጠይቁ። ያልተለመደ ድርቅ፣ አዲስ ዓይነት ወይም የተለየ ክልል የኤምኤል ግምት አስተማማኝ እንዳይሆን ያደርገዋል። በእንደዚህ ዓይነት ሁኔታዎች, እርግጠኛ ያልሆነውን ክልል ያስፋፉ.

እርግጠኛ ያልሆነ ክልል፡ ለምን ክፍተት እና ነጥብ አይደለም?

ጥሩ ምርት ግምት "620 ኪሎ ግራም በአንድ decare" አይልም; እሱ "560-680 ኪ.ግ በአንድ decare, በጣም ሊሆን የሚችል 620 ነው, መተማመን መካከለኛ ነው." ምክንያቱም መጪው ጊዜ እርግጠኛ ስላልሆነ እና ያልተለመደ ቁጥር የውሸት እርግጠኝነትን ይፈጥራል። ታህሳስ፤ ሁኔታዎችን (መጥፎ/መካከለኛ/ጥሩ) ማዘጋጀት እና በእቅድ ውስጥ አደጋን መቆጣጠር ያስችላል። AI ሲተነብዩ ሁል ጊዜ ክልል እና የመተማመን ደረጃ ይጠይቁ; ያልተለመደ ቁጥር የሚሰጥ ሞዴል ተጠራጣሪ ይሁኑ።

ሶስት ትናንሽ ጉዳዮች: በቁጥሮች

ጉዳይ 1 - የጊዜ ክፍተት እቅድ ማውጣት. አንድ የስንዴ አምራች በአንድ ነጥብ ግምት (በ 500 ኪ.ግ. በአንድ ዲኬር) ላይ በመመስረት የመሰብሰብ ሥራ እና መጓጓዣ አዘጋጅቷል. በ AI የተደገፈ ሞዴል ከ 430-560 ኪ.ግ እና "ለአስቸጋሪ ጊዜ ዝናብ" ደረጃ ሲሰጥ አምራቹ ተለዋዋጭ ሰራተኛ እቅድ አውጥቷል. ትክክለኛው ክብደት 445 ኪ.ግ; ጠንከር ያለ እቅድ ማውጣት ብዙ ወጪ የሚፈጥር ቢሆንም፣ ክፍተቱ ግን ተለዋዋጭነትን ያስቀራል።

ጉዳይ 2 - Extrapolation ወጥመድ. አንድ ሞዴል ከዚህ በፊት ታይቶ በማይታወቅ የከባድ ድርቅ አመት በታሪካዊ መረጃ ላይ በመመስረት ከፍተኛ ምርት ተንብዮ ነበር። መሐንዲሱ ሁኔታዎቹ ከስልጠናው መረጃ ውጭ መሆናቸውን ተረድተው ትንበያውን ውድቅ አድርገው ወደ መስክ መለኪያ (የእፅዋት ጥግግት ፣ የጆሮ ቆጠራ) ተመለሱ። ሞዴሉ ብቻውን ቢደመጥ ኖሮ ከባድ የዕቅድ ስህተት ነበር።

ጉዳይ 3 - የጠፋ ባህሪ። አንድ ግምት ከተጠበቀው በላይ ነበር; ሲፈተሽ የበረዶ ክስተት በአምሳያው ውስጥ እንዳልገባ ታይቷል. ግብአቱ ከተጠናቀቀ በኋላ, ትንበያው በእውነቱ ወድቋል. ትምህርት: አምሳያው እርስዎ የሰጡትን ያህል ብቻ ነው የሚያውቀው; ወሳኝ ክስተትን መርሳት ግምቱን ከፍ ያደርገዋል።

ደካማ ፈጣን/ጠንካራ ፍጥነት

ደካማ ጥያቄ፡

ከዚህ መስክ ምን ያህል ምርት አገኛለሁ? ቁጥር ስጠኝ

ኃይለኛ ጥያቄ፡-

የእርስዎ ሚና፡ የግብርና መረጃ ተንታኝ ለምርት ትንበያ አቀራረብን ይንደፉ (ሞዴል ግንባታ ሳይሆን ልብ ወለድ እና ትርጓሜ)። ግብአቶቹ አሉኝ፡ [NDVI ተከታታይ፣ አፈር፣ ጂዲዲ፣ የመትከል ቀን፣ ታሪካዊ ምርት...]። ተግባር: - የትኞቹን ባህሪያት መጠቀም እንዳለብኝ ይግለጹ, በጣም ወሳኝ የሆኑት, - ግምቱን እንደ INTERVAL እና የመተማመን ደረጃ ይጠይቁ, እንደ POINT ሳይሆን የዚህ አመት ሁኔታዎች ካለፈው ጋር ተመሳሳይ ናቸው; የመጥፋት አደጋ ካለ ይገምግሙ። - ሊጠፉ ስለሚችሉ ወሳኝ ግብአቶች ይጠይቁ (በረዶ፣ ውርጭ፣ በሽታ)። - የተገመተውን የመስክ መለኪያ (የጆሮ / የፍራፍሬ ብዛት) እንዴት ማረጋገጥ እንደሚቻል ይፃፉ.

ኃይለኛ ፍጥነት ክፍተትን፣ ኤክስትራፖላሽን ማረጋገጥን፣ የጠፋ የግቤት ፈልጎ ማግኘትን እና የመስክ ማረጋገጫን ያስፈጽማል።

አራት ሊገለበጡ የሚችሉ አብነቶች

1) የባህሪ ቅድሚያ መስጠት;

ለሚከተሉት ምርቶች ምርትን ለመገመት የሚረዱ ባህሪያትን በመወሰን ቅደም ተከተል ይዘርዝሩ; እያንዳንዳቸው ለምን አስፈላጊ እንደሆኑ በአጭሩ ያብራሩ። የሌለኝን ነገር ግን ጠቃሚ የሚሆነውን ውሂቡ ለየብቻ ምልክት አድርግበት።

2) እርግጠኛ ያልሆነ ክልል;

ይህንን ግምት እንደ ነጥብ ሳይሆን እንደ ዝቅተኛ የላይኛው ክልል እና የመተማመን ደረጃ (ከፍተኛ/መካከለኛ/ዝቅተኛ) ይስጡት። ክልሉን የሚያጠብ እና የሚያሰፋውን ምክንያቶች ይፃፉ።

3) የኤክስትራክሽን ምርመራ;

የዘንድሮን ሁኔታዎች (የአየር ሁኔታ፣ አይነት፣ አስተዳደር) ከተለመዱት ካለፉት አመታት ጋር ያወዳድሩ። ሞዴሉ ከስልጠናው መረጃ ይርቃል? ከሆነ ትንቢቱን ምን ያህል ማመን አለብኝ?

4) የመስክ ማረጋገጫ እቅድ;

ከመከሩ በፊት በመስክ ላይ ያለውን የምርት ግምት ለማረጋገጥ የትኛውን መለኪያ (በእርሻ ጆሮ/ፍራፍሬ ብዛት፣ የእህል ክብደት) እንዴት እወስዳለሁ? የናሙና እቅድ ጠቁም።

የተለመዱ ስህተቶች

ነጠላ ቁጥር ማመን. የነጥብ ግምት የውሸት ትክክለኛነት ነው; ክልል እና በራስ መተማመን ደረጃ ይጠይቁ።
ከመጠን በላይ መጨመርን ችላ ማለት. ባልተለመደው አመት ውስጥ ያለው የኤምኤል ግምት አስተማማኝ አይደለም; ሁኔታውን ካለፈው ጋር ያወዳድሩ።
ወሳኝ ግቤትን በመርሳት ላይ። እንደ በረዶ፣ ውርጭ እና በሽታ ያሉ ክስተቶችን ካላስገቡ ትንበያው ይነፋል።
ሞዴሉን ወደ ሜዳው መዝጋት. እንደ ስፒል/ፍራፍሬ መቁጠር ቀጥተኛ መለኪያ የመጨረሻው መልህቅ ነው; አትዘልለው።
በጥቁር ሳጥን ውስጥ በጭፍን መተማመን. ምክንያቱ ሊገለጽ የማይችል ትንበያ ሳይጠየቅ ውሳኔ መሆን የለበትም.

ማስጠንቀቂያ፡ የምርት ትንበያ የገንዘብ እና የአሠራር ውሳኔዎችን (ውል፣ ብድር፣ ሰራተኛ) ያነሳሳል። ከመጠን በላይ ብሩህ ትንበያ ላይ የተመሠረተ ቃል ኪዳን እውን ካልሆነ ከባድ ጉዳት ያስከትላል። ግምቱን እንደ የተለያዩ አማራጮች ያቅርቡ እና ጥንቃቄ በተሞላበት ሁኔታ ላይ በመመስረት ወሳኝ ቁርጠኝነትን ያድርጉ።

በማጠቃለያው

የምርት ትንበያ የበርካታ ግብአቶች (ተክል፣ አፈር፣ የአየር ሁኔታ፣ አስተዳደር፣ ታሪክ) ጥምር ነው። የማሽን መማር ውስብስብ ንድፎችን ይይዛል, ነገር ግን ከስልጠናው መረጃ በላይ ሲሄድ በራስ መተማመን ይወድቃል; የሜካኒካል ሞዴል በአዲሱ ሁኔታ የበለጠ አስተማማኝ ነው ነገር ግን ለመመስረት አስቸጋሪ ነው. አርቲፊሻል ኢንተለጀንስ የሁለቱንም አቀራረቦች ግንባታ ያፋጥናል። ጥሩ ግምት ክፍተት ነው እንጂ ነጥብ አይደለም፣ በትምክህት ደረጃ የቀረበ፣ የመጥፋት አደጋን የተፈተሸ እና በመስክ መለኪያ የተረጋገጠ ነው። ከመጠን በላይ በራስ መተማመን በጣም ውድ ስህተት ነው; መተንበይ የሚቻል እንጂ ቁርጠኝነት አይደለም።

የመተግበሪያ ተግባር

ለአንድ ሰብል ያለዎትን (ወኪል) ግብአቶችን ይዘርዝሩ፡ የበርካታ አመታት ታሪካዊ ምርት፣ የ NDVI አዝማሚያ፣ የመትከል ቀን፣ የወሳኝ ጊዜ ዝናብ። በዚህ ክፍል ውስጥ ባለው “የባህሪ ቅድሚያ የሚሰጠው” እና “የእርግጠኝነት ክፍተት” አብነቶች ምርትን ለመተንበይ AI ያግኙ። ከዚያም ሆን ብሎ ወሳኝ ግብአት (ለምሳሌ የበረዶ ክስተት) ያስወግዱ እና እንደገና ይጠይቁ እና ትንበያው እንዴት እንደሚቀየር ይመልከቱ። ከመከሩ በፊት በመስክ ላይ ያለውን ትንበያ እንዴት እንደሚያረጋግጡ በአንድ አንቀጽ ላይ ይጻፉ።

የማረጋገጫ ዝርዝር

[ ] እኔ የተገመተውን ነጥብ ፈልጌ ነበር እንጂ የክልሉን እና የመተማመን ደረጃን አይደለም።
[ ] የዘንድሮውን ሁኔታ ካለፈው ጋር አወዳድሬ የመውለድ ስጋትን አረጋገጥኩ።
[ ] ወሳኝ ግብአቶች (በረዶ፣ ውርጭ፣ በሽታ) እንደማይጎድሉ አረጋግጣለሁ።
[ ] የተገመተውን ታሪካዊ ምርት እና ቤንችማርክን አነጻጽሬአለሁ።
[] በመስክ መለኪያ (የጆሮ/ፍራፍሬ ቆጠራ) የማረጋገጫ እቅድ አዘጋጅቻለሁ።