Kasu:
- Oskus selgitada täppispõllumajanduse loogikat ja põhimõisteid nagu muutuva kulunormiga rakendus- ja majandamistsoonid.
- Võimalus muuta hajutatud välja-, andurite- ja masinaandmed tehisintellektiga puhasteks, standardseteks ja komponeeritavateks tabeliteks
- Võimalus mõista ruumilisi (koordineeritud) andmeid ja kontrollida tehisintellekti väljundit maatüki ja haldusala skaalal
Klassikaline põllumajandus haldab põldu tervikuna, mis käitub ühel ja ainsal viisil: sama väetis, sama vesi, sama taimekaitsevahend kogu põllul. Samas kui sama põllu ühes otsas võib muld olla savine ja vett kinni hoidev, siis teine ots võib olla liivane ja kiiresti vett kaotav; Nurk võib olla jahe ja niiske, kuna see on madal, samas kui kalle võib olla kuum ja kuiv, kuna see on lõuna poole. Täppispõllumajandus on lähenemine, mille eesmärk on jagada valdkond nende sisemiste erinevuste järgi piirkondadeks ja anda igale piirkonnale nii palju sisendit, kui ta vajab. Eesmärk on lihtne, kuid mõju on suur: õigesse kohta, õigel ajal, õiges koguses. See üksus selgitab täppispõllumajanduse loogikat ja seda, kuidas muuta seda loogikat toidavad põllumajandusandmed organiseerituks, usaldusväärseks ja tehisintellekti abil koostatavaks.
Täppispõllumajanduse keskmes on kaks kontseptsiooni. Esimene on muutuva normiga laotamine (VRA): traktor või tehnika muudab automaatselt väetise, seemne või vee kogust vastavalt põllu asukohale. Teine on majandamistsoon: see on põllu jagamine alaosadeks, millel on sarnased mullastiku ja tootlikkuse omadused ning mida saab eraldi majandada. Tehisintellekt puudutab mõlemat mõistet: see aitab hajutatud andmeid kombineerides määratleda tsoone ja soovitab iga tsooni jaoks ettekirjutuste kavandeid. Kuid valdkonda tundev insener on see, kes lõpuks piirkondliku piiri ja ettekirjutuse heaks kiidab.
Põllumajandusandmete olemus: miks see on segane?
Ühe talu kohta pärinevad andmed kümnetest teadmata allikatest ja ükski neist ei räägi teistega sama keelt. Mullalabor saadab Exceli; Kombain salvestab oma saagikaardi muus vormingus; niiskusandur genereerib tunnis CSV-d; droon väljastab JPEG ja koordinaadifaili; Taluniku enda märkmed olid käsitsi kirjutatud vihikusse. Nende andmete ühikud on erinevad (kg/da, kg/ha, ppm, %), kuupäevade formaadid on erinevad, asukohasüsteemid erinevad ning sageli on toodete/maatükkide nimed ebaühtlased ("Stream field", "dere parcel", "Plot-7" võib olla sama koht). Enne tehisintellekti oli see kombineeritud töö inseneri kõige tüütum ja aeganõudvam osa.
Siin tuleb mängu tehisintellekt ja see töötab täpselt seal, kus see on kõige turvalisem: andmete tõlkimine standardskeemiks (st ühiseks veeru- ja ühikustruktuuriks). Kuid olge ettevaatlik: AI võib ühikute teisendamisel teha vea ja see viga rikub vaikselt kogu analüüsi. Seega on andmete struktureerimise kuldreegel iga teisenduse käsitsi kinnitamine väikese valimiga.
Näpunäide. Enne andmete AI-le sisestamist määrake ise sihtskeem: millised veerud, millised ühikud, milline kuupäevavorming. Tehisintellektile käsk „tõlkida see sellesse diagrammi” on palju usaldusväärsem kui käsk „need andmed korraldada”.
Ruumiandmete mõistmine
Enamik põllumajandusandmeid on ruumilised: igal mõõtmisel on koordinaat. Pinnaseproov on seotud sellise asukohaga nagu "Plut-3, loodenurk, 39,12 N / 32,45 E". Need koordinaadid antakse tavaliselt metrilises süsteemis, mida nimetatakse laius-/pikkuskraad (WGS84) või UTM. Ruumiandmete tõlgendamisel tehisintellektiga töötades pöörake tähelepanu kolmele asjale: kas koordinaatsüsteem on järjepidev, kas proovipunktid on välja esindamiseks piisavalt hajutatud ja kas punkti väärtus puudutab kogu piirkonda või ainult seda punkti. Kaardiandmed, nagu NDVI, hõlmavad iga põllu ruutmeetrit; Mullaproov esindab ainult kohta, kus see võeti. Selle eristuse segi ajamine tooks kaasa tõsiseid tõlgendusvigu.
Kolm miniümbrist: numbrite järgi
Juhtum 1 – aja kokkuhoid kokkupanekul. Insener ühendas ühte tabelisse kokku 4200 rida andmeid viiest erinevast allikast (mullalabor, saagikuse kaart, andur, droon, põllumärkmed); umbes 6 tundi käsitsi. Kui me määratlesime sihtskeemi eelnevalt ja andsime tehisintellektile ülesande "kaardistada need 5 faili nendesse veergudesse", ilmus esimene mustand 25 minuti pärast; Ülejäänud aja pühendas ta sobivuse täpsuse kontrollimisele 40-realise prooviga. Koguaeg vähenes umbes 2 tunnini.
Juhtum 2 – üksuse lõks. Saagikaart oli kg/ha ja väetiserekord kg/ha. Esimeses kombinatsioonis rühmitas AI need kaks samasse veergu ja alahindas ühe proovitüki saagikust 10 korda (1 ha = 10 da). Insener tabas lahknevuse, kuna mäletas teadaoleva maatüki tegelikku saaki; Suurusjärgu kontrollimisel selgus ühiku viga.
Juhtum 3 – paki nimetuse segadus. Kolmes allikas mainiti sama välja kui "Dere", "dere_tarla" ja "Plot-7". AI arvas, et need on kolm eraldi maatükki, ja jagas piirkonna kolmeks. Kui insener sai aru, et kogu haritav ala ei vasta aktis olevale väärtusele, määratles ta sobiva sõnastiku ("need kolm nime = Plot-7") ja käskis tehisintellektil sellega uuesti kombineerida.
Nõrk viip / Tugev viip
Nõrk viip:
Korraldage ja ühendage need põllumajandusandmed.[failid]
Võimas viip:
Sinu roll: Põllumajandusandmete analüütik. Ühendage järgmised 4 allikat ÜHTEKS tabelis.Sihtskeem (ärge ületage neid veerge ja ühikuid):- maatüki_id (tekst), kuupäev (AAAA-KK-PP), toode (tekst),- mulla_pH (arv), lämmastiku_kg_da (kg/da), saagis_kg_da (kg/da), niiskuse_protsent (%) Reeglid:- s/kgy ühikut fermendid; Märkige iga tõlgitav rida.- Sobitage pakkide nimed minu antud sõnastikuga: {"dere":"P7","dere_field":"P7"}.- Jätke puuduv väärtus TÜHJA, täitke oletusega.- Pange read, mida te ei saa tõlkida või mis on ebaselged, eraldi loendisse "check_required". Allikad:[andmed]
Võimas viip määratleb sihtskeemi, ühikureegli, sobitussõnastiku ja eraldi ämbri mitmetähenduslikkuse jaoks. Seega, selle asemel, et oletada, edastab AI teile seal, kus pole otsustatud.
Neli kopeeritavat malli
1) Sihtskeemiga vastendamine:
Vastastage järgmised algandmed järgmise skeemi järgi: [veerud + ühikud]. Näidake tabelis, millise sihtveeruga iga lähteveerg on vastendatud. Kui te pole kindel, kasutage "?" Märkige .
2) Ühikute standardimine ja jälgitavus:
Teisenda kõik pindalaühikud dekaaredeks (da). Lisage veerg „conversion_note”; kirjuta iga teisendatud väärtuse kohta algühik ja kordaja (nt: "1 ha=10 da"). Jätke ühik, mida te ei saa teisendada, praeguseks ja märkige see.
3) Kõrvalväärtuste skaneerimine:
Annan nende arvuliste veergude jaoks eeldatava agronoomilise vahemiku: mulla_pH 4-9, lämmastiku_kg_da 0-30, saagis_kg_da 100-1200. Märgi iga rida väljaspool vahemikku "kõrvalväärtuslikuks"; ÄRGE MUUDA, vaid näidake.
4) Majandamispiirkonna eelnõu:
Vaadates allolevaid ruumilisi mulla- ja viljakusandmeid, soovitage 2–4 sarnaste omadustega majandamisala kandidaati. Iga piirkonna jaoks: kirjutage üles eraldatud parameetrid, keskmised väärtused ja piir, mida pean väljale kontrollima. Ära tõmba selgeid piire; need on mustandid.
Võrdlustabel: klassikaline vs täppispõllumajandus
Suurus
klassikaline põllumajandus
täppispõllumajandus
juhtimisüksus
Kogu valdkond on üks
Halduspiirkonnad
Sisendjaotus
Ühtlane (kindlasummaline)
Muutuva intressimääraga (VRA)
Andmeallikas
taluniku vaatlus
sensor, satelliit, droon, masin
Otsuse alus
Kogemus + kalender
Kogemus + andmed + mudel
AI roll
piiratud
Andmete koondamine ja ettepaneku eelnõu
Risk
Liigne/ala sisend
Valed andmed → vale piirkond
Levinud vead
- Laske tehisintellektil skeemi määratleda. Kui te sihtveerge ja -ühikuid ei täpsusta, loob AI iga kord erineva struktuuri ja võrdlemine muutub võimatuks.
- Ei pea ühikuid arvet. Kui te ei salvesta, millist väärtust tõlgiti, ei saa te hilisemaid vigu jälgida.
- Punktide andmete segamine kaardiandmetega. Ühe mullaproovi üldistamine kogu piirkonnale tõmbab piirkonna piiri valesti.
- Laske tehisintellektil lüngad täita. Puuduva väärtuse täitmine oletusega tekitab väljamõeldis, mis maskeerub tõelisteks andmeteks.
- Ei kontrolli pakkide nimesid. Ebajärjekindlad nimed jagavad pindala ja saagikust, moonutades kogu hooaja analüüsi.
Tähelepanu: AI võib soovitada VRA retsepti (kui palju millisesse piirkonda läks), kuid lõplik kinnitus kuulub insenerile. Vale tsooni piir tähendab veealust või liiga palju väetist piirkonnas.
Kokkuvõttes
Täppisviljelus on kunst juhtida põldu vastavalt selle sisemistele erinevustele ja põhineb kahel kontseptsioonil: muutuva normiga rakendus ja majandamistsoonid. Seda lähenemisviisi toetavad andmed; Kuid põllumajandusandmed on hajutatud, mitmest üksusest ja mitmest allikast koosnevad andmed. Tehisintellekt töötab nende andmete standardskeemiks tõlkimisel kõige turvalisemas ja tulutoovamas valdkonnas – seni, kuni defineerite sihtskeemi, säilitate üksuse jälgi, ärge täitke lünki ja testite iga teisendust näitega. Puhtad ja ühtsed andmed on kindel alus kõikidele järgnevatele üksustele (NDVI, pinnas, niisutamine, saagikus).
Rakenduse ülesanne
Võtke väike proov kahest erinevast allikast (nt mullaanalüüsi tabel ja saagi/väetise kirje); ühikud ja pakkide nimed on teadlikult erinevad. Kombineerige tehisintellekt selle üksuse mallidega „mapping to sihtskeem” ja „üksuse standardimine”. Seejärel kontrollige käsitsi 5 rida: kas ühikute teisendused on õiged, kas pakkide vasted on õiged, kas puuduvad väärtused on täidetud oletustega? Pange tähele iga leitud viga ja seda, millist reeglit AI rikkus.
kontrollnimekiri
- [ ] Määratlesin sihtskeemi (veerud + ühikud) enne selle AI-le andmist.
- [ ] Teisendasin kõik ühikud ühtseks standardiks ja jätsin teisendusrada.
- [ ] Võrdlesin maatüki nimede lahknevused sõnaraamatuga ja kontrollisin kogupindala.
- [ ] Sõelusin agronoomilise ulatusega kõrvalekalded; Ma ei muutnud seda ja märkisin ära.
- [ ] Eraldasin punkti- ja kaardiandmed; Ma ei täitnud lünki oletustega.