חקלאות מדויקת ומבנה נתונים חקלאיים

רווחים:

• יכולת להסביר את ההיגיון של חקלאות מדויקת ומושגים בסיסיים כגון יישום תעריף משתנה ואזורי ניהול.
• יכולת להפוך נתוני שדה, חיישן ומכונה מפוזרים לטבלאות נקיות, סטנדרטיות וניתנות להרכבה עם AI
• יכולת להבין נתונים מרחביים (מתואמים) ולאמת פלט AI בקנה מידה של חבילות ואזור ניהול

החקלאות הקלאסית מנהלת שדה בכללותו שמתנהג בצורה אחת ויחידה: אותו דשן, אותם מים, אותו הדברה לכל החלקה. עם זאת, בעוד שהאדמה בקצה אחד של אותו שדה עשויה להיות חרסיתית ושומרת על מים, הקצה השני עשוי להיות חולי ומאבד מים במהירות; פינה עשויה להיות קרירה ולחה מכיוון שהיא נמוכה, ואילו מדרון עשוי להיות חם ויבש מכיוון שהוא פונה דרומה. חקלאות מדוייקת היא גישה שמטרתה לחלק את התחום לאזורים לפי ההבדלים הפנימיים הללו ולתת לכל אזור את התשומה הדרושה לו. המטרה פשוטה אבל ההשפעה גדולה: למקום הנכון, בזמן הנכון, בכמות הנכונה. יחידה זו מסבירה את ההיגיון של חקלאות מדויקת וכיצד להפוך את הנתונים החקלאיים המזינים את ההיגיון הזה למאורגנים, אמינים וניתנים להרכבה עם בינה מלאכותית.

יש שני מושגים בלב החקלאות המדויקת. הראשון הוא יישום קצב משתנה (VRA): הטרקטור או הציוד משנים אוטומטית את כמות הדשן, הזרעים או המים בהתאם למיקום השדה. השני הוא אזור ניהול: זוהי חלוקת השדה לתתי חלקים בעלי מאפייני קרקע ופרודוקטיביות דומים וניתן לנהל אותם בנפרד. בינה מלאכותית נוגעת בשני המושגים הללו: היא עוזרת להגדיר אזורים על ידי שילוב נתונים מפוזרים ומציעה טיוטת מרשמים לכל אזור. אבל המהנדס שמכיר את התחום הוא זה שמאשר בסופו של דבר את הגבול האזורי ואת המרשם.

אופי הנתונים החקלאיים: למה זה מבולגן?

בחווה, הנתונים מגיעים מעשרות מקורות לא יודעים, ואף אחד מהם לא מדבר באותה שפה כמו השני. מעבדת הקרקע שולחת אקסל; הקומביין שומר את מפת היבול שלו בפורמט אחר; חיישן לחות יוצר CSV מדי שעה; מזל"ט מוציא JPEG וקובץ קואורדינטות; ההערות של האיכר עצמו נכתבו בכתב יד במחברת. היחידות של נתונים אלה שונות (ק"ג/ד"ה, ק"ג/הא, ppm, %), פורמטים של תאריכים שונים, מערכות מיקום שונות, ולעיתים קרובות שמות המוצרים/החבילות אינם עקביים ("שדה זרם", "מחבילה", "מגרש-7" עשויים להיות אותו מקום). לפני הבינה המלאכותית, עבודת השילוב הזו הייתה החלק המעצבן והזמן של מהנדס.

כאן נכנסת לתמונה הבינה המלאכותית ופועלת בדיוק היכן שהיא הכי בטוחה: תרגום נתונים לסכימה סטנדרטית (כלומר מבנה עמודה ויחידה משותפת). אבל היזהר: ה-AI עשוי לטעות בעת המרת יחידות, וטעות זו תהרוס בשקט את כל הניתוח. אז כלל הזהב במבנה נתונים הוא אימות ידני של כל טרנספורמציה עם מדגם קטן.

טיפ: לפני הזנת הנתונים ל-AI, הגדר את סכימת היעד שלך בעצמך: אילו עמודות, אילו יחידות, איזה פורמט תאריך. להגיד לבינה מלאכותית "לתרגם את זה לתרשים הזה" הוא הרבה יותר אמין מאשר להגיד לו "לסדר את הנתונים האלה".

הבנת נתונים מרחביים

רוב הנתונים החקלאיים הם מרחביים: לכל מדידה יש קואורדינטה. דגימת קרקע מקושרת למיקום כמו "חלקה-3, פינה צפון מערבית, 39.12 N / 32.45 E". קואורדינטות אלו ניתנות בדרך כלל במערכת מטרית הנקראת קו רוחב/קו אורך (WGS84) או UTM. כאשר מפרשים נתונים מרחביים בעת עבודה עם AI, שימו לב לשלושה דברים: האם מערכת הקואורדינטות עקבית, האם נקודות המדגם מפוזרות מספיק כדי לייצג את השדה, והאם ערך של נקודה מתייחס לאזור כולו או רק לנקודה זו. נתוני מפה כגון NDVI מכסים כל מטר מרובע של השדה; דגימת הקרקע מייצגת רק את הנקודה שבה היא נלקחה. בלבול של הבחנה זו יוביל לטעויות חמורות בפרשנות.

שלושה מיני מארזים: לפי המספרים

מקרה 1 - חיסכון בזמן בהרכבה. מהנדס שילב סך של 4,200 שורות של נתונים מ-5 מקורות שונים (מעבדת קרקע, מפת תפוקה, חיישן, מזל"ט, הערות שטח) לטבלה אחת; כ-6 שעות ביד. ברגע שהגדרנו את סכימת היעד מראש ונתנו ל-AI את המשימה של "מפה את 5 הקבצים האלה לעמודות האלה", הטיוטה הראשונה יצאה תוך 25 דקות; את הזמן שנותר הוא הקדיש לבדיקת דיוק ההתאמה עם מדגם של 40 שורות. הזמן הכולל ירד לכשעתיים.

מקרה 2 - מלכודת יחידה. מפת היבול הייתה בק"ג/הא ושיא הדשנים היה בק"ג/הא. בשילוב הראשון, AI קיבץ את השניים באותה עמודה והמעיט בתפוקה של חלקה אחת בפקטור של 10 (1 חה = 10 דא). המהנדס קלט את אי ההתאמה כי הוא זכר את התשואה האמיתית של חבילה ידועה; בדיקת סדר הגודל גילתה שגיאת יחידה.

מקרה 3 - בלבול שם החבילה. בשלושה מקורות, אותו שדה הוזכר כ"דרה", "דרה_טרלה" ו"חלקה-7". AI חשבה שמדובר בשלוש חבילות נפרדות וחילקה את השטח לשלוש. כשהמהנדס הבין שסך השטח המעובד אינו תואם את הערך במעשה, הוא הגדיר את המילון התואם ("שלושת השמות האלה = חלקה-7") ואמר ל-AI לשלב איתו מחדש.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

ארגן ושלב את הנתונים החקלאיים האלה.[files]

הנחיה עוצמתית:

תפקידך: מנתח נתונים חקלאיים. שלב את 4 המקורות הבאים לטבלה אחת. סכימת יעד (אל תחרוג מהעמודות והיחידות האלה):- מזהה חבילה (טקסט), תאריך (YYYY-MM-DD), מוצר (טקסט),- soil_pH (מספר), חנקן_kg_da (kg/da), yield_kg_da (kg/da%), moistures_adventures to moisturesizer/yd tortilizer:-yd. ק"ג/ד"ה; סמן כל שורה שאתה מתרגם.- התאימו את שמות החבילות למילון שנתתי: {"dere":"P7","dere_field":"P7"}.- השאר את הערך החסר BLANK, מלא אותו בניחוש.- שים את השורות שאינך יכול לתרגם או שאינך ברור ברשימה נפרדת של "check_required". מקורות:[נתונים]

ההנחיה העוצמתית מגדירה את סכימת היעד, כלל היחידה, מילון ההתאמה ודלי נפרד לאי בהירות. לפיכך, במקום לנחש, בינה מלאכותית מספקת לך היכן שהוא מתלבט.

ארבע תבניות הניתנות להעתקה

1) מיפוי לסכימת יעד:

מפה את הנתונים הגולמיים הבאים לסכימה הבאה: [עמודות + יחידות]. הצג בטבלה לאיזו עמודת יעד ממפה כל עמודת מקור. אם אינך בטוח, השתמש ב-"?" סמן עם .

2) תקינה ועקיבות של יחידות:

המר את כל יחידות השטח לדקרים (דא). הוסף עמודה "הערת_המרה"; כתוב את היחידה המקורית ואת המכפיל עבור כל ערך שהומר (למשל: "1 ha=10 da"). השאר את היחידה שאינך יכול להמיר כפי שהיא וסמן אותה.

3) סריקת חריגים:

אני נותן את הטווח האגרונומי הצפוי עבור העמודות המספריות הללו: soil_pH 4-9, nitrogen_kg_da 0-30, Yield_kg_da 100-1200. סמן כל שורה מחוץ לטווח כ"חריג"; אל תשנה, רק תראה.

4) טיוטת אזור ניהול:

על ידי הסתכלות על נתוני הקרקע והפוריות המרחביים להלן, הציעו 2-4 אזורי ניהול מועמדים עם מאפיינים דומים. עבור כל אזור: רשום את הפרמטרים שהפרדת לפיהם, הערכים הממוצעים והמגבלה שאני צריך לאמת בשדה. אל תצייר גבולות ברורים; אלו טיוטות.

טבלת השוואה: חקלאות קלאסית מול דיוק

גודל

חקלאות קלאסית

חקלאות מדויקת

יחידת ניהול

כל התחום הוא אחד

אזורים מנהליים

הפצת קלט

אחיד (תעריף אחיד)

שיעור משתנה (VRA)

מקור נתונים

תצפית חקלאי

חיישן, לוויין, מזל"ט, מכונה

בסיס החלטה

ניסיון + לוח שנה

ניסיון + נתונים + מודל

תפקידה של AI

מוגבל

איחוד נתונים וטיוטת הצעה

סיכון

קלט עודף/מתחת

נתונים שגויים ← אזור שגוי

טעויות נפוצות

• תן ל-AI להגדיר את הסכימה. אם לא תציין את עמודות היעד והיחידות, בינה מלאכותית תייצר מבנה אחר בכל פעם וההשוואה הופכת לבלתי אפשרית.
• לא עוקב אחר יחידות. אם אינך רושם איזה ערך תורגם, לא תוכל להתחקות אחר שגיאות עוקבות.
• טעות בנתוני נקודות עבור נתוני מפה. הכללת דגימת אדמה אחת לכל האזור משרטטת את גבול האזור בצורה שגויה.
• תן לבינה מלאכותית להשלים את החסר. מילוי הערך החסר בניחוש מייצר המצאה שמתחזה לנתונים אמיתיים.
• לא בודק את שמות החבילות. שמות לא עקביים מחלקים שטח ותפוקה, ומעוותים את כל ניתוח העונה.

שימו לב: AI עשוי להמליץ ​​על מרשם VRA (כמה נכנס לאיזה אזור), אבל האישור הסופי שייך למהנדס. גבול אזור לא נכון פירושו מתחת למים או יותר מדי דשן באזור.

לסיכום

חקלאות מדויקת היא אומנות ניהול השדה על פי ההבדלים הפנימיים שלו ומתבססת על שני מושגים: יישום בשיעור משתנה ואזורי ניהול. גישה זו מונעת על ידי נתונים; אבל הנתונים החקלאיים מפוזרים, מרובי יחידות ומקורות רבים. בינה מלאכותית פועלת בתחום הבטוח והרווחי ביותר של תרגום נתונים אלה לסכימה סטנדרטית - כל עוד אתה מגדיר את סכימת היעד, שומרת על מעקב יחידה, לא משלים את החסר ובודק כל טרנספורמציה עם דוגמה. נתונים נקיים ומאוחדים הם הבסיס המוצק לכל היחידות הבאות (NDVI, אדמה, השקיה, תשואה).

משימת יישום

קח דגימה קטנה משני מקורות שונים (למשל טבלת ניתוח קרקע ורישום יבול/דשן); יחידות ושמות חבילות שונים בכוונה. שלב AI עם תבניות "מיפוי לסכימת יעד" ו"סטנדרטיזציה של יחידות" מיחידה זו. לאחר מכן אמת ידנית את 5 השורות: האם המרות היחידות נכונות, האם התאמות החבילות נכונות, האם ערכים חסרים מולאו בניחושים? שים לב לכל באג שאתה מוצא ואיזה כלל הפר הבינה המלאכותית.

רשימת בדיקה

• [ ] הגדרתי את סכימת היעד (עמודות + יחידות) לפני שנתתי אותה ל-AI.
• [ ] המרתי את כל היחידות לתקן אחד ושמרתי על מסלול ההמרה.
• [ ] התאמתי את אי ההתאמה בין שם החבילה למילון ואימתתי את השטח הכולל.
• [ ] סיננתי חריגים עם טווח אגרונומי; לא שיניתי וסימנתי.
• [ ] הפרדתי נתוני נקודות ונתוני מפה; לא מילאתי ​​את החסר בניחושים.