Dobici:
- Sposobnost objašnjenja logike precizne poljoprivrede i osnovnih pojmova kao što su promjenjive doze primjene i zone upravljanja.
- Sposobnost transformacije disperziranih podataka polja, senzora i stroja u čiste, standardne tablice koje se mogu sastaviti pomoću umjetne inteligencije
- Sposobnost razumijevanja prostornih (koordiniranih) podataka i provjere izlaza umjetne inteligencije na razini parcele i područja upravljanja
Klasična poljoprivreda upravlja poljem kao cjelinom koja se ponaša na jedan jedini način: isto gnojivo, ista voda, isti pesticid za cijelu parcelu. Međutim, dok tlo na jednom kraju istog polja može biti glinasto i zadržava vodu, drugi kraj može biti pjeskovit i brzo gubi vodu; Kut može biti hladan i vlažan jer je nizak, dok padina može biti vruća i suha jer je okrenuta prema jugu. Precizna poljoprivreda je pristup koji ima za cilj podijeliti polje na regije u skladu s tim unutarnjim razlikama i dati svakoj regiji onoliko inputa koliko joj je potrebno. Cilj je jednostavan, ali učinak velik: na pravo mjesto, u pravo vrijeme, u pravoj količini. Ova jedinica objašnjava logiku precizne poljoprivrede i kako poljoprivredne podatke koji pokreću tu logiku učiniti organiziranima, pouzdanima i spojivima s umjetnom inteligencijom.
Dva su koncepta u srcu precizne poljoprivrede. Prvi je primjena promjenjive količine (VRA): traktor ili oprema automatski mijenjaju količinu gnojiva, sjemena ili vode prema lokaciji polja. Druga je zona gospodarenja: to je podjela polja na poddijelove koji imaju slična svojstva tla i produktivnosti i kojima se može upravljati odvojeno. Umjetna inteligencija dotiče oba ova koncepta: pomaže definirati zone kombiniranjem raspršenih podataka i predlaže nacrt propisa za svaku zonu. Ali inženjer koji poznaje područje je taj koji u konačnici odobrava regionalnu granicu i propis.
Priroda poljoprivrednih podataka: Zašto su neuredni?
Na farmi podaci dolaze iz desetaka nepoznatih izvora, a nitko od njih ne govori istim jezikom kao drugi. Laboratorij za tlo šalje Excel; Kombajn sprema svoju kartu prinosa u drugom formatu; senzor vlage generira CSV po satu; dron ispisuje JPEG i koordinatnu datoteku; Vlastite bilješke farmera bile su rukom ispisane u bilježnici. Jedinice ovih podataka su različite (kg/da, kg/ha, ppm, %), formati datuma su različiti, lokacijski sustavi su različiti, a često su nazivi proizvoda/parcela nedosljedni ("Stream field", "dere parcela", "Plot-7" može biti isto mjesto). Prije umjetne inteligencije, ovaj kombinirani rad bio je najiritantniji i najdugotrajniji dio rada inženjera.
Ovdje umjetna inteligencija stupa na scenu i radi točno tamo gdje je najsigurnije: prevođenje podataka u standardnu shemu (tj. zajedničku strukturu stupca i jedinice). Ali budite oprezni: AI može pogriješiti prilikom pretvaranja jedinica, a ta će pogreška tiho uništiti cijelu analizu. Dakle, zlatno pravilo u strukturiranju podataka je ručna provjera svake transformacije s malim uzorkom.
Savjet: Prije unosa podataka u AI, sami definirajte svoju ciljnu shemu: koji stupci, koje jedinice, koji format datuma. Reći umjetnoj inteligenciji da "prevede ovo u onaj dijagram" mnogo je pouzdanije nego reći joj da "složi ove podatke".
Razumijevanje prostornih podataka
Većina poljoprivrednih podataka je prostorna: svako mjerenje ima koordinatu. Uzorak tla povezan je s lokacijom poput "Parcela-3, sjeverozapadni kut, 39,12 N / 32,45 E". Ove koordinate se obično daju u metričkom sustavu koji se naziva zemljopisna širina/dužina (WGS84) ili UTM. Kada tumačite prostorne podatke kada radite s umjetnom inteligencijom, obratite pozornost na tri stvari: je li koordinatni sustav konzistentan, jesu li uzorci dovoljno raspoređeni da predstavljaju polje i odnosi li se vrijednost točke na cijelu regiju ili samo na tu točku. Kartografski podaci kao što je NDVI pokrivaju svaki kvadratni metar polja; Uzorak tla predstavlja samo mjesto gdje je uzet. Zabuna ove razlike dovela bi do ozbiljnih pogrešaka u tumačenju.
Tri mini kućišta: po brojevima
Slučaj 1 - Ušteda vremena u montaži. Inženjer je kombinirao ukupno 4200 redaka podataka iz 5 različitih izvora (laboratorija tla, karte prinosa, senzora, drona, bilješki s terena) u jednu tablicu; otprilike 6 sati ručno. Nakon što smo unaprijed definirali ciljnu shemu i AI-u dali zadatak da "preslika ovih 5 datoteka u ove stupce", prvi nacrt izašao je za 25 minuta; Preostalo vrijeme posvetio je provjeri točnosti podudaranja s uzorkom od 40 redaka. Ukupno vrijeme palo je na oko 2 sata.
Slučaj 2 - Zamka jedinice. Karta prinosa bila je u kg/ha, a zapis gnojiva u kg/ha. U prvoj kombinaciji, AI je grupirao to dvoje u istom stupcu i podcijenio prinos jedne parcele za faktor 10 (1 ha = 10 da). Inženjer je uočio nedosljednost jer se sjećao stvarnog prinosa poznate parcele; Provjera reda veličine otkrila je grešku jedinice.
Slučaj 3 - Zabuna u nazivu parcele. U tri izvora ista njiva se spominje kao "Dere", "dere_tarla" i "Plot-7". AI je mislio da su to tri odvojene parcele i podijelio je područje na tri. Kada je inženjer shvatio da ukupna obrađena površina ne odgovara vrijednosti u dokumentu, definirao je odgovarajući rječnik ("ova tri imena = Plot-7") i rekao AI da se ponovno spoji s njim.
Slab upit / Jak upit
Slab upit:
Organizirajte i kombinirajte ove poljoprivredne podatke.[datoteke]
Snažan upit:
Vaša uloga: Analitičar poljoprivrednih podataka. Kombinirajte sljedeća 4 izvora u JEDNU tablicu. Ciljna shema (nemojte ići dalje od ovih stupaca i jedinica):- parcel_id (tekst), datum (GGGG-MM-DD), proizvod (tekst),- soil_pH (broj), nitrogen_kg_da (kg/da), yield_kg_da (kg/da), vlaga_postotak (%) Pravila:- Pretvorite sve jedinice gnojiva/prinosa u kg/da; Označite svaki redak koji prevodite.- Spojite nazive parcela s rječnikom koji sam dao: {"dere":"P7","dere_field":"P7"}.- Ostavite nedostajuću vrijednost PRAZNOM, ispunite je nagađanjem.- Stavite retke koje ne možete prevesti ili su nejasni u zaseban "check_required" popis. Izvori:[podaci]
Snažni prompt definira ciljnu shemu, pravilo jedinice, odgovarajući rječnik i zasebnu kantu za dvosmislenost. Stoga, umjesto pogađanja, AI vam isporučuje ono što je neodlučno.
Četiri predloška za kopiranje
1) Mapiranje u ciljnu shemu:
Mapirajte sljedeće neobrađene podatke u sljedeću shemu: [stupci + jedinice]. Pokažite u tablici na koji ciljni stupac preslikava svaki izvorni stupac. Ako niste sigurni, koristite "?" Označi s .
2) Standardizacija jedinice i sljedivost:
Pretvorite sve jedinice površine u dekare (da). Dodajte stupac "conversion_note"; napišite izvornu jedinicu i množitelj za svaku preračunatu vrijednost (npr.: "1 ha=10 da"). Ostavite jedinicu koju ne možete pretvoriti onakvu kakva jest i označite je.
3) Skeniranje odstupanja:
Dajem očekivani agronomski raspon za ove numeričke stupce: soil_pH 4-9, nitrogen_kg_da 0-30, yield_kg_da 100-1200. Označite svaki red izvan raspona kao "outlier"; NE MIJENJAJ, samo pokaži.
4) Nacrt regije upravljanja:
Promatrajući prostorne podatke o tlu i plodnosti u nastavku, predložite 2-4 područja kandidata sličnih karakteristika. Za svaku regiju: zapišite parametre po kojima ste razdvojili, prosječne vrijednosti i granicu koju trebam provjeriti u polju. Ne povlačite jasne granice; ovo su nacrti.
Tablica usporedbe: Klasična naspram precizne poljoprivrede
Veličina
klasična poljoprivreda
precizna poljoprivreda
upravljačka jedinica
Cijelo polje je jedno
Administrativne regije
Distribucija ulaza
Jednoobrazno (paušalna stopa)
Promjenjiva stopa (VRA)
Izvor podataka
opažanje farmera
senzor, satelit, dron, stroj
Temelj odluke
Iskustvo + kalendar
Iskustvo + podaci + model
Uloga AI
ograničeno
Konsolidacija podataka i nacrt prijedloga
Rizik
Višak/malo unosa
Pogrešni podaci → pogrešna regija
Uobičajene greške
- Neka AI definira shemu. Ako ne navedete ciljne stupce i jedinice, AI će proizvesti drugačiju strukturu svaki put i usporedba postaje nemoguća.
- Ne prati jedinice. Ako ne zabilježite koja je vrijednost prevedena, ne možete ući u trag naknadnim pogreškama.
- Zamjena podataka o točkama za podatke karte. Generaliziranje jednog uzorka tla na cijelu regiju povlači granicu regije netočno.
- Neka AI popuni praznine. Popunjavanje vrijednosti koja nedostaje nagađanjem proizvodi izmišljotinu koja se maskira kao stvarni podatak.
- Ne provjeravaju se nazivi parcela. Nedosljedni nazivi dijele površinu i prinos, iskrivljujući analizu cijele sezone.
Pažnja: AI može preporučiti VRA recept (koliko je ušlo u koje područje), ali konačno odobrenje pripada inženjeru. Netočna granica zone znači podvodnost ili previše gnojiva u području.
Ukratko
Precizna poljoprivreda je umjetnost upravljanja poljem u skladu s njegovim unutarnjim razlikama i temelji se na dva koncepta: primjena promjenjive količine i zone upravljanja. Ovaj pristup potaknut je podacima; Ali poljoprivredni podaci su raspršeni, iz više jedinica i iz više izvora. Umjetna inteligencija radi u najsigurnijem i najprofitabilnijem području prevođenja ovih podataka u standardnu shemu - sve dok definirate ciljnu shemu, držite trag jedinice, ne popunjavate praznine i testirate svaku transformaciju primjerom. Čisti i objedinjeni podaci čvrsta su osnova za sve sljedeće jedinice (NDVI, tlo, navodnjavanje, prinos).
Zadatak aplikacije
Uzmite mali uzorak iz dva različita izvora (npr. tablica za analizu tla i zapis o prinosu/gnojivu); nazivi jedinica i parcela su namjerno različiti. Kombinirajte AI s predlošcima "mapiranje u ciljnu shemu" i "standardizacija jedinica" iz ove jedinice. Zatim ručno provjerite 5 redaka: jesu li pretvorbe jedinica točne, jesu li parcele točne, jesu li vrijednosti koje nedostaju popunjene nagađanjem? Zabilježite svaku pogrešku koju pronađete i koje je pravilo AI prekršio.
popis za provjeru
- [ ] Definirao sam ciljnu shemu (stupci + jedinice) prije nego što sam je dao AI-u.
- [ ] Pretvorio sam sve jedinice u jedan standard i zadržao trag pretvorbe.
- [ ] Usporedio sam razlike u nazivima parcela s rječnikom i potvrdio ukupnu površinu.
- [ ] Pregledao sam izvanredne vrijednosti s agronomskim rasponom; Nisam ga mijenjao i označio.
- [ ] Odvojio sam podatke o točkama i podatke karte; Nisam popunio praznine nagađanjima.