Печалби:
- Способност за обяснение на източниците на данни, използвани при прогнозиране на добива и разликата между машинното обучение и механистичните модели
- Възможност за конфигуриране на настройка за прогнозиране на добива, функции и диапазон на несигурност с AI
- Възможност за проверка на изхода на модела с исторически добив, бенчмарк и полеви измервания и предотвратяване на прекомерна увереност
„Колко продукт ще получа от това поле?“ Това е най-старият и ценен въпрос в селското стопанство. Познаване на верния отговор; Това означава планиране на работника за прибиране на реколтата, склад, транспорт, договор за продажба и финансиране. Да го знаете погрешно означава да губите ресурси или да не можете да се справите. Изкуственият интелект и машинното обучение (ML, метод, който изучава модели в данните и предвижда нови ситуации) могат да дадат мощни, но опасно убедителни отговори на този въпрос. Този модул ви учи на източниците на данни за прогнозиране на доходността, разликата между двата основни подхода, машинно обучение и механистични модели, диапазона на несигурност в прогнозата и - най-важното - как да избегнете прекомерната увереност.
От какво зависи ефективността? входове
Доходността не зависи само от едно нещо; е продукт на много фактори. Основни входни източници:
- Състояние на растенията: времеви редове NDVI/NDRE (развитие на биомаса) през сезона, гъстота на растенията, здраве.
- Почва: pH, OM, KDK, задържане на вода, зона на управление.
- Време/климат: натрупване на GDD, валежи и температура в критични периоди, случаи на замръзване/градушка.
- Управление: Сорт, дата на засаждане, количество торове и напояване, пръскане.
- История: Добивите от предходната година на същото поле (един от най-силните единични показатели).
AI комбинира тези входни данни (характеристики) и създава прогноза. Но какво не трябва да се забравя: моделът знае само данните, които му се подават, и моделите, които вижда в тези данни. Ако не предоставите датата от октомври, той ще игнорира този фактор.
Два подхода: машинно обучение срещу механичен модел
Моделът за машинно обучение научава статистически модели от примери от минали години „това е добивът при тези условия“. Неговата сила: улавя много променливи и сложни връзки. Слабост: доверието се срива, когато се превишат данните за обучение (нов сорт, безпрецедентна суша, различен регион); се бори да обясни защо („черна кутия“).
Механистичният (базиран на процеса) модел имитира физиологията на растежа на растенията с уравнения (фотосинтеза, водно-хранителен баланс). Силни страни: по-надежден, обясним в нови условия. Слабост: изисква много въвеждане и калибриране, трудно за настройка.
На практика двете се комбинират и двете се проверяват чрез измерване на място. Изкуственият интелект ускорява настройката, характеристиките и отчитането на двата подхода.
Размер
машинно обучение
Механичен модел
Основен
Модел на исторически данни
Физиологични уравнения
ново състояние
Слаб (риск от екстраполация)
по-силен
Обяснимост
Ниска (черна кутия)
високо
Нужда от данни
отдавна минал пример
Многопараметър/калибриране
Ролята на AI
Фикция + модел
Подготовка за влизане, коментар
Съвет: Преди да се доверите на прогноза за доходност, попитайте: „Условията тази година подобни ли са на миналото, от което моделът се е поучил?“ Необичайна суша, нов сорт или различен регион прави оценката на ML ненадеждна. В такива случаи разширете диапазона на несигурност.
Диапазон на несигурност: Защо интервал, а не точка?
Добрата оценка на добива не казва "620 кг на декар"; Казва "560-680 кг на декар, най-вероятно е 620, увереността е средна". Защото бъдещето е несигурно и нечетното число създава фалшива сигурност. декември; Позволява задаване на сценарии (лош/среден/добър) и управление на риска при планиране. Винаги питайте за диапазон и ниво на увереност, когато правите AI прогноза; Бъдете скептични към модел, който дава нечетно число.
Три мини калъфа: с числата
Случай 1 – Интервално планиране. Производител на пшеница е организирал труд за прибиране на реколтата и транспортиране на базата на една точкова оценка (500 кг на декар). Когато моделът, поддържан от AI, даде оценка от 430-560 кг и „чувствителен към валежи в критични периоди“, производителят направи гъвкав план за работниците. Реалното тегло е 445 кг; Докато строгото планиране би създало много разходи, разстоянието спести гъвкавост.
Случай 2 - Екстраполационен капан. Един модел прогнозира високи добиви въз основа на исторически данни по време на година на суша с безпрецедентна тежест. Инженерът разбра, че условията са извън данните за обучението и отхвърли прогнозата и се върна към полево измерване (гъстота на растенията, брой класове). Би било сериозна грешка при планирането, ако моделът беше слушан сам.
Случай 3 – Липсваща функция. Една оценка беше по-висока от очакваното; При прегледа се видя, че в модела не е въведено събитие с градушка. След като въвеждането приключи, прогнозата падна реалистично. Поука: моделът знае толкова, колкото вие му давате; Забравянето на критично събитие увеличава оценката.
Слаба подкана / Силна подкана
Слаба подкана:
Какъв добив ще получа от това поле? Дай ми номер.
Мощна подкана:
Вашата роля: Анализатор на селскостопански данни. ПРОЕКТИРАЙТЕ подход за прогнозиране на доходността (не изграждане на модел, а измислица и интерпретация). Имам входните данни: [серия NDVI, почва, GDD, дата на засаждане, исторически добив...]. Задача:- Обяснете кои функции трябва да използвам, кои са най-решаващите, - Поискайте оценката като ИНТЕРВАЛ и ниво на достоверност, а не като ТОЧКА.- Условията тази година подобни ли са на миналата; Оценете дали има риск от екстраполация. - Попитайте за критични входове, които може да липсват (градушка, слана, болест). - Напишете как да проверите прогнозното полево измерване (брой класове/плодове).
Мощната подкана налага интервали, проверка на екстраполация, откриване на липсващ вход и проверка на полето.
Четири копируеми шаблона
1) Приоритизиране на функции:
Избройте, по ред на определяне, характеристиките, които могат да се използват за оценка на добива за следния продукт; Обяснете накратко защо всеки е важен. Маркирайте отделно данните, които не разполагам, но ще бъдат ценни.
2) Диапазон на несигурност:
Дайте тази оценка не като точка, а като долна-горна граница и ниво на достоверност (високо/средно/ниско). Напишете факторите, които стесняват и разширяват диапазона.
3) Екстраполационна проверка:
Сравнете тазгодишните условия (време, разнообразие, управление) с типичните минали години. Моделът отклонява ли се от данните за обучение? Ако е така, колко трябва да вярвам на прогнозата?
4) План за проверка на място:
Как да направя кое измерване (брой класове/плодове на поле, тегло на зърното), за да проверя тази оценка на добива на полето преди прибиране на реколтата? Предложете план за вземане на проби.
Често срещани грешки
- Доверяване на един номер. Точковата оценка е фалшива точност; Поискайте обхват и ниво на увереност.
- Пренебрегвайки екстраполацията. Оценката на ML в необичайна година е ненадеждна; Сравнете състоянието с миналото.
- Забравяне на критичен вход. Ако не въведете събития като градушка, слана и болест, прогнозата ще бъде завишена.
- Затваряне на модела към полето. Директното измерване като броене на шипове/плодове е крайната котва; Не го пропускайте.
- Сляпо доверие на черната кутия. Прогноза, чиято причина не може да бъде обяснена, не трябва да се превръща в решение, без да бъде поставена под въпрос.
Внимание: Прогнозата за доходност задейства финансови и оперативни решения (договор, заем, служител). Ангажимент, основан на прекалено оптимистична прогноза, нанася сериозни щети, ако не се сбъдне. Представете прогнозата като набор от възможности и поемете критични ангажименти въз основа на предпазливия сценарий.
В обобщение
Прогнозата за добива е комбинация от много входни данни (растение, почва, време, управление, история). Машинното обучение улавя сложни модели, но неговата увереност се срива, когато надхвърли данните за обучението; Механичният модел е по-надежден в новите условия, но е труден за установяване. Изкуственият интелект ускорява изграждането и на двата подхода. Добрата оценка е интервал, а не точка, представен с ниво на достоверност, проверен за риск от екстраполация и потвърден чрез измерване на място. Прекалената самоувереност е най-скъпата грешка; Прогнозата е възможност, а не ангажимент.
Задача за приложение
Избройте (представителните) данни, които имате за дадена култура: няколко години исторически добиви, тенденция на NDVI, дата на засаждане, валежи в критичен период. Накарайте AI да предскаже добива с шаблоните „приоритетизиране на функциите“ и „пропуск на несигурността“ в този модул. След това умишлено премахнете критичен вход (например събитие с градушка) и попитайте отново и наблюдавайте как се променя прогнозата. Напишете в един параграф как ще проверите прогнозата на полето преди жътва.
контролен списък
- [ ] Исках прогнозната точка, а не диапазона и нивото на достоверност.
- [ ] Сравних тазгодишните условия с миналите и проверих риска от екстраполация.
- [ ] Проверих дали критични входове (градушка, слана, болест) не липсват.
- [ ] Сравних прогнозната историческа доходност и бенчмарка.
- [ ] Настроих план за проверка с полево измерване (брой класове/плодове).