પ્રિસિઝન એગ્રીકલ્ચર એન્ડ સ્ટ્રક્ચરિંગ ઓફ એગ્રીકલ્ચર ડેટા

નફો:

• ચોકસાઇવાળા કૃષિના તર્ક અને મૂળભૂત ખ્યાલો જેમ કે વેરિયેબલ રેટ એપ્લિકેશન અને મેનેજમેન્ટ ઝોન સમજાવવાની ક્ષમતા.
• AI સાથે વિખરાયેલા ક્ષેત્ર, સેન્સર અને મશીન ડેટાને સ્વચ્છ, પ્રમાણભૂત અને કંપોઝેબલ કોષ્ટકોમાં રૂપાંતરિત કરવાની ક્ષમતા
• અવકાશી (સંકલિત) ડેટાને સમજવાની અને પાર્સલ અને મેનેજમેન્ટ એરિયા સ્કેલ પર AI આઉટપુટ ચકાસવાની ક્ષમતા

ક્લાસિકલ એગ્રીકલ્ચર એક સંપૂર્ણ ક્ષેત્રનું સંચાલન કરે છે જે એક જ રીતે વર્તે છે: સમગ્ર પ્લોટ માટે સમાન ખાતર, સમાન પાણી, સમાન જંતુનાશક. જો કે, જ્યારે એ જ ક્ષેત્રના એક છેડાની જમીન માટીની હોઈ શકે છે અને તે પાણીને જાળવી રાખે છે, ત્યારે બીજો છેડો રેતાળ હોઈ શકે છે અને ઝડપથી પાણી ગુમાવે છે; એક ખૂણો ઠંડો અને ભેજવાળો હોઈ શકે છે કારણ કે તે ઓછો છે, જ્યારે ઢોળાવ ગરમ અને સૂકો હોઈ શકે છે કારણ કે તે દક્ષિણ તરફ છે. પ્રિસિઝન એગ્રીકલ્ચર એ એક અભિગમ છે જેનો ઉદ્દેશ્ય આ આંતરિક તફાવતો અનુસાર ક્ષેત્રોને પ્રદેશોમાં વિભાજિત કરવાનો છે અને દરેક પ્રદેશને તેની જરૂર હોય તેટલું ઇનપુટ આપવાનો છે. ધ્યેય સરળ છે પરંતુ અસર મોટી છે: યોગ્ય જગ્યાએ, યોગ્ય સમયે, યોગ્ય માત્રામાં. આ એકમ સચોટ કૃષિના તર્ક અને આ તર્કને ફીડ કરતા કૃષિ ડેટાને આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે સંગઠિત, ભરોસાપાત્ર અને કમ્પોઝેબલ કેવી રીતે બનાવવો તે સમજાવે છે.

ચોકસાઇવાળી ખેતીના કેન્દ્રમાં બે ખ્યાલો છે. પ્રથમ વેરિયેબલ રેટ એપ્લીકેશન (વીઆરએ) છે: ટ્રેક્ટર અથવા સાધનો ખેતરના સ્થાન અનુસાર આપમેળે ખાતર, બિયારણ અથવા પાણીની માત્રામાં ફેરફાર કરે છે. બીજું મેનેજમેન્ટ ઝોન છે: તે પેટા ભાગોમાં ક્ષેત્રનું વિભાજન છે જે સમાન માટી અને ઉત્પાદકતા લાક્ષણિકતાઓ ધરાવે છે અને તેને અલગથી સંચાલિત કરી શકાય છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ બંને વિભાવનાઓને સ્પર્શે છે: તે વિખરાયેલા ડેટાને જોડીને ઝોનને વ્યાખ્યાયિત કરવામાં મદદ કરે છે અને દરેક ઝોન માટે ડ્રાફ્ટ પ્રિસ્ક્રિપ્શનો સૂચવે છે. પરંતુ જે ઇજનેર ક્ષેત્રને જાણે છે તે તે છે જે આખરે પ્રાદેશિક સરહદ અને પ્રિસ્ક્રિપ્શનને મંજૂરી આપે છે.

કૃષિ ડેટાની પ્રકૃતિ: શા માટે તે અવ્યવસ્થિત છે?

ખેતરમાં, ડઝનેક અજાણ્યા સ્ત્રોતોમાંથી ડેટા આવે છે અને તેમાંથી કોઈ પણ અન્ય જેવી ભાષા બોલતું નથી. માટી પ્રયોગશાળા એક્સેલ મોકલે છે; કમ્બાઈન હાર્વેસ્ટર તેના ઉપજના નકશાને બીજા ફોર્મેટમાં સાચવે છે; ભેજ સેન્સર કલાકદીઠ CSV જનરેટ કરે છે; ડ્રોન આઉટપુટ JPEG અને કોઓર્ડિનેટ ફાઇલ; ખેડૂતની પોતાની નોંધો એક નોટબુકમાં હાથથી લખેલી હતી. આ ડેટાના એકમો અલગ છે (kg/da, kg/ha, ppm, %), તારીખ ફોર્મેટ અલગ છે, લોકેશન સિસ્ટમ્સ અલગ છે અને ઘણી વખત પ્રોડક્ટ/પાર્સલના નામ અસંગત હોય છે ("સ્ટ્રીમ ફીલ્ડ", "ડેરે પાર્સલ", "પ્લોટ-7" એક જ સ્થાન હોઈ શકે છે). આર્ટિફિશિયલ ઇન્ટેલિજન્સ પહેલાં, આ સંયોજન કાર્ય એન્જિનિયર માટે સૌથી વધુ હેરાન કરતું અને સમય માંગી લેતું ભાગ હતું.

આ તે છે જ્યાં કૃત્રિમ બુદ્ધિ રમતમાં આવે છે અને જ્યાં તે સૌથી સલામત હોય ત્યાં બરાબર કાર્ય કરે છે: ડેટાને પ્રમાણભૂત સ્કીમા (એટલે ​​​​કે સામાન્ય કૉલમ અને એકમ માળખું) માં અનુવાદિત કરવું. પરંતુ સાવચેત રહો: ​​એકમોને કન્વર્ટ કરતી વખતે AI ભૂલ કરી શકે છે, અને આ ભૂલ શાંતિથી સમગ્ર વિશ્લેષણને બગાડે છે. તેથી ડેટા સ્ટ્રક્ચરિંગમાં સુવર્ણ નિયમ એ છે કે નાના નમૂના સાથે દરેક રૂપાંતરણને મેન્યુઅલી માન્ય કરવું.

ટીપ: AI ને ડેટા ફીડ કરતા પહેલા, તમારી લક્ષ્ય યોજના જાતે વ્યાખ્યાયિત કરો: કયા કૉલમ, કયા એકમો, કયા તારીખ ફોર્મેટ. AI ને "તે ડાયાગ્રામમાં આનું ભાષાંતર કરવા" કહેવું એ તેને "આ ડેટા ગોઠવવા" કહેવા કરતાં વધુ વિશ્વસનીય છે.

અવકાશી ડેટાને સમજવું

મોટાભાગના કૃષિ ડેટા અવકાશી છે: દરેક માપન એક સંકલન ધરાવે છે. માટીનો નમૂનો "પ્લોટ-3, ઉત્તર પશ્ચિમ ખૂણો, 39.12 N / 32.45 E" જેવા સ્થાન સાથે જોડાયેલ છે. આ કોઓર્ડિનેટ્સ સામાન્ય રીતે અક્ષાંશ/રેખાંશ (WGS84) અથવા UTM તરીકે ઓળખાતી મેટ્રિક સિસ્ટમમાં આપવામાં આવે છે. AI સાથે કામ કરતી વખતે અવકાશી માહિતીનું અર્થઘટન કરતી વખતે, ત્રણ બાબતો પર ધ્યાન આપો: શું સંકલન પ્રણાલી સુસંગત છે, શું નમૂનાના બિંદુઓ ક્ષેત્રને રજૂ કરવા માટે પૂરતા પ્રમાણમાં વિખરાયેલા છે, અને શું બિંદુનું મૂલ્ય સમગ્ર પ્રદેશ અથવા માત્ર તે બિંદુને અનુલક્ષે છે. NDVI જેવા નકશા ડેટા ક્ષેત્રના દરેક ચોરસ મીટરને આવરી લે છે; માટીનો નમૂનો માત્ર તે બિંદુને દર્શાવે છે જ્યાં તે લેવામાં આવ્યો હતો. આ તફાવતને ગૂંચવવાથી અર્થઘટનમાં ગંભીર ભૂલો થશે.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 - એસેમ્બલીમાં સમયની બચત. એક ઈજનેર 5 અલગ-અલગ સ્ત્રોતો (સોઈલ લેબ, યીલ્ડ મેપ, સેન્સર, ડ્રોન, ફીલ્ડ નોટ્સ)માંથી કુલ 4,200 પંક્તિઓના ડેટાને એક ટેબલમાં જોડી રહ્યો હતો; હાથથી લગભગ 6 કલાક. એકવાર અમે ટાર્ગેટ સ્કીમાને અગાઉથી વ્યાખ્યાયિત કરી લીધા પછી અને AI ને "આ 5 ફાઇલોને આ કૉલમમાં નકશા" કરવાનું કાર્ય આપ્યું, પ્રથમ ડ્રાફ્ટ 25 મિનિટમાં બહાર આવ્યો; તેણે બાકીનો સમય 40-લાઇનના નમૂના સાથે મેચિંગ ચોકસાઈ તપાસવા માટે ફાળવ્યો. કુલ સમય લગભગ 2 કલાક ઘટીને.

કેસ 2 - યુનિટ ટ્રેપ. ઉપજનો નકશો કિગ્રા/હેક્ટરમાં હતો અને ખાતરનો રેકોર્ડ કિગ્રા/હેક્ટરમાં હતો. પ્રથમ સંયોજનમાં, AI એ બંનેને એક જ સ્તંભમાં જૂથબદ્ધ કર્યા અને 10 (1 ha = 10 da) ના પરિબળ દ્વારા એક પ્લોટની ઉપજને ઓછી કરી. એન્જિનિયરે વિસંગતતા પકડી કારણ કે તેને જાણીતા પાર્સલની વાસ્તવિક ઉપજ યાદ હતી; મેગ્નિટ્યુડ ચેકના ક્રમમાં એકમની ભૂલ જાહેર થઈ.

કેસ 3 - પાર્સલ નામની મૂંઝવણ. ત્રણ સ્ત્રોતોમાં, સમાન ક્ષેત્રનો ઉલ્લેખ "ડેરે", "ડેરે_તારલા" અને "પ્લોટ-7" તરીકે કરવામાં આવ્યો હતો. AI એ વિચાર્યું કે આ ત્રણ અલગ-અલગ પાર્સલ છે અને તેણે વિસ્તારને ત્રણ ભાગમાં વહેંચ્યો. જ્યારે એન્જિનિયરને ખબર પડી કે કુલ ખેતી થયેલ વિસ્તાર ખતમાં મૂલ્ય સાથે મેળ ખાતો નથી, ત્યારે તેણે મેચિંગ ડિક્શનરી ("આ ત્રણ નામો = પ્લોટ-7") વ્યાખ્યાયિત કરી અને AIને તેની સાથે ફરીથી જોડવાનું કહ્યું.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ કૃષિ ડેટાને ગોઠવો અને ભેગા કરો.[ફાઈલો]

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: કૃષિ ડેટા વિશ્લેષક. નીચેના 4 સ્ત્રોતોને એક કોષ્ટકમાં ભેગું કરો. લક્ષ્ય યોજના (આ કૉલમ અને એકમોથી આગળ વધશો નહીં):- parcel_id (ટેક્સ્ટ), તારીખ (YYYY-MM-DD), પ્રોડક્ટ (ટેક્સ્ટ),- soil_pH (સંખ્યા), નાઇટ્રોજન_kg_da (kg/da), yield_kg_da (kg/da), yield_kg_daage (%-kg_dage) (%-%) બધા ખાતર/ઉપજ એકમોને kg/da માં કન્વર્ટ કરો; તમે ભાષાંતર કરો છો તે દરેક લાઇનને ચિહ્નિત કરો.- મેં આપેલા શબ્દકોશ સાથે પાર્સલના નામો મેળવો: {"dere":"P7","dere_field":"P7"}.- ખૂટતી કિંમત ખાલી છોડી દો, તેને અનુમાન સાથે ભરો.- જે લીટીઓ તમે અનુવાદિત કરી શકતા નથી અથવા અસ્પષ્ટ છે તે અલગ "ચેક_જરૂરી" સૂચિમાં મૂકો. સ્ત્રોતો:[ડેટા]

શક્તિશાળી પ્રોમ્પ્ટ લક્ષ્ય સ્કીમા, એકમ નિયમ, મેચિંગ શબ્દકોશ અને અસ્પષ્ટતા માટે એક અલગ બકેટને વ્યાખ્યાયિત કરે છે. આમ, અનુમાન લગાવવાને બદલે, એઆઈ તમને જ્યાં અનિર્ણિત હોય ત્યાં પહોંચાડે છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) લક્ષ્ય સ્કીમા પર મેપિંગ:

નીચેના કાચા ડેટાને નીચેની સ્કીમા પર મેપ કરો: [કૉલમ્સ + યુનિટ્સ]. કોષ્ટકમાં બતાવો કે જે લક્ષ્ય કૉલમ દરેક સ્રોત કૉલમને મેપ કરે છે. જો તમને ખાતરી ન હોય, તો "?" નો ઉપયોગ કરો. સાથે ચિહ્નિત કરો.

2) એકમ માનકીકરણ અને ટ્રેસેબિલિટી:

તમામ વિસ્તાર એકમોને ડેકેર (da) માં કન્વર્ટ કરો. "રૂપાંતરણ_નોટ" કૉલમ ઉમેરો; દરેક રૂપાંતરિત મૂલ્ય માટે મૂળ એકમ અને ગુણક લખો (દા.ત.: "1 ha=10 da"). તમે જે એકમનું રૂપાંતર કરી શકતા નથી તેને છોડી દો અને તેને ચિહ્નિત કરો.

3) આઉટલીયર સ્કેનિંગ:

હું આ સંખ્યાત્મક સ્તંભો માટે અપેક્ષિત કૃષિ વિજ્ઞાન શ્રેણી આપું છું: માટી_pH 4-9, નાઇટ્રોજન_kg_da 0-30, ઉપજ_kg_da 100-1200. શ્રેણીની બહારની દરેક પંક્તિને "આઉટલીયર" તરીકે ચિહ્નિત કરો; બદલો નહીં, ફક્ત બતાવો.

4) વ્યવસ્થાપન પ્રદેશ ડ્રાફ્ટ:

નીચેની અવકાશી જમીન અને ફળદ્રુપતા ડેટાને જોઈને, સમાન લાક્ષણિકતાઓ ધરાવતા 2-4 ઉમેદવારોના સંચાલન વિસ્તારો સૂચવો. દરેક ક્ષેત્ર માટે: તમે જે પેરામીટર્સ દ્વારા અલગ કર્યા છે તે લખો, સરેરાશ મૂલ્યો અને મર્યાદા જે મારે ફીલ્ડમાં ચકાસવાની જરૂર છે. સ્પષ્ટ સીમાઓ દોરશો નહીં; આ ડ્રાફ્ટ્સ છે.

સરખામણી ચાર્ટ: ક્લાસિક વિ પ્રિસિઝન ફાર્મિંગ

કદ

શાસ્ત્રીય કૃષિ

ચોકસાઇ ખેતી

મેનેજમેન્ટ યુનિટ

આખું ક્ષેત્ર એક છે

વહીવટી પ્રદેશો

ઇનપુટ વિતરણ

સમાન (સપાટ દર)

વેરિયેબલ રેટ (VRA)

ડેટા સ્ત્રોત

ખેડૂત અવલોકન

સેન્સર, સેટેલાઇટ, ડ્રોન, મશીન

નિર્ણયનો આધાર

અનુભવ + કૅલેન્ડર

અનુભવ + ડેટા + મોડેલ

AI ની ભૂમિકા

મર્યાદિત

ડેટા કોન્સોલિડેશન અને પ્રપોઝલ ડ્રાફ્ટ

જોખમ

અતિશય/અંડર ઇનપુટ

ખોટો ડેટા → ખોટો પ્રદેશ

સામાન્ય ભૂલો

• AI ને સ્કીમા વ્યાખ્યાયિત કરવા દો. જો તમે લક્ષ્ય કૉલમ અને એકમોનો ઉલ્લેખ ન કરો, તો AI દરેક વખતે અલગ માળખું ઉત્પન્ન કરશે અને સરખામણી અશક્ય બની જશે.
• એકમો પર નજર રાખતા નથી. જો તમે રેકોર્ડ ન કરો કે કયું મૂલ્ય અનુવાદિત થયું હતું, તો તમે કોઈપણ અનુગામી ભૂલોને શોધી શકતા નથી.
• નકશા ડેટા માટે ભૂલભરેલી બિંદુ ડેટા. સમગ્ર પ્રદેશમાં એક જ માટીના નમૂનાને સામાન્ય બનાવવાથી પ્રદેશની સીમા ખોટી રીતે દોરવામાં આવે છે.
• AI ને ખાલી જગ્યાઓ ભરવા દો. ગુમ થયેલ મૂલ્યને અનુમાન સાથે ભરવાથી ફેબ્રિકેશન ઉત્પન્ન થાય છે જે વાસ્તવિક ડેટા તરીકે માસ્કરેડ થાય છે.
• પાર્સલના નામ તપાસતા નથી. અસંગત નામો વિસ્તાર અને ઉપજને વિભાજિત કરે છે, સમગ્ર સિઝનના વિશ્લેષણને વિકૃત કરે છે.

ધ્યાન આપો: AI VRA પ્રિસ્ક્રિપ્શનની ભલામણ કરી શકે છે (કયા ક્ષેત્રમાં કેટલું ગયું), પરંતુ અંતિમ મંજૂરી એન્જિનિયરની છે. અયોગ્ય ઝોન સીમાનો અર્થ છે પાણીની અંદર અથવા વિસ્તારમાં ખૂબ ખાતર.

સારાંશમાં

પ્રિસિઝન ફાર્મિંગ એ ક્ષેત્રને તેના આંતરિક તફાવતો અનુસાર સંચાલિત કરવાની કળા છે અને તે બે ખ્યાલો પર આધારિત છે: વેરિયેબલ રેટ એપ્લિકેશન અને મેનેજમેન્ટ ઝોન. આ અભિગમ ડેટા દ્વારા બળતણ છે; પરંતુ કૃષિ ડેટા વિખરાયેલા છે, બહુ-યુનિટ અને બહુ-સ્રોત છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ ડેટાને સ્ટાન્ડર્ડ સ્કીમમાં અનુવાદિત કરવાના સૌથી સુરક્ષિત અને સૌથી વધુ નફાકારક ક્ષેત્રમાં કામ કરે છે - જ્યાં સુધી તમે લક્ષ્ય સ્કીમાને વ્યાખ્યાયિત કરો, યુનિટ ટ્રેસ રાખો, ગાબડા ન ભરો અને દરેક રૂપાંતરણને ઉદાહરણ સાથે પરીક્ષણ કરો. સ્વચ્છ અને એકીકૃત ડેટા એ પછીના તમામ એકમો (NDVI, માટી, સિંચાઈ, ઉપજ) માટે નક્કર આધાર છે.

એપ્લિકેશન કાર્ય

બે અલગ-અલગ સ્ત્રોતોમાંથી એક નાનો નમૂનો લો (દા.ત. જમીન પૃથ્થકરણ કોષ્ટક અને ઉપજ/ખાતરનો રેકોર્ડ); એકમો અને પાર્સલના નામ ઇરાદાપૂર્વક અલગ છે. આ એકમમાંથી AI ને “લક્ષ્ય સ્કીમા માટે મેપિંગ” અને “યુનિટ સ્ટાન્ડર્ડાઇઝેશન” ટેમ્પ્લેટ્સ સાથે જોડો. પછી 5 પંક્તિઓ મેન્યુઅલી ચકાસો: શું એકમ રૂપાંતરણ સાચા છે, શું પાર્સલ મેચો સાચા છે, શું ગુમ થયેલ મૂલ્યો અનુમાનથી ભરેલા છે? તમને મળેલ દરેક બગની નોંધ કરો અને એઆઈએ કયા નિયમનું ઉલ્લંઘન કર્યું છે.

ચેકલિસ્ટ

• [ ] મેં તેને AI ને આપતા પહેલા લક્ષ્ય સ્કીમા (કૉલમ + એકમો) વ્યાખ્યાયિત કરી.
• [ ] મેં બધા એકમોને એક જ ધોરણમાં રૂપાંતરિત કર્યા અને રૂપાંતરણ ટ્રેક રાખ્યો.
• [ ] મેં શબ્દકોશની સામે પાર્સલના નામની વિસંગતતાઓ સાથે મેળ ખાય છે અને કુલ વિસ્તારની ચકાસણી કરી છે.
• [ ] મેં એગ્રોનોમિક રેન્જ સાથે આઉટલાયર્સની તપાસ કરી; મેં તેને બદલ્યું નથી અને તેને ચિહ્નિત કર્યું છે.
• [ ] મેં પોઈન્ટ ડેટા અને મેપ ડેટાને અલગ કર્યા છે; મેં અનુમાન સાથે ખાલી જગ્યાઓ ભરી નથી.