Dobici:
- Sposobnost objašnjavanja logike precizne poljoprivrede i osnovnih koncepata kao što su primjena varijabilne stope i zone upravljanja.
- Sposobnost transformacije raspršenih podataka polja, senzora i mašina u čiste, standardne i sastavljajuće tabele sa AI
- Sposobnost razumijevanja prostornih (koordiniranih) podataka i provjere AI izlaza na razini parcele i područja upravljanja
Klasična poljoprivreda upravlja njivom kao cjelinom koja se ponaša na jedan jedini način: isto gnojivo, ista voda, isti pesticid za cijelu parcelu. Međutim, dok tlo na jednom kraju istog polja može biti glinasto i zadržava vodu, drugi kraj može biti pjeskovito i brzo gubi vodu; Ugao može biti hladan i vlažan jer je nizak, dok nagib može biti vruć i suv jer je okrenut prema jugu. Precizna poljoprivreda je pristup koji ima za cilj podijeliti polje na regije prema ovim unutrašnjim razlikama i dati svakoj regiji onoliko doprinosa koliko mu je potrebno. Cilj je jednostavan, ali učinak je veliki: na pravo mjesto, u pravo vrijeme, u pravoj količini. Ova jedinica objašnjava logiku precizne poljoprivrede i kako da poljoprivredne podatke koji napajaju ovu logiku učinite organiziranim, pouzdanim i sastavljajućim pomoću umjetne inteligencije.
Dva su koncepta u srcu precizne poljoprivrede. Prva je primjena s promjenjivom dozom (VRA): traktor ili oprema automatski mijenjaju količinu gnojiva, sjemena ili vode prema lokaciji polja. Druga je zona upravljanja: to je podjela polja na poddijelove koji imaju slične karakteristike tla i produktivnosti i kojima se može upravljati zasebno. Umjetna inteligencija dotiče oba ova koncepta: pomaže u definiranju zona kombiniranjem disperziranih podataka i predlaže nacrte propisa za svaku zonu. Ali inženjer koji poznaje ovu oblast je taj koji na kraju odobrava regionalnu granicu i recept.
Priroda poljoprivrednih podataka: Zašto su neuredni?
Na farmi podaci dolaze iz desetina nepoznatih izvora, a nijedan od njih ne govori istim jezikom kao drugi. Laboratorija za tlo šalje Excel; Kombajn pohranjuje svoju kartu prinosa u drugom formatu; senzor vlažnosti generiše CSV po satu; dron izlazi JPEG i koordinatni fajl; Farmerove vlastite bilješke bile su rukom pisane u bilježnici. Jedinice ovih podataka su različite (kg/da, kg/ha, ppm, %), formati datuma su različiti, sistemi lokacija su različiti, a često su nazivi proizvoda/parcela nedosljedni („Polje toka“, „dere parcela“, „Parcela-7“ može biti isto mjesto). Prije umjetne inteligencije, ovaj kombinirani rad bio je najdosadniji i najzahtjevniji dio inženjera.
Ovdje dolazi do izražaja umjetna inteligencija koja radi upravo tamo gdje je najsigurnija: prevođenje podataka u standardnu shemu (tj. zajedničku strukturu stupaca i jedinica). Ali budite oprezni: AI može pogriješiti pri pretvaranju jedinica, a ova greška će tiho pokvariti cijelu analizu. Dakle, zlatno pravilo u strukturiranju podataka je ručno provjeravati svaku transformaciju s malim uzorkom.
Savjet: Prije nego što unesete podatke u AI, sami definirajte svoju ciljnu shemu: koje kolone, koje jedinice, koji format datuma. Reći AI da „prevede ovo u taj dijagram“ je mnogo pouzdanije nego da mu kažete da „rasporedi ove podatke“.
Razumijevanje prostornih podataka
Većina poljoprivrednih podataka je prostorna: svako mjerenje ima koordinate. Uzorak tla je vezan za lokaciju kao što je "Parcela-3, sjeverozapadni ugao, 39,12 N / 32,45 E". Ove koordinate se obično daju u metričkom sistemu koji se zove geografska širina/dužina (WGS84) ili UTM. Kada tumačite prostorne podatke kada radite sa AI, obratite pažnju na tri stvari: da li je koordinatni sistem konzistentan, da li su tačke uzorka dovoljno disperzovane da predstavljaju polje i da li se vrednost tačke odnosi na ceo region ili samo na tu tačku. Podaci karte kao što je NDVI pokrivaju svaki kvadratni metar polja; Uzorak tla predstavlja samo tačku gdje je uzet. Zbunjivanje ove razlike dovelo bi do ozbiljnih grešaka u tumačenju.
Tri mini slučaja: prema brojevima
Slučaj 1 - Ušteda vremena u montaži. Inženjer je kombinovao ukupno 4.200 redova podataka iz 5 različitih izvora (laboratorija tla, mapa prinosa, senzor, dron, terenske bilješke) u jednu tabelu; otprilike 6 sati ručno. Kada smo unapred definisali ciljnu šemu i dali AI zadatak da "mapira ovih 5 fajlova u ove kolone", prvi nacrt je izašao za 25 minuta; Preostalo vrijeme posvetio je provjeri tačnosti podudaranja sa uzorkom od 40 linija. Ukupno vrijeme je palo na oko 2 sata.
Slučaj 2 - Jedinična zamka. Karta prinosa bila je u kg/ha, a rekord đubriva u kg/ha. U prvoj kombinaciji, AI je grupisala dva u istoj koloni i podcijenila prinos jedne parcele za faktor 10 (1 ha = 10 da). Inženjer je uhvatio neslaganje jer se sećao stvarnog prinosa poznate parcele; Provjera reda veličine otkrila je jediničnu grešku.
Slučaj 3 - Zabuna imena parcele. U tri izvora se isto polje pominje kao "Dere", "dere_tarla" i "Parcela-7". AI je mislio da su to tri odvojene parcele i podijelio je područje na tri. Kada je inženjer shvatio da ukupna obrađena površina ne odgovara vrijednosti u aktu, definirao je odgovarajući rječnik ("ova tri imena = parcela-7") i rekao AI da se rekombinuje s njim.
Slaba prompt / jaka prompt
Slab upit:
Organizirajte i kombinirajte ove poljoprivredne podatke.[fajlovi]
Snažan upit:
Vaša uloga: analitičar poljoprivrednih podataka. Combine the following 4 sources into ONE table.Target schema (don't go beyond these columns and units):- parcel_id (text), date (YYYY-MM-DD), product (text),- soil_pH (number), nitrogen_kg_da (kg/da), yield_kg_da (kg/da), moisture_percentage (%)Rules:- Convert all fertilizer/yield units do kg/da; Označite svaki red koji prevodite.- Uparite nazive parcela sa rječnikom koji sam dao: {"dere":"P7","dere_field":"P7"}.- Ostavite vrijednost koja nedostaje PRAZNU, popunite je nagađanjem.- Stavite redove koje ne možete prevesti ili su nejasne u posebnu listu "check_required". Izvori:[podaci]
Snažan prompt definira ciljnu šemu, pravilo jedinice, odgovarajući rječnik i zasebnu kantu za dvosmislenost. Dakle, umjesto nagađanja, AI vam dostavlja gdje nije odlučeno.
Četiri predloška koji se mogu kopirati
1) Mapiranje na ciljnu šemu:
Mapirajte sljedeće neobrađene podatke u sljedeću šemu: [kolone + jedinice]. Prikaži u tablici u koju ciljnu kolonu se mapira svaki izvorni stupac. Ako niste sigurni, koristite "?" Označite sa .
2) Standardizacija jedinica i sljedivost:
Pretvorite sve jedinice površine u dekare (da). Dodajte kolonu "conversion_note"; napišite originalnu jedinicu i množitelj za svaku konvertovanu vrijednost (npr.: "1 ha=10 da"). Jedinicu koju ne možete pretvoriti ostavite onakvu kakva jeste i označite je.
3) Outlier skeniranje:
Dajem očekivani agronomski raspon za ove numeričke kolone: tla_pH 4-9, dušika_kg_da 0-30, prinos_kg_da 100-1200. Označite svaki red izvan opsega kao "izuzetan"; NE MIJENJAJTE se, samo pokažite.
4) Nacrt regiona upravljanja:
Gledajući podatke o prostornom tlu i plodnosti u nastavku, predložite 2-4 područja upravljanja kandidatima sa sličnim karakteristikama. Za svaku regiju: zapišite parametre po kojima ste razdvojili, prosječne vrijednosti i ograničenje koje moram provjeriti u polju. Nemojte crtati jasne granice; ovo su nacrti.
Uporedni grafikon: Classic vs Precision Farming
Veličina
klasična poljoprivreda
precizna poljoprivreda
upravljačka jedinica
Cijelo polje je jedno
Administrativni regioni
Distribucija ulaza
Uniforma (paušal)
Varijabilna stopa (VRA)
Izvor podataka
posmatranje farmera
senzor, satelit, dron, mašina
Osnova odluke
Iskustvo + kalendar
Iskustvo + podaci + model
Uloga AI
ograničeno
Objedinjavanje podataka i nacrt prijedloga
Rizik
Višak/pod unosom
Pogrešni podaci → pogrešan region
Uobičajene greške
- Neka AI definira šemu. Ako ne navedete ciljne kolone i jedinice, AI će svaki put proizvesti drugačiju strukturu i poređenje postaje nemoguće.
- Ne vodi evidenciju o jedinicama. Ako ne zabilježite koja je vrijednost prevedena, ne možete pratiti bilo kakve naknadne greške.
- Greška podataka o tačkama za podatke karte. Generaliziranje jednog uzorka tla na cijelu regiju povlači granicu regije pogrešno.
- Neka AI popuni praznine. Popunjavanje vrijednosti koja nedostaje nagađanjem proizvodi izmišljotinu koja se maskira kao stvarni podatak.
- Ne provjeravam nazive parcela. Nedosljedna imena dijele površinu i prinos, iskrivljujući cjelokupnu analizu sezone.
Pažnja: AI može preporučiti VRA recept (koliko je ušlo u koje područje), ali konačno odobrenje pripada inženjeru. Neispravna granica zone znači podvodnost ili previše gnojiva u području.
Ukratko
Precizna poljoprivreda je umjetnost upravljanja poljem prema njegovim unutarnjim razlikama i zasniva se na dva koncepta: primjena varijabilne stope i zona upravljanja. Ovaj pristup je potaknut podacima; Ali podaci o poljoprivredi su disperzirani, sa više jedinica i više izvora. Umjetna inteligencija radi u najsigurnijem i najprofitabilnijem području prevođenja ovih podataka u standardnu shemu - sve dok definirate ciljnu shemu, držite trag jedinice, ne popunjavajte praznine i testirajte svaku transformaciju na primjeru. Čisti i objedinjeni podaci su čvrsta osnova za sve naredne jedinice (NDVI, tlo, navodnjavanje, prinos).
Zadatak aplikacije
Uzmite mali uzorak iz dva različita izvora (npr. tabela za analizu tla i evidencija prinosa/đubriva); nazivi jedinica i parcela namjerno se razlikuju. Kombinirajte AI sa predlošcima „mapiranje u ciljnu šemu“ i „standardizacija jedinica“ iz ove jedinice. Zatim ručno provjerite 5 redova: jesu li konverzije jedinica ispravne, jesu li tačna podudaranja parcela, jesu li nedostajuće vrijednosti popunjene nagađanjem? Zabilježite svaku grešku koju pronađete i koje pravilo je AI prekršio.
kontrolna lista
- [ ] Definisao sam ciljnu šemu (kolone + jedinice) prije nego što sam je dao AI.
- [ ] Konvertovao sam sve jedinice u jedan standard i zadržao trag konverzije.
- [ ] Upario sam nepodudarnosti naziva parcele sa rječnikom i provjerio ukupnu površinu.
- [ ] Pregledao sam granične vrednosti sa agronomskim opsegom; Nisam ga mijenjao i označio.
- [ ] Odvojio sam podatke o tačkama i podatke karte; Nisam popunjavao praznine nagađanjima.