سود:
- توانایی توضیح منابع داده های مورد استفاده در پیش بینی بازده و تفاوت بین یادگیری ماشین و مدل های مکانیکی
- امکان پیکربندی تنظیمات پیش بینی بازده، ویژگی ها و محدوده عدم قطعیت با هوش مصنوعی
- توانایی تأیید خروجی مدل با بازده تاریخی، معیار و اندازهگیری میدانی و جلوگیری از اطمینان بیش از حد
"چه مقدار محصول از این حوزه دریافت خواهم کرد؟" این قدیمی ترین و با ارزش ترین سوال در کشاورزی است. دانستن پاسخ صحیح؛ یعنی برنامه ریزی کارگر برداشت، انبار، حمل و نقل، قرارداد فروش و تامین مالی. اشتباه دانستن آن به معنای هدر دادن منابع یا ناتوانی در ادامه آن است. هوش مصنوعی و یادگیری ماشینی (ML، روشی که الگوها را در دادهها یاد میگیرد و موقعیتهای جدید را پیشبینی میکند) میتواند پاسخهای قدرتمند اما خطرناکی قانعکننده برای این سوال ایجاد کند. این واحد به شما منابع داده پیشبینی بازده، تفاوت بین دو رویکرد اساسی، مدلهای یادگیری ماشین و مکانیکی، محدوده عدم قطعیت در پیشبینی، و - از همه مهمتر - نحوه اجتناب از اعتماد بیش از حد را به شما میآموزد.
کارایی به چه چیزی بستگی دارد؟ ورودی ها
بازده فقط به یک چیز بستگی ندارد. محصول عوامل بسیاری است منابع ورودی اصلی:
- وضعیت گیاه: سری زمانی NDVI/NDRE (توسعه زیست توده) در طول فصل، تراکم گیاه، سلامت.
- خاک: pH، OM، KDK، احتباس آب، منطقه مدیریت.
- آب و هوا / آب و هوا: تجمع GDD، بارش و دما در دوره بحرانی، رویدادهای یخبندان/تگرگ.
- مدیریت: تنوع، تاریخ کاشت، میزان کود و آبیاری، محلول پاشی.
- تاریخچه: بازده سال قبل از همان رشته (یکی از قوی ترین شاخص های تک).
هوش مصنوعی این ورودی ها (ویژگی ها) را ترکیب می کند و یک پیش بینی تولید می کند. اما چیزی که نباید فراموش شود: مدل فقط داده هایی را که تغذیه می کند و الگوهایی را که در آن داده ها می بیند می شناسد. اگر تاریخ اکتبر را ارائه ندهید، آن عامل را نادیده می گیرد.
دو رویکرد: یادگیری ماشین در مقابل مدل مکانیکی
مدل یادگیری ماشین الگوهای آماری را از مثالهای سالهای گذشته «این بازده در این شرایط است» یاد میگیرد. قدرت آن: بسیاری از متغیرها و روابط پیچیده را در بر می گیرد. ضعف: هنگامی که از داده های آموزشی فراتر می رود، اعتماد به نفس از بین می رود (نوع جدید، خشکسالی بی سابقه، مناطق مختلف). تلاش می کند تا دلیل آن را توضیح دهد ("جعبه سیاه").
مدل مکانیکی (مبتنی بر فرآیند) فیزیولوژی رشد گیاه را با معادلات (فتوسنتز، تعادل آب و مواد مغذی) تقلید می کند. نقاط قوت: قابل اطمینان تر، قابل توضیح در شرایط جدید. ضعف: به ورودی و کالیبراسیون زیادی نیاز دارد، تنظیم آن دشوار است.
در عمل این دو با هم ترکیب می شوند و هر دو با اندازه گیری میدانی تأیید می شوند. هوش مصنوعی راه اندازی، ویژگی ها و گزارش هر دو رویکرد را تسریع می کند.
اندازه
یادگیری ماشینی
مدل مکانیکی
اساسی
الگوی داده های تاریخی
معادلات فیزیولوژی
وضعیت جدید
ضعیف (خطر برون یابی)
قوی تر
قابل توضیح
کم (جعبه سیاه)
بالا
نیاز به داده
مثال گذشته طولانی
چند پارامتری / کالیبراسیون
نقش هوش مصنوعی
داستانی ویژه + مدل
آمادگی ورود، نظر
نکته: قبل از اعتماد به یک پیشبینی بازده، بپرسید: «آیا شرایط امسال مشابه گذشتهای است که مدل از آن آموخته است؟» یک خشکسالی غیرمعمول، یک رقم جدید، یا یک منطقه متفاوت، تخمین ML را غیرقابل اعتماد می کند. در چنین مواردی، محدوده عدم قطعیت را گسترش دهید.
محدوده عدم قطعیت: چرا فاصله و نه نقطه؟
یک تخمین بازده خوب نمی گوید "620 کیلوگرم در هر دکار". او می گوید: "560-680 کیلوگرم در هر دکار، محتمل ترین آن 620 است، اطمینان متوسط است." زیرا آینده نامشخص است و عدد فرد باعث ایجاد اطمینان کاذب می شود. دسامبر; این امکان تنظیم سناریوها (بد / متوسط / خوب) و مدیریت ریسک در برنامه ریزی را فراهم می کند. هنگام پیشبینی هوش مصنوعی، همیشه محدوده و سطح اطمینان را بخواهید. نسبت به مدلی که عدد فرد می دهد شک داشته باشید.
سه مورد کوچک: با اعداد
مورد 1 - برنامه ریزی فاصله. یک تولیدکننده گندم، کار برداشت و حمل و نقل را بر اساس یک تخمین واحد (500 کیلوگرم در هر دهیاری) ترتیب داده بود. زمانی که مدل پشتیبانی شده از هوش مصنوعی امتیازی بین 430 تا 560 کیلوگرم و «حساس به بارندگی دوره بحرانی» داد، سازنده یک برنامه کارگری انعطاف پذیر تهیه کرد. وزن واقعی 445 کیلوگرم بود. در حالی که برنامه ریزی سفت و سخت هزینه زیادی ایجاد می کرد، فاصله گذاری باعث صرفه جویی در انعطاف پذیری شد.
مورد 2 - تله برون یابی. یک مدل بر اساس داده های تاریخی در طول یک سال خشکسالی با شدت بی سابقه، عملکرد بالا را پیش بینی کرد. مهندس متوجه شد که شرایط خارج از داده های آموزشی است و پیش بینی را رد کرد و به اندازه گیری مزرعه (تراکم گیاه، شمارش گوش) بازگشت. اگر به مدل به تنهایی گوش داده می شد، یک خطای برنامه ریزی جدی بود.
مورد 3 - ویژگی از دست رفته. یک برآورد بالاتر از حد انتظار بود. هنگام بررسی، مشاهده شد که یک رویداد تگرگ در مدل وارد نشده است. هنگامی که ورودی کامل شد، پیش بینی به طور واقع بینانه سقوط کرد. درس: مدل فقط به اندازه ای که شما به آن می دهید می داند. فراموش کردن یک رویداد مهم تخمین را متورم می کند.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
چقدر از این رشته بازدهی خواهم داشت؟ یه شماره بهم بده
اعلان قدرتمند:
نقش شما: تحلیلگر داده های کشاورزی. یک رویکرد برای پیشبینی بازده (نه ساخت مدل، بلکه داستان و تفسیر) طراحی کنید. من ورودی ها را دارم: [سری NDVI، خاک، GDD، تاریخ کاشت، عملکرد تاریخی...]. وظیفه: - توضیح دهید که از کدام ویژگیها باید استفاده کنم، کدام تعیینکنندهترین هستند، - تخمین را بهعنوان INTERVAL و سطح اطمینان بخواهید، نه به عنوان یک نقطه.- آیا شرایط امسال مشابه گذشته است؟ اگر خطر برون یابی وجود دارد، ارزیابی کنید. - در مورد ورودی های حیاتی که ممکن است وجود نداشته باشند (تگرگ، سرمازدگی، بیماری) بپرسید. - نحوه تأیید اندازه گیری تخمینی مزرعه (تعداد بلال/میوه) را بنویسید.
اعلان قدرتمند فاصله گذاری، بررسی برون یابی، تشخیص ورودی گمشده و تأیید صحت را اعمال می کند.
چهار قالب قابل کپی
1) اولویت بندی ویژگی ها:
به ترتیب تعیین، ویژگی هایی را که می توان برای تخمین بازده محصول زیر استفاده کرد، فهرست کنید. به طور خلاصه توضیح دهید که چرا هر کدام مهم هستند. داده هایی را که ندارم اما ارزشمند خواهند بود، جداگانه علامت گذاری کنید.
2) محدوده عدم قطعیت:
این تخمین را نه به عنوان یک نقطه، بلکه به عنوان یک محدوده پایین به بالا و سطح اطمینان (بالا/متوسط/پایین) ارائه دهید. عواملی را بنویسید که دامنه را باریک و گسترده می کند.
3) بررسی برون یابی:
شرایط امسال (آب و هوا، تنوع، مدیریت) را با سال های معمولی گذشته مقایسه کنید. آیا مدل از داده های آموزشی دور می شود؟ اگر چنین است، چقدر باید به پیش بینی اعتماد کنم؟
4) طرح راستی آزمایی میدانی:
چگونه می توانم کدام اندازه گیری را انجام دهم (تعداد خوشه/میوه در مزرعه، وزن دانه) تا این تخمین عملکرد را در مزرعه قبل از برداشت تأیید کنم؟ پیشنهاد طرح نمونه گیری
اشتباهات رایج
- اعتماد به یک عدد تخمین نقطه ای دقت نادرستی است. محدوده و سطح اطمینان را بخواهید.
- نادیده گرفتن برون یابی برآورد ML در یک سال غیرمعمول غیر قابل اعتماد است. شرایط را با گذشته مقایسه کنید.
- فراموشی ورودی حیاتی در صورت عدم ورود به رویدادهایی مانند تگرگ، یخبندان و بیماری، پیش بینی متورم خواهد شد.
- بستن مدل به میدان. اندازه گیری مستقیم مانند شمارش سنبله/میوه لنگر نهایی است. ازش نگذر
- اعتماد کورکورانه به جعبه سیاه پیشبینیای که دلیل آن قابل توضیح نیست، نباید بدون تردید به تصمیم تبدیل شود.
احتیاط: پیش بینی بازده تصمیمات مالی و عملیاتی (قرارداد، وام، کارمند) را آغاز می کند. تعهدی که بر اساس یک پیش بینی بیش از حد خوش بینانه است، در صورت عدم تحقق صدمات جدی ایجاد می کند. برآورد را به عنوان طیفی از احتمالات ارائه دهید و بر اساس سناریوی محتاطانه تعهدات حیاتی را اتخاذ کنید.
به طور خلاصه
پیش بینی عملکرد ترکیبی از بسیاری از نهاده ها (گیاه، خاک، آب و هوا، مدیریت، تاریخ) است. یادگیری ماشین الگوهای پیچیده ای را ثبت می کند، اما وقتی از داده های آموزشی فراتر می رود، اطمینان آن از بین می رود. مدل مکانیکی در شرایط جدید قابل اعتمادتر است اما ایجاد آن دشوار است. هوش مصنوعی ساخت هر دو رویکرد را تسریع می کند. یک تخمین خوب یک فاصله زمانی است، نه یک نقطه، ارائه شده با سطح اطمینان، برای خطر برون یابی بررسی می شود و با اندازه گیری میدانی تأیید می شود. اعتماد بیش از حد گرانترین اشتباه است. پیشبینی یک احتمال است، نه یک تعهد.
وظیفه کاربردی
ورودی های (نماینده) شما برای یک محصول را فهرست کنید: چندین سال عملکرد تاریخی، روند NDVI، تاریخ کاشت، بارندگی دوره بحرانی. هوش مصنوعی را برای پیشبینی بازده با الگوهای «اولویتبندی ویژگی» و «شکاف عدم قطعیت» در این واحد دریافت کنید. سپس عمداً یک ورودی مهم (مثلاً یک رویداد تگرگ) را حذف کنید و دوباره بپرسید و مشاهده کنید که چگونه پیشبینی تغییر میکند. در یک پاراگراف بنویسید که چگونه پیش بینی را در مزرعه قبل از برداشت بررسی می کنید.
چک لیست
- [ ] من نقطه تخمینی را می خواستم، نه محدوده و سطح اطمینان.
- [ ] من شرایط امسال را با گذشته مقایسه کردم و خطر برون یابی را بررسی کردم.
- [ ] بررسی کردم که ورودی های حیاتی (تگرگ، یخبندان، بیماری) وجود نداشته باشد.
- [ ] من بازده تاریخی تخمینی و معیار را مقایسه کردم.
- [ ] من یک طرح تأیید با اندازه گیری مزرعه (تعداد گوش/میوه) تنظیم کردم.