کشاورزی دقیق و ساختار داده های کشاورزی

سود:

• توانایی توضیح منطق کشاورزی دقیق و مفاهیم اساسی مانند کاربرد نرخ متغیر و مناطق مدیریتی.
• امکان تبدیل داده های میدان پراکنده، حسگر و ماشین به جداول تمیز، استاندارد و قابل ترکیب با هوش مصنوعی
• توانایی درک داده های فضایی (هماهنگ) و تأیید خروجی هوش مصنوعی در مقیاس بسته و منطقه مدیریتی

کشاورزی کلاسیک یک مزرعه را به عنوان یک کل مدیریت می کند که به یک روش و تنها رفتار می کند: همان کود، همان آب، همان آفت کش برای کل زمین. با این حال، در حالی که خاک در یک انتهای همان مزرعه ممکن است رسی باشد و آب را در خود نگه دارد، انتهای دیگر ممکن است شنی باشد و به سرعت آب را از دست بدهد. یک گوشه ممکن است خنک و مرطوب باشد زیرا پایین است، در حالی که یک شیب ممکن است گرم و خشک باشد زیرا رو به جنوب است. کشاورزی دقیق رویکردی است که هدف آن تقسیم زمین به مناطق با توجه به این تفاوت های داخلی و دادن ورودی به هر منطقه به اندازه نیاز است. هدف ساده است اما تاثیر آن بزرگ است: رسیدن به مکان مناسب، در زمان مناسب، به مقدار مناسب. این واحد منطق کشاورزی دقیق و نحوه ساخت داده های کشاورزی که این منطق را تغذیه می کند، سازمان یافته، قابل اعتماد و قابل ترکیب با هوش مصنوعی توضیح می دهد.

دو مفهوم در قلب کشاورزی دقیق وجود دارد. اولین مورد استفاده با نرخ متغیر (VRA) است: تراکتور یا تجهیزات به طور خودکار مقدار کود، بذر یا آب را با توجه به موقعیت مزرعه تغییر می دهند. دوم منطقه مدیریت است: تقسیم مزرعه به بخش های فرعی است که ویژگی های خاک و بهره وری مشابهی دارند و می توان آنها را به طور جداگانه مدیریت کرد. هوش مصنوعی هر دوی این مفاهیم را لمس می کند: با ترکیب داده های پراکنده به تعریف مناطق کمک می کند و پیش نویس نسخه هایی را برای هر منطقه پیشنهاد می کند. اما مهندس میداند که در نهایت مرز و نسخه منطقه ای را تایید می کند.

ماهیت داده های کشاورزی: ​​چرا آشفته است؟

در یک مزرعه، داده‌ها از ده‌ها منبع ناشناخته می‌آیند و هیچ‌کدام از آنها به زبان دیگری صحبت نمی‌کنند. آزمایشگاه خاک یک Excel ارسال می کند. کمباین نقشه عملکرد خود را در قالب دیگری ذخیره می کند. سنسور رطوبت CSV ساعتی تولید می کند. خروجی پهپاد JPEG و فایل مختصات. یادداشت های خود کشاورز در یک دفترچه دست نوشته شده بود. واحدهای این داده‌ها متفاوت است (kg/da، kg/ha، ppm، %)، قالب‌های تاریخ متفاوت است، سیستم‌های مکان متفاوت هستند، و اغلب نام‌های محصول/بسته متناقض هستند ("فیلد جریان"، "dere parcel"، "Plot-7" ممکن است همان مکان باشد). قبل از هوش مصنوعی، این کار ترکیبی آزاردهنده ترین و وقت گیرترین بخش یک مهندس بود.

اینجاست که هوش مصنوعی وارد عمل می‌شود و دقیقاً در جایی که امن‌تر است کار می‌کند: ترجمه داده‌ها به یک طرحواره استاندارد (یعنی یک ستون و ساختار واحد مشترک). اما مراقب باشید: هوش مصنوعی ممکن است هنگام تبدیل واحدها اشتباه کند و این اشتباه بی‌صدا کل تحلیل را خراب می‌کند. بنابراین قانون طلایی در ساختار داده این است که به صورت دستی هر تبدیل را با یک نمونه کوچک تأیید کنید.

نکته: قبل از تغذیه داده ها به هوش مصنوعی، طرح مورد نظر خود را خودتان تعریف کنید: کدام ستون ها، کدام واحدها، کدام قالب تاریخ. گفتن اینکه هوش مصنوعی «این را به آن نمودار ترجمه کند» بسیار قابل اعتمادتر از گفتن «ترتیب این داده ها» است.

درک داده های مکانی

بیشتر داده های کشاورزی مکانی هستند: هر اندازه گیری مختصاتی دارد. یک نمونه خاک به مکانی مانند "Plot-3، گوشه شمال غربی، 39.12 N / 32.45 E" مرتبط است. این مختصات معمولاً در یک سیستم متریک به نام طول و عرض جغرافیایی (WGS84) یا UTM داده می شود. هنگام تفسیر داده های مکانی هنگام کار با هوش مصنوعی، به سه چیز توجه کنید: آیا سیستم مختصات سازگار است، آیا نقاط نمونه به اندازه کافی پراکنده هستند تا میدان را نشان دهند، و اینکه آیا مقدار یک نقطه مربوط به کل منطقه است یا فقط آن نقطه. داده های نقشه مانند NDVI هر متر مربع از میدان را پوشش می دهد. نمونه خاک تنها نقطه ای را نشان می دهد که از آن برداشت شده است. گیج شدن این تمایز منجر به اشتباهات جدی در تفسیر می شود.

سه مورد کوچک: با اعداد

مورد 1 - صرفه جویی در زمان در مونتاژ. یک مهندس در مجموع 4200 ردیف داده از 5 منبع مختلف (آزمایشگاه خاک، نقشه عملکرد، حسگر، پهپاد، یادداشت های میدانی) را در یک جدول واحد ترکیب می کرد. تقریبا 6 ساعت با دست هنگامی که طرح هدف را از قبل تعریف کردیم و به هوش مصنوعی وظیفه "نقشه گذاری این 5 فایل به این ستون ها" را دادیم، اولین پیش نویس در 25 دقیقه بیرون آمد. او زمان باقیمانده را به بررسی دقت تطابق با یک نمونه 40 خطی اختصاص داد. کل زمان به حدود 2 ساعت کاهش یافت.

مورد 2 - تله واحد. نقشه عملکرد بر حسب کیلوگرم در هکتار و رکورد کود بر حسب کیلوگرم در هکتار بود. در ترکیب اول، هوش مصنوعی این دو را در یک ستون گروه‌بندی کرد و بازده یک قطعه را با ضریب 10 (1 هکتار = 10 دا) کمتر از حد اعلام کرد. مهندس این اختلاف را متوجه شد زیرا محصول واقعی یک بسته شناخته شده را به خاطر آورد. بررسی ترتیب قدر خطای واحد را نشان داد.

مورد 3 - اشتباه نام بسته. در سه منبع از همین میدان به نام های «دره»، «دره_ترلا» و «پلات-7» یاد شده است. هوش مصنوعی فکر کرد که اینها سه بسته جداگانه هستند و منطقه را به سه قسمت تقسیم کرد. وقتی مهندس متوجه شد که کل سطح زیر کشت با ارزش مندرج در سند مطابقت ندارد، فرهنگ لغت تطبیق را تعریف کرد ("این سه نام = قطعه-7") و به هوش مصنوعی گفت که با آن ترکیب شود.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

سازماندهی و ترکیب این داده های کشاورزی.[فایل]

اعلان قدرتمند:

نقش شما: تحلیلگر داده های کشاورزی. 4 منبع زیر را در یک جدول ترکیب کنید. طرح هدف (از این ستون‌ها و واحدها فراتر نروید): - parcel_id (متن)، تاریخ (YYYY-MM-DD)، محصول (متن)، - خاک_pH (تعداد)، نیتروژن_kg_da (kg/da)، بازده_kg_da (کیلوگرم_درصد درصد) واحد کود/بازده به کیلوگرم در روز؛ هر خطی را که ترجمه می‌کنید علامت‌گذاری کنید.- نام بسته‌ها را با فرهنگ لغتی که من دادم مطابقت دهید: {"dere":"P7","dere_field":"P7"}.- مقدار گم شده را خالی بگذارید، آن را با یک حدس پر کنید.- خطوطی را که نمی‌توانید ترجمه کنید یا نامشخص هستند را در فهرست جداگانه "check_required" قرار دهید. منابع:[داده]

اعلان قدرتمند طرح واره هدف، قانون واحد، فرهنگ لغت تطبیق و یک سطل جداگانه برای ابهام را تعریف می کند. بنابراین، به جای حدس زدن، هوش مصنوعی در جایی که بلاتکلیف است به شما تحویل می دهد.

چهار قالب قابل کپی

1) نگاشت به طرح هدف:

داده‌های خام زیر را به طرح زیر نگاشت کنید: [ستون‌ها + واحدها]. در جدولی نشان دهید که ستون هدف هر ستون منبع را به کدام ستون نگاشت می کند. اگر مطمئن نیستید، از "?" استفاده کنید. علامت گذاری با .

2) استانداردسازی و ردیابی واحد:

همه واحدهای مساحت را به دکر (da) تبدیل کنید. یک ستون "conversion_note" اضافه کنید. واحد و ضریب اصلی را برای هر مقدار تبدیل شده بنویسید (به عنوان مثال: "1 ha=10 da"). واحدی را که نمی توانید تبدیل کنید به همان صورت که هست بگذارید و علامت گذاری کنید.

3) اسکن بیرونی:

من محدوده زراعی مورد انتظار را برای این ستون‌های عددی ارائه می‌دهم: خاک_pH 4-9، نیتروژن_کیلوگرم_دا 0-30، بازده_کیلوگرم_دا 100-1200. هر ردیف خارج از محدوده را به‌عنوان «غیرطبیعی» علامت‌گذاری کنید. تغییر نکنید، فقط نشان دهید.

4) پیش نویس منطقه مدیریت:

با مشاهده داده های فضایی خاک و حاصلخیزی زیر، 2-4 منطقه مدیریت نامزد با ویژگی های مشابه را پیشنهاد دهید. برای هر منطقه: پارامترهایی را که با آنها از هم جدا کرده اید، مقادیر متوسط ​​و حدی که باید در فیلد تأیید کنم، یادداشت کنید. مرزهای واضح ترسیم نکنید. اینها پیش نویس هستند

نمودار مقایسه: کلاسیک در مقابل کشاورزی دقیق

اندازه

کشاورزی کلاسیک

کشاورزی دقیق

واحد مدیریت

کل میدان یکی است

مناطق اداری

توزیع ورودی

یکنواخت (نرخ ثابت)

نرخ متغیر (VRA)

منبع داده

مشاهده کشاورز

سنسور، ماهواره، پهپاد، ماشین

مبنای تصمیم گیری

تجربه + تقویم

تجربه + داده + مدل

نقش هوش مصنوعی

محدود است

تلفیق داده ها و پیش نویس پیشنهاد

ریسک

اضافه/کم ورودی

داده های اشتباه → منطقه اشتباه

اشتباهات رایج

• اجازه دهید هوش مصنوعی طرحواره را تعریف کند. اگر ستون ها و واحدهای هدف را مشخص نکنید، هوش مصنوعی هر بار ساختار متفاوتی تولید می کند و مقایسه غیرممکن می شود.
• پیگیری نکردن واحدها اگر مقدار ترجمه شده را ثبت نکنید، نمی توانید خطاهای بعدی را ردیابی کنید.
• اشتباه داده های نقطه ای با داده های نقشه. تعمیم یک نمونه خاک به کل منطقه، مرز منطقه را به اشتباه ترسیم می کند.
• اجازه دهید هوش مصنوعی شکاف ها را پر کند. پر کردن مقدار گمشده با یک حدس، ساختگی تولید می کند که به عنوان داده واقعی ظاهر می شود.
• چک نکردن نام بسته ها نام‌های متناقض منطقه و محصول را تقسیم می‌کنند و کل تحلیل فصل را مخدوش می‌کنند.

توجه: AI ممکن است نسخه VRA را توصیه کند (چه مقدار در کدام منطقه وارد شده است)، اما تایید نهایی متعلق به مهندس است. مرز نادرست منطقه به معنای کود زیر آب یا بیش از حد کود در یک منطقه است.

به طور خلاصه

کشاورزی دقیق هنر مدیریت مزرعه با توجه به تفاوت های داخلی آن است و بر دو مفهوم کاربرد نرخ متغیر و مناطق مدیریتی استوار است. این رویکرد توسط داده ها تقویت می شود. اما داده های کشاورزی پراکنده، چند واحدی و چند منبعی هستند. هوش مصنوعی در امن‌ترین و سودآورترین حوزه ترجمه این داده‌ها به یک طرحواره استاندارد کار می‌کند - تا زمانی که شما طرح‌واره هدف را تعریف کنید، ردیابی واحد را حفظ کنید، شکاف‌ها را پر نکنید و هر تبدیل را با یک مثال آزمایش کنید. داده های پاک و یکپارچه پایه محکمی برای همه واحدهای بعدی است (NDVI، خاک، آبیاری، عملکرد).

وظیفه کاربردی

نمونه کوچکی از دو منبع مختلف (به عنوان مثال جدول تجزیه خاک و رکورد عملکرد/کود) بگیرید. نام واحدها و بسته ها عمداً متفاوت است. هوش مصنوعی را با الگوهای "نقشه برداری برای طرحواره هدف" و "استانداردسازی واحد" از این واحد ترکیب کنید. سپس به صورت دستی 5 ردیف را تأیید کنید: آیا تبدیل واحدها درست است، آیا مطابقت های بسته درست است، آیا مقادیر گمشده با حدس و گمان پر می شوند؟ هر اشکالی که پیدا می کنید و قوانینی که هوش مصنوعی نقض کرده است را یادداشت کنید.

چک لیست

• [ ] من طرح واره هدف (ستون ها + واحدها) را قبل از دادن آن به هوش مصنوعی تعریف کردم.
• [ ] من همه واحدها را به یک استاندارد واحد تبدیل کردم و مسیر تبدیل را حفظ کردم.
• [ ] من اختلاف نام بسته را با فرهنگ لغت مطابقت دادم و کل مساحت را تأیید کردم.
• [ ] من نقاط پرت را با محدوده زراعی غربال کردم. تغییرش ندادم و علامت زدم.
• [ ] داده های نقطه ای و داده های نقشه را جدا کردم. جاهای خالی را با حدس و گمان پر نکردم.