Nyereség:
- Képes elmagyarázni a precíziós mezőgazdaság logikáját és olyan alapfogalmakat, mint a változó dózisú kijuttatás és a kezelési zónák.
- Képes a szórt mező-, érzékelő- és gépadatok tiszta, szabványos és összeállítható táblázatokká alakítani mesterséges intelligencia segítségével
- Képes a térbeli (koordinált) adatok megértésére és az AI-kimenet ellenőrzésére a parcella és a kezelési terület léptékében
A klasszikus mezőgazdaság egy tábla egészét kezeli, amely egyetlen módon viselkedik: ugyanaz a műtrágya, ugyanaz a víz, ugyanaz a növényvédőszer az egész parcellán. Míg azonban ugyanannak a mezőnek az egyik végén a talaj agyagos lehet és visszatartja a vizet, a másik vége homokos lehet, és gyorsan veszít vizet; Egy sarok lehet hűvös és párás, mert alacsony, míg a lejtő forró és száraz lehet, mert délre néz. A precíziós mezőgazdaság egy olyan megközelítés, amelynek célja, hogy a területet e belső különbségek szerint régiókra ossza fel, és minden régiónak annyi inputot adjon, amennyire szüksége van. A cél egyszerű, de a hatás nagy: a megfelelő helyre, a megfelelő időben, a megfelelő mennyiségben. Ez az egység elmagyarázza a precíziós mezőgazdaság logikáját, és azt, hogyan lehet az ezt a logikát tápláló mezőgazdasági adatokat rendszerezetté, megbízhatóvá és mesterséges intelligenciával komponálni.
A precíziós mezőgazdaság középpontjában két fogalom áll. Az első a változó dózisú kijuttatás (VRA): a traktor vagy a berendezés automatikusan változtatja a műtrágya, a vetőmag vagy a víz mennyiségét a tábla helyének megfelelően. A második a gazdálkodási zóna: a tábla felosztása hasonló talaj- és termőképességi jellemzőkkel rendelkező, külön-külön kezelhető részekre. A mesterséges intelligencia mindkét fogalmat érinti: a szórt adatok kombinálásával segít meghatározni a zónákat, és minden zónához recepttervezeteket javasol. De az a mérnök, aki ismeri a területet, az, aki végül jóváhagyja a regionális határt és az előírásokat.
A mezőgazdasági adatok természete: miért rendetlenek?
Egy farmon az adatok tucatnyi ismeretlen forrásból származnak, és egyikük sem beszéli ugyanazt a nyelvet, mint a másik. A talajlaboratórium Excelt küld; A kombájn a hozamtérképét más formátumban menti el; a páratartalom-érzékelő óránként CSV-t generál; A drone JPEG és koordinátafájlt ad ki; A gazda saját feljegyzéseit kézzel írták egy füzetbe. Ezen adatok mértékegységei eltérőek (kg/da, kg/ha, ppm, %), eltérőek a dátumformátumok, eltérőek a helymeghatározási rendszerek, és gyakran a termék/parcella elnevezése is inkonzisztens ("Patak mező", "dere parcella", "Telek-7" lehet ugyanaz a hely). A mesterséges intelligencia előtt ez a kombinált munka volt a mérnökök legbosszantóbb és legidőigényesebb része.
Itt jön képbe a mesterséges intelligencia, és pontosan ott működik, ahol a legbiztonságosabb: az adatokat szabványos sémává alakítja (vagyis közös oszlop- és egységstruktúrává). De legyen óvatos: az AI hibát követhet el az egységek konvertálásakor, és ez a hiba csendben tönkreteszi az egész elemzést. Az adatstrukturálás aranyszabálya tehát az, hogy minden transzformációt manuálisan kell érvényesíteni egy kis mintával.
Tipp: Mielőtt betáplálná az adatokat az MI-be, határozza meg saját maga a célsémát: mely oszlopok, mely mértékegységek, melyik dátumformátum. Ha azt mondjuk az AI-nak, hogy „fordítsa le ezt a diagramra”, sokkal megbízhatóbb, mint azt, hogy „rendezze el ezeket az adatokat”.
A téradatok megértése
A legtöbb mezőgazdasági adat térbeli: minden mérésnek van koordinátája. Egy talajminta egy olyan helyhez van kapcsolva, mint a "3. telek, északnyugati sarok, 39,12 É / 32,45 K". Ezeket a koordinátákat általában a szélesség/hosszúság (WGS84) vagy UTM metrikus rendszerben adják meg. A térbeli adatok értelmezésekor a mesterséges intelligencia használatakor három dologra kell figyelni: konzisztens-e a koordinátarendszer, eléggé szétszórva vannak-e a mintapontok a mező reprezentálásához, és hogy egy pont értéke a teljes régióra vonatkozik-e, vagy csak arra a pontra. A térképadatok, például az NDVI, a tábla minden négyzetméterét lefedik; A talajminta csak azt a pontot reprezentálja, ahol vették. Ennek a megkülönböztetésnek a megzavarása súlyos értelmezési hibákhoz vezetne.
Három mini tok: a számok szerint
1. eset – Időmegtakarítás az összeszerelésnél. Egy mérnök 5 különböző forrásból (talajlabor, hozamtérkép, érzékelő, drón, terepi feljegyzések) összesen 4200 adatsort egyesített egyetlen táblázatban; körülbelül 6 óra kézzel. Miután előre meghatároztuk a célsémát, és az AI-nak azt a feladatot adtuk, hogy „leképezzük ezt az 5 fájlt ezekhez az oszlopokhoz”, az első vázlat 25 perc alatt megjelent; A fennmaradó időt arra fordította, hogy 40 soros mintával ellenőrizze az illesztési pontosságot. A teljes idő körülbelül 2 órára csökkent.
2. eset – Egységcsapda. A terméstérkép kg/ha, a műtrágyarekord pedig kg/ha volt. Az első kombinációban az AI a kettőt ugyanabban az oszlopban csoportosította, és egy parcella hozamát 10-szeresére csökkentette (1 ha = 10 da). A mérnök azért fogta fel az eltérést, mert emlékezett egy ismert csomag tényleges hozamára; A nagyságrendi ellenőrzés egységhibát mutatott ki.
3. eset – A csomagnév-zavar. Három forrásban ugyanaz a mező szerepel "Dere", "dere_tarla" és "Plot-7" néven. Az AI úgy gondolta, hogy ez három külön parcella, és három részre osztotta a területet. Amikor a mérnök rájött, hogy a teljes megművelt terület nem egyezik az okiratban szereplő értékkel, meghatározta a megfelelő szótárt ("ez a három név = Plot-7"), és azt mondta az AI-nak, hogy kombinálja újra vele.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Rendszerezze és egyesítse ezeket a mezőgazdasági adatokat.[fájlok]
Erőteljes felszólítás:
Az Ön szerepe: Mezőgazdasági adatelemző. Kombinálja a következő 4 forrást EGY táblába. Célséma (ne lépje túl ezeket az oszlopokat és mértékegységeket):- parcel_id (text), dátum (ÉÉÉÉ-HH-NN), termék (szöveg),- talaj_pH (szám), nitrogén_kg_da (kg/da), hozam_kg_da (kg/da), nedvesség_százalékos (%) Konvertálása kgi egységnyi/fertőtlenítő egységhez; Jelölje meg az egyes sorokat, amelyeket lefordít.- Párosítsa a telekneveket az általam megadott szótárral: {"dere":"P7","dere_field":"P7"}.- Hagyja üresen a hiányzó értéket, töltse ki tippeléssel.- Tegye külön "check_required" listába azokat a sorokat, amelyeket nem tud lefordítani, vagy amelyek nem egyértelműek. Források:[adatok]
A hatékony prompt meghatározza a célsémát, az egységszabályt, a megfelelő szótárt és egy külön tárolót a kétértelműség érdekében. Így ahelyett, hogy találgatna, a mesterséges intelligencia odaadja neked, ahol bizonytalan.
Négy másolható sablon
1) Leképezés a célsémához:
A következő nyers adatokat rendelje hozzá a következő sémához: [oszlopok + egységek]. Mutassa meg egy táblázatban, hogy az egyes forrásoszlopok melyik céloszlophoz vannak hozzárendelve. Ha nem biztos benne, használja a "?" Jelölje meg a segítségével.
2) Egységek szabványosítása és nyomon követhetősége:
Az összes területegységet átváltja dekárra (da). Adjon hozzá egy „conversion_note” oszlopot; minden átváltott értékhez írja be az eredeti mértékegységet és szorzót (pl.: "1 ha=10 da"). Hagyja a nem konvertálható mértékegységet úgy, ahogy van, és jelölje meg.
3) Outlier szkennelés:
Ezekre a számoszlopokra megadom a várható agronómiai tartományt: talaj_pH 4-9, nitrogén_kg_da 0-30, termés_kg_da 100-1200. A tartományon kívüli sorokat "kiugró"-ként jelölje meg; NE VÁLTOZZ, csak mutasd meg.
4) Kezelési régió tervezet:
Az alábbi térbeli talaj- és termékenységi adatok alapján javasoljon 2-4 hasonló tulajdonságokkal rendelkező kezelési területet. Minden régióhoz: írja be a mezőbe az elválasztott paramétereket, az átlagos értékeket és a határértéket, amelyet ellenőriznem kell. Ne húzz egyértelmű határokat; ezek piszkozatok.
Összehasonlító táblázat: Klasszikus vs precíziós gazdálkodás
Méret
klasszikus mezőgazdaság
precíziós mezőgazdaság
menedzsment egység
Az egész mezőny egy
Közigazgatási régiók
Bemeneti eloszlás
Egyenruha (átalánydíjas)
Változó kamatláb (VRA)
Adatforrás
gazda megfigyelése
szenzor, műhold, drón, gép
Döntés alapja
Tapasztalat + naptár
Tapasztalat + adatok + modell
Az AI szerepe
korlátozott
Adatkonszolidáció és javaslattervezet
Kockázat
Túl/alul bemenet
Hibás adatok → rossz régió
Gyakori hibák
- Hagyja, hogy az AI határozza meg a sémát. Ha nem adja meg a cél oszlopokat és mértékegységeket, az AI minden alkalommal más struktúrát hoz létre, és az összehasonlítás lehetetlenné válik.
- Nem követi nyomon az egységeket. Ha nem rögzíti, hogy melyik érték lett lefordítva, akkor nem tudja visszakövetni a későbbi hibákat.
- Pontadatok összetévesztése térképadatokkal. Egyetlen talajminta általánosítása a teljes régióra hibásan rajzolja meg a régióhatárt.
- Hagyja, hogy az AI kitöltse a hiányosságokat. A hiányzó érték találgatással való kitöltése valós adatnak álcázott kitalációt eredményez.
- Nem ellenőrzi a csomagneveket. Az ellentmondásos elnevezések megosztják a területet és a hozamot, torzítva a teljes szezonelemzést.
Figyelem: A mesterséges intelligencia javasolhatja a VRA-előírást (melyik területre mennyi került), de a végső jóváhagyás a mérnöké. A helytelen zónahatár víz alatti vagy túl sok műtrágyát jelent egy területen.
Összefoglalva
A precíziós gazdálkodás a tábla belső különbségei szerinti kezelésének művészete, és két koncepción alapul: a változó dózisú kijuttatáson és a kezelési zónákon. Ezt a megközelítést az adatok táplálják; A mezőgazdasági adatok azonban szórt, több egységből és több forrásból állnak. A mesterséges intelligencia a legbiztonságosabb és legjövedelmezőbb területen dolgozik az adatok szabványos sémává történő lefordításában – mindaddig, amíg meghatározza a célsémát, megtartja az egység nyomkövetését, nem tölti ki a hiányosságokat, és minden transzformációt egy példával tesztel. A tiszta és egységes adatok szilárd alapot jelentenek minden további egységhez (NDVI, talaj, öntözés, terméshozam).
Pályázati feladat
Vegyen egy kis mintát két különböző forrásból (pl. talajelemző táblázat és hozam/műtrágya nyilvántartás); az egységek és a parcellanevek szándékosan különböznek egymástól. Kombinálja az AI-t a „célsémához való hozzárendelés” és az „egységszabványosítás” sablonokkal ebből az egységből. Ezután ellenőrizze manuálisan az 5 sort: helyesek-e az egységátváltások, helyesek-e a csomagegyezések, a hiányzó értékeket találgatással töltik ki? Jegyezze fel minden talált hibát, és azt, hogy az AI melyik szabályt sértette meg.
ellenőrző lista
- [ ] Meghatároztam a célsémát (oszlopok + egységek), mielőtt megadtam volna az AI-nak.
- [ ] Az összes mértékegységet egyetlen szabványra konvertáltam, és megtartottam a konverziós pályát.
- [ ] A teleknév-eltéréseket összevetettem a szótárral, és ellenőriztem a teljes területet.
- [ ] Agronómiai tartománnyal rendelkező kiugró értékeket szűrtem; Nem változtattam és megjelöltem.
- [ ] elkülönítettem a pontadatokat és a térképadatokat; Nem találgatásokkal töltöttem ki az üres helyeket.