Κέρδη:
- Ικανότητα εξήγησης της λογικής της γεωργίας ακριβείας και βασικών εννοιών όπως η εφαρμογή μεταβλητού ποσοστού και οι ζώνες διαχείρισης.
- Δυνατότητα μετατροπής διασκορπισμένων δεδομένων πεδίου, αισθητήρων και μηχανής σε καθαρούς, τυπικούς και συνθέσιμους πίνακες με AI
- Ικανότητα κατανόησης χωρικών (συντονισμένων) δεδομένων και επαλήθευσης της παραγωγής AI σε κλίμακα αγροτεμαχίου και περιοχής διαχείρισης
Η κλασική γεωργία διαχειρίζεται ένα χωράφι στο σύνολό του που συμπεριφέρεται με έναν και μοναδικό τρόπο: το ίδιο λίπασμα, το ίδιο νερό, το ίδιο φυτοφάρμακο για όλο το οικόπεδο. Ωστόσο, ενώ το έδαφος στο ένα άκρο του ίδιου χωραφιού μπορεί να είναι αργιλώδες και να συγκρατεί νερό, το άλλο άκρο μπορεί να είναι αμμώδες και να χάνει γρήγορα νερό. Μια γωνία μπορεί να είναι δροσερή και υγρή επειδή είναι χαμηλή, ενώ μια κλίση μπορεί να είναι ζεστή και ξηρή επειδή βλέπει νότια. Η γεωργία ακριβείας είναι μια προσέγγιση που στοχεύει να χωρίσει το χωράφι σε περιοχές σύμφωνα με αυτές τις εσωτερικές διαφορές και να δώσει σε κάθε περιοχή τόση εισροή όση χρειάζεται. Ο στόχος είναι απλός αλλά ο αντίκτυπος είναι μεγάλος: στο σωστό μέρος, τη σωστή στιγμή, στο σωστό ποσό. Αυτή η ενότητα εξηγεί τη λογική της γεωργίας ακριβείας και πώς να γίνουν τα γεωργικά δεδομένα που τροφοδοτούν αυτή τη λογική οργανωμένα, αξιόπιστα και συνθέσιμα με τεχνητή νοημοσύνη.
Υπάρχουν δύο έννοιες στην καρδιά της γεωργίας ακριβείας. Η πρώτη είναι η εφαρμογή μεταβλητού ρυθμού (VRA): το τρακτέρ ή ο εξοπλισμός αλλάζει αυτόματα την ποσότητα λιπάσματος, σπόρων ή νερού ανάλογα με τη θέση του χωραφιού. Η δεύτερη είναι η ζώνη διαχείρισης: είναι η διαίρεση του αγρού σε υποτμήματα που έχουν παρόμοια χαρακτηριστικά εδάφους και παραγωγικότητας και μπορούν να διαχειρίζονται χωριστά. Η τεχνητή νοημοσύνη αγγίζει και τις δύο αυτές έννοιες: βοηθά στον καθορισμό ζωνών συνδυάζοντας διασκορπισμένα δεδομένα και προτείνει πρόχειρες συνταγές για κάθε ζώνη. Αλλά ο μηχανικός που γνωρίζει το πεδίο είναι αυτός που τελικά εγκρίνει τα περιφερειακά σύνορα και τη συνταγή.
Η φύση των γεωργικών δεδομένων: Γιατί είναι ακατάστατο;
Σε μια φάρμα, τα δεδομένα προέρχονται από δεκάδες άγνωστες πηγές και καμία από αυτές δεν μιλά την ίδια γλώσσα με την άλλη. Το εργαστήριο εδάφους στέλνει ένα Excel. Η θεριζοαλωνιστική μηχανή αποθηκεύει τον χάρτη απόδοσης σε άλλη μορφή. Ο αισθητήρας υγρασίας δημιουργεί ωριαία CSV. Το drone εξάγει αρχείο JPEG και συντεταγμένων. Οι σημειώσεις του ίδιου του αγρότη ήταν χειρόγραφες σε ένα σημειωματάριο. Οι μονάδες αυτών των δεδομένων είναι διαφορετικές (kg/da, kg/ha, ppm, %), οι μορφές ημερομηνίας είναι διαφορετικές, τα συστήματα τοποθεσίας είναι διαφορετικά και συχνά τα ονόματα προϊόντων/δεμάτων είναι ασυνεπή ("Πεδίο ροής", "dere parcel", "Plot-7" μπορεί να είναι το ίδιο μέρος). Πριν από την τεχνητή νοημοσύνη, αυτή η συνδυαστική εργασία ήταν το πιο ενοχλητικό και χρονοβόρο μέρος ενός μηχανικού.
Εδώ μπαίνει στο παιχνίδι η τεχνητή νοημοσύνη και λειτουργεί ακριβώς εκεί που είναι πιο ασφαλές: μεταφράζοντας δεδομένα σε ένα τυπικό σχήμα (δηλαδή μια κοινή δομή στήλης και μονάδας). Αλλά να είστε προσεκτικοί: το AI μπορεί να κάνει λάθος κατά τη μετατροπή μονάδων και αυτό το λάθος θα καταστρέψει σιωπηλά ολόκληρη την ανάλυση. Έτσι, ο χρυσός κανόνας στη δόμηση δεδομένων είναι η μη αυτόματη επικύρωση κάθε μετασχηματισμού με ένα μικρό δείγμα.
Συμβουλή: Πριν τροφοδοτήσετε τα δεδομένα στο AI, καθορίστε μόνοι σας το σχήμα-στόχο σας: ποιες στήλες, ποιες μονάδες, ποια μορφή ημερομηνίας. Το να πεις στην τεχνητή νοημοσύνη να "μεταφράσει αυτό σε αυτό το διάγραμμα" είναι πολύ πιο αξιόπιστο από το να της πεις να "τακτοποιήσει αυτά τα δεδομένα".
Κατανόηση Χωρικών Δεδομένων
Τα περισσότερα γεωργικά δεδομένα είναι χωρικά: κάθε μέτρηση έχει μια συντεταγμένη. Ένα δείγμα εδάφους συνδέεται με μια τοποθεσία όπως "Οικόπεδο-3, βορειοδυτική γωνία, 39,12 N / 32,45 E". Αυτές οι συντεταγμένες δίνονται συνήθως σε ένα μετρικό σύστημα που ονομάζεται γεωγραφικό πλάτος/μήκος (WGS84) ή UTM. Κατά την ερμηνεία χωρικών δεδομένων όταν εργάζεστε με τεχνητή νοημοσύνη, δώστε προσοχή σε τρία πράγματα: είναι το σύστημα συντεταγμένων συνεπές, είναι τα σημεία δείγματος αρκετά διασκορπισμένα ώστε να αντιπροσωπεύουν το πεδίο και εάν η τιμή ενός σημείου αφορά ολόκληρη την περιοχή ή μόνο αυτό το σημείο. Τα δεδομένα χάρτη όπως το NDVI καλύπτουν κάθε τετραγωνικό μέτρο του πεδίου. Το δείγμα εδάφους αντιπροσωπεύει μόνο το σημείο όπου ελήφθη. Η σύγχυση αυτής της διάκρισης θα οδηγούσε σε σοβαρά ερμηνευτικά σφάλματα.
Three Mini Cases: By the Numbers
Περίπτωση 1 - Εξοικονόμηση χρόνου στη συναρμολόγηση. Ένας μηχανικός συνδύαζε συνολικά 4.200 σειρές δεδομένων από 5 διαφορετικές πηγές (εργαστήριο εδάφους, χάρτης απόδοσης, αισθητήρας, drone, σημειώσεις πεδίου) σε έναν ενιαίο πίνακα. περίπου 6 ώρες με το χέρι. Μόλις καθορίσαμε εκ των προτέρων το σχήμα-στόχο και δώσαμε στην τεχνητή νοημοσύνη να "χαρτογραφήσει αυτά τα 5 αρχεία σε αυτές τις στήλες", το πρώτο προσχέδιο βγήκε σε 25 λεπτά. Αφιέρωσε τον υπόλοιπο χρόνο στον έλεγχο της ακρίβειας αντιστοίχισης με ένα δείγμα 40 γραμμών. Ο συνολικός χρόνος μειώθηκε σε περίπου 2 ώρες.
Περίπτωση 2 - Μονάδα παγίδα. Ο χάρτης απόδοσης ήταν σε kg/ha και το αρχείο λιπασμάτων ήταν σε kg/ha. Στον πρώτο συνδυασμό, το AI ομαδοποίησε τα δύο στην ίδια στήλη και υποτίμησε την απόδοση ενός αγροτεμαχίου με συντελεστή 10 (1 ha = 10 da). Ο μηχανικός έπιασε την ασυμφωνία επειδή θυμήθηκε την πραγματική απόδοση ενός γνωστού δέματος. Ο έλεγχος της τάξης μεγέθους αποκάλυψε σφάλμα μονάδας.
Περίπτωση 3 - Σύγχυση ονόματος δέματος. Σε τρεις πηγές, το ίδιο πεδίο αναφέρθηκε ως "Dere", "dere_tarla" και "Plot-7". Η AI θεώρησε ότι επρόκειτο για τρία ξεχωριστά αγροτεμάχια και χώρισε την περιοχή σε τρία. Όταν ο μηχανικός συνειδητοποίησε ότι η συνολική καλλιεργούμενη έκταση δεν ταίριαζε με την αξία της πράξης, όρισε το αντίστοιχο λεξικό ("αυτά τα τρία ονόματα = Οικόπεδο-7") και είπε στο AI να το επανασυνδυάσει.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Οργανώστε και συνδυάστε αυτά τα γεωργικά δεδομένα.[αρχεία]
Ισχυρή προτροπή:
Ο ρόλος σας: Αναλυτής γεωργικών δεδομένων. Συνδυάστε τις ακόλουθες 4 πηγές σε ΕΝΑ πίνακα. Σχήμα στόχου (μην υπερβείτε αυτές τις στήλες και τις μονάδες): - δέμα_αναγνωριστικό (κείμενο), ημερομηνία (ΕΕΕΕ-ΜΜ-ΗΗ), προϊόν (κείμενο), - pH_ εδάφους (αριθμός), άζωτο_kg_da (kg/da), απόδοση_kg_da (kg_percent) λίπασμα/μονάδες απόδοσης σε kg/ημέρα. Σημειώστε κάθε γραμμή που μεταφράζετε.- Αντιστοιχίστε τα ονόματα δεμάτων με το λεξικό που έδωσα: {"dere":"P7","dere_field":"P7"}.- Αφήστε την τιμή που λείπει ΚΕΝΗ, συμπληρώστε την με μια εικασία.- Βάλτε τις γραμμές που δεν μπορείτε να μεταφράσετε ή είναι ασαφείς σε μια ξεχωριστή λίστα "check_required". Πηγές:[δεδομένα]
Η ισχυρή προτροπή καθορίζει το σχήμα στόχου, τον κανόνα μονάδας, το λεξικό αντιστοίχισης και έναν ξεχωριστό κάδο για ασάφεια. Έτσι, αντί να μαντεύετε, η τεχνητή νοημοσύνη σας παραδίδει εκεί που είναι αναποφάσιστο.
Τέσσερα αντιγράψιμα πρότυπα
1) Αντιστοίχιση σε σχήμα στόχου:
Αντιστοιχίστε τα ακόλουθα μη επεξεργασμένα δεδομένα στο ακόλουθο σχήμα: [στήλες + μονάδες]. Δείξτε σε έναν πίνακα σε ποια στήλη προορισμού αντιστοιχεί κάθε στήλη πηγής. Εάν δεν είστε σίγουροι, χρησιμοποιήστε το "?" Σημειώστε με .
2) Τυποποίηση μονάδων και ιχνηλασιμότητα:
Μετατρέψτε όλες τις μονάδες επιφάνειας σε decares (da). Προσθήκη στήλης "conversion_note". γράψτε την αρχική μονάδα και τον πολλαπλασιαστή για κάθε τιμή μετατροπής (π.χ.: "1 ha=10 da"). Αφήστε τη μονάδα που δεν μπορείτε να μετατρέψετε ως έχει και σημειώστε την.
3) Σάρωση Outlier:
Δίνω το αναμενόμενο αγρονομικό εύρος για αυτές τις αριθμητικές στήλες: χώμα_pH 4-9, άζωτο_kg_da 0-30, απόδοση_kg_da 100-1200. Επισημάνετε κάθε σειρά εκτός εύρους ως "ακραία". ΜΗΝ ΑΛΛΑΞΕΙΣ, απλά δείξε.
4) Σχέδιο περιφέρειας διαχείρισης:
Εξετάζοντας τα χωρικά δεδομένα του εδάφους και της γονιμότητας παρακάτω, προτείνετε 2-4 υποψήφιες περιοχές διαχείρισης με παρόμοια χαρακτηριστικά. Για κάθε περιοχή: γράψτε τις παραμέτρους με τις οποίες διαχωρίσατε, τις μέσες τιμές και το όριο που πρέπει να επαληθεύσω στο πεδίο. Μην σχεδιάζετε ξεκάθαρα όρια. αυτά είναι προσχέδια.
Γράφημα σύγκρισης: Κλασική εναντίον Καλλιέργειας Ακριβείας
Μέγεθος
κλασική γεωργία
γεωργία ακριβείας
μονάδα διαχείρισης
Όλο το πεδίο είναι ένα
Διοικητικές Περιφέρειες
Κατανομή εισόδου
Ενιαία (κατ' αποκοπή τιμή)
Μεταβλητός ρυθμός (VRA)
Πηγή δεδομένων
παρατήρηση αγρότη
αισθητήρας, δορυφόρος, drone, μηχ
Βάση απόφασης
Εμπειρία + ημερολόγιο
Εμπειρία + δεδομένα + μοντέλο
Ο ρόλος του AI
περιορισμένη
Ενοποίηση δεδομένων και σχέδιο πρότασης
Κίνδυνος
Υπέρβαση/υπό εισροή
Λάθος δεδομένα → λάθος περιοχή
Συνήθη λάθη
- Αφήστε το AI να καθορίσει το σχήμα. Εάν δεν καθορίσετε τις στήλες και τις μονάδες-στόχους, η τεχνητή νοημοσύνη θα παράγει διαφορετική δομή κάθε φορά και η σύγκριση καθίσταται αδύνατη.
- Μη παρακολούθηση των μονάδων. Εάν δεν καταγράψετε ποια τιμή μεταφράστηκε, δεν μπορείτε να εντοπίσετε τυχόν μεταγενέστερα σφάλματα.
- Λάθος δεδομένων σημείων με δεδομένα χάρτη. Η γενίκευση ενός μόνο δείγματος εδάφους σε ολόκληρη την περιοχή σχεδιάζει εσφαλμένα τα όρια της περιοχής.
- Αφήστε το AI να καλύψει τα κενά. Η συμπλήρωση της τιμής που λείπει με μια εικασία παράγει κατασκευή που μεταμφιέζεται σε πραγματικά δεδομένα.
- Μη έλεγχος ονομάτων δεμάτων. Τα ασυνεπή ονόματα διαιρούν την περιοχή και την απόδοση, παραμορφώνοντας την ανάλυση ολόκληρης της σεζόν.
Προσοχή: Η AI μπορεί να συστήσει τη συνταγή VRA (πόσο πήγε σε ποια περιοχή), αλλά η τελική έγκριση ανήκει στον μηχανικό. Ένα λανθασμένο όριο ζώνης σημαίνει υποβρύχια ή πάρα πολύ λίπασμα σε μια περιοχή.
Συνοπτικά
Η γεωργία ακριβείας είναι η τέχνη της διαχείρισης του αγρού σύμφωνα με τις εσωτερικές του διαφορές και βασίζεται σε δύο έννοιες: εφαρμογή μεταβλητού ποσοστού και ζώνες διαχείρισης. Αυτή η προσέγγιση τροφοδοτείται από δεδομένα. Όμως τα γεωργικά δεδομένα είναι διάσπαρτα, πολλαπλών μονάδων και πολλαπλών πηγών. Η τεχνητή νοημοσύνη λειτουργεί στον ασφαλέστερο και πιο κερδοφόρο τομέα της μετάφρασης αυτών των δεδομένων σε ένα τυπικό σχήμα - αρκεί να ορίσετε το σχήμα-στόχο, να διατηρήσετε το ίχνος μονάδας, να μην συμπληρώσετε τα κενά και να δοκιμάσετε κάθε μετασχηματισμό με ένα παράδειγμα. Τα καθαρά και ενοποιημένα δεδομένα είναι η σταθερή βάση για όλες τις επόμενες μονάδες (NDVI, έδαφος, άρδευση, απόδοση).
Εργασία εφαρμογής
Πάρτε ένα μικρό δείγμα από δύο διαφορετικές πηγές (π.χ. πίνακα ανάλυσης εδάφους και αρχείο απόδοσης/λιπάσματος). Οι μονάδες και τα ονόματα των δεμάτων είναι εσκεμμένα διαφορετικά. Συνδυάστε την τεχνητή νοημοσύνη με τα πρότυπα "χαρτογράφηση σε σχήμα στόχου" και "τυποποίηση μονάδας" από αυτήν τη μονάδα. Στη συνέχεια, επαληθεύστε χειροκίνητα τις 5 σειρές: είναι σωστές οι μετατροπές μονάδων, είναι σωστές οι αντιστοιχίσεις δέματος, οι τιμές που λείπουν συμπληρώνονται με εικασίες; Σημειώστε κάθε σφάλμα που βρίσκετε και ποιον κανόνα παραβίασε το AI.
λίστα ελέγχου
- [ ] Καθόρισα το σχήμα στόχου (στήλες + μονάδες) πριν το δώσω στο AI.
- [ ] Μετέτρεψα όλες τις μονάδες σε ένα ενιαίο πρότυπο και κράτησα το κομμάτι μετατροπής.
- [ ] Ταίριαξα τις αποκλίσεις στο όνομα του δέματος με το λεξικό και επαλήθευσα τη συνολική έκταση.
- [ ] Έλεγξα ακραίες τιμές με γεωπονικό εύρος. Δεν το άλλαξα και το σημάδεψα.
- [ ] Διαχώρισα δεδομένα σημείου και δεδομένα χάρτη. Δεν συμπλήρωσα τα κενά με εικασίες.