Keuntungan:
- Kemampuan untuk menghubungkan data meteorologi (suhu, curah hujan, GDD, risiko embun beku, kelembaban) ke jendela keputusan pertanian
- Kemampuan untuk menggabungkan prakiraan cuaca dan fenologi dengan AI untuk menghasilkan rancangan jadwal penyemprotan/panen/perlindungan embun beku
- Kemampuan untuk menafsirkan ketidakpastian perkiraan dan ekspresi probabilistik dengan benar dan mengelola risiko dengan penilaian ahli agronomi
Hampir setiap keputusan di bidang pertanian berkaitan dengan cuaca: kapan menanam, kapan menyemprot, kapan menyiram, kapan memanen, apakah embun beku akan datang di malam hari? Seorang petani berpengalaman banyak membaca dengan melihat ke langit, namun cuaca kini juga dapat dibaca secara numerik: suhu, curah hujan, kelembapan, angin, radiasi matahari, dan ramalan cuaca. Unit ini mengajarkan Anda untuk menghubungkan data meteorologi ke jendela keputusan pertanian, menggabungkan prakiraan cuaca dan pengembangan tanaman dengan kecerdasan buatan untuk menghasilkan rancangan waktu, dan - masalah yang paling kritis - membaca ketidakpastian prakiraan dengan benar. Karena prakiraan cuaca bersifat probabilistik; Menggunakannya sebagai suatu kepastian adalah salah satu kesalahan yang paling mahal.
Variabel Meteorologi Kritis untuk Pertanian
Suhu bukan sekedar angka; Ini adalah mesin pengembangan pabrik. Untuk mengukurnya, digunakan GDD (Hari Derajat Pertumbuhan): suhu rata-rata harian dikurangi dari suhu dasar produk dan diakumulasikan. GDD adalah “jam biologis” yang lebih andal dibandingkan kalender; Ini memprediksi pada tahap apa tanaman akan berada dan kapan beberapa hama akan muncul berdasarkan akumulasi panas.
Curah hujan dan kelembapan menentukan jumlah air dan risiko penyakit. Daun basah dalam waktu lama dan kelembapan tinggi merupakan pemicu banyak penyakit jamur; Itu sebabnya beberapa sistem peringatan penyakit secara langsung memantau kombinasi suhu dan kelembapan.
Risiko embun beku adalah masalah hidup dan mati bagi kebun buah-buahan, terutama selama periode pembungaan; Suhu di bawah nol selama beberapa jam dapat merusak seluruh produk. Prakiraan cuaca beku sangat penting untuk pengenalan tindakan perlindungan yang tepat waktu (perlindungan terhadap embun beku dengan irigasi, mesin angin).
Angin secara langsung mempengaruhi keputusan penyemprotan: saat angin kencang, pestisida melayang, tidak mencapai sasaran dan merusak bidang/lingkungan di sekitarnya.
Variabel
keputusan yang bergantung
Kontribusi AI
GDD (akumulasi panas)
Fenologi, munculnya hama
Prediksi tahap/waktu munculnya
Curah hujan + basahnya daun
Risiko penyakit, irigasi
Peringatan jendela risiko
Frost (suhu minimum)
Pemicu perlindungan beku
Tanda malam yang berisiko di depan
angin
Waktu penyemprotan
Rekomendasi jendela yang sesuai
kelembaban + suhu
model penyakit
Kombinasi kondisi kritis
Membaca Ketidakpastian Ramalan
Gagasan paling penting dari unit ini: prakiraan cuaca adalah suatu kemungkinan, bukan janji. Kalimat “besok hujan 70%” bukan berarti “pasti akan hujan”; Artinya, 7 dari 10 kondisi serupa mengalami curah hujan. Keandalan prakiraan cuaca menurun dengan cepat seiring berjalannya waktu: prakiraan 1-2 hari cukup dapat diandalkan, prakiraan 7 hari merupakan tren kasar, prakiraan 14 hari hampir sama dengan rata-rata iklim. Kecerdasan buatan dapat menyamarkan ambiguitas ini dengan kalimat-kalimat indah; tugas Anda adalah membuatnya tetap terlihat.
Tip: Saat menanyakan keputusan berbasis cuaca kepada AI, katakan "sertakan periode probabilitas dan keyakinan, jangan spesifik". Daripada "menunda penyemprotan sampai besok", keluaran seperti "angin angin besok kemungkinan besar X% rendah, tetapi ada ketidakpastian selama 2 hari" jauh lebih berguna.
Tiga Kasus Mini: Berdasarkan Angka
Kasus 1 - Pengaturan waktu dengan GDD. Munculnya hama di kebun apel diperkirakan terjadi pada "pertengahan Mei" menurut kalender. Dengan pemantauan GDD, terlihat bahwa akumulasi panas terjadi pada akhir tahun itu; Rilisnya ditunda 11 hari kemudian. Perangkap yang dipantau mengkonfirmasi prediksi GDD dan penyemprotan tidak terbuang sebelum waktunya namun dilakukan tepat pada saat kemunculannya.
Kasus 2 - Kemungkinan salah membaca. Salah satu produsen mengandalkan ramalan "curah hujan 60%" dan membatalkan irigasi; Hujan tidak kunjung turun dan tanaman mengalami stres selama dua hari. Pelajaran: 60% tidak “pasti”. Kali berikutnya, keputusan dibuat dengan mengevaluasi probabilitas prediksi bersama dengan sensor kelembaban tanah; Jika kelembapan rendah, irigasi ringan dilakukan tanpa menunggu hujan.
Kasus 3 - Perlindungan beku. AI menunjukkan kemungkinan rendah terjadinya embun beku selama tiga hari ke depan, tetapi insinyur juga memantau radar dan stasiun lokal, mengetahui ketidakpastian 5 hari. Saat malam kritis mendekat, ramalan cuaca menjadi lebih buruk; Irigasi perlindungan embun beku diaktifkan tepat waktu dan bunganya terselamatkan. Jika seseorang secara membabi buta memercayai ramalan yang jauh, ia akan dianggap tidak siap.
Prompt Lemah / Prompt Kuat
Perintah yang lemah:
Kapan saya harus menyemprot minggu ini?
Perintah yang kuat:
Peran Anda: Ahli agronomi yang mendukung meteorologi pertanian. Interpretasikan ramalan cuaca 7 hari di bawah ini (hari, suhu min/maks, kemungkinan curah hujan, angin, kelembapan). Tugas: - Membuat daftar jendela yang COCOK untuk penyemprotan; membenarkan kendala angin dan curah hujan. - Tambahkan ke setiap saran KEMUNGKINAN ramalan cuaca dan berapa hari ketidakpastian yang ditimbulkannya. - Menggunakan bahasa yang tepat; Nyatakan seperti "kemungkinan besar/tidak pasti". - Tandai bila terdapat kombinasi kelembapan+suhu yang berisiko terhadap penyakit jamur. - Perhatikan bahwa saya perlu membuat keputusan bersama dengan sensor/bidang. Prediksi: [data 7 hari]
Perintah yang kuat memaksakan kemungkinan dan ketidakpastian, melarang penggunaan bahasa yang tepat, dan tidak menghubungkan keputusan dengan satu sumber saja.
Empat Templat yang Dapat Disalin
1) Kalkulator dan fenologi GDD:
Produk [..], suhu dasar [..]°C. Rata-rata harian saat ini. mengakumulasi GDD dengan suhu dan memprediksi kemungkinan tahap perkembangan berdasarkan akumulasi saat ini. Nyatakan ketidakpastiannya; tuliskan bahwa diperlukan konfirmasi melalui observasi lapangan.
2) Jendela penyemprotan:
Merekomendasikan 2 jendela yang paling sesuai untuk penyemprotan berdasarkan prakiraan angin/curah hujan selama 7 hari. Tuliskan kecepatan angin, kemungkinan curah hujan, dan risiko penyimpangan untuk masing-masingnya. Jika tidak ada jendela yang sesuai, ucapkan dengan jelas.
3) Peringatan dini risiko embun beku:
Di malam-malam mendatang, min. Kaji suhu dan kemungkinan terjadinya embun beku. Tandai malam-malam yang berisiko turun di bawah ambang batas kritis (~0°C saat berbunga) dan tuliskan ketidakpastian ramalan cuaca. Selain itu, sarankan sumber lokal mana yang harus saya tonton.
4) Jendela risiko penyakit:
Tandai jendela di mana risiko penyakit jamur meningkat berdasarkan durasi basahnya daun dan data kelembapan/suhu untuk tanaman ini. Membuat diagnosis; hanya waspada pada level “kondisi sesuai, tingkatkan pemantauan”.
Kesalahan umum
- Salah mengira probabilitas sebagai kepastian. “Curah hujan 60%” bukanlah jaminan; Jangan mendasarkan keputusan Anda pada satu tebakan saja.
- Mengandalkan prediksi jauh. 7 hari ke depan adalah tren; Buat keputusan penting dengan perkiraan yang diperbarui seiring semakin dekatnya waktu.
- Suhu dasar pencampuran GDD. Basis setiap produk berbeda; basis yang salah akan menggeser semua akumulasi.
- Mengabaikan angin. Penyemprotan saat angin kencang berarti hanyut dan kerusakan lingkungan.
- Mempercayai satu sumber. Satelit, radar, stasiun lokal, dan lapangan bersama-sama lebih dapat diandalkan.
Perhatian: Ketergantungan buta pada perkiraan jarak jauh dalam pengambilan keputusan seperti perlindungan terhadap embun beku, penyemprotan, dan pemanenan memerlukan biaya yang besar. Baca perkiraan sebagai distribusi probabilitas dan perbarui keputusan saat Anda mendekati malam/siang kritis.
Singkatnya
Data meteorologi adalah poros waktu pengambilan keputusan pertanian: GDD menentukan fenologi dan kemunculan hama, risiko penyakit suhu kelembaban, min. Suhu menentukan risiko embun beku, angin menentukan jendela penyemprotan. AI sangat hebat dalam menggabungkan data ini dan menghasilkan garis besar penjadwalan, namun prediksinya bersifat probabilistik dan kepercayaannya menurun seiring waktu. Jauhkan AI dari bahasa yang tepat, tampilkan probabilitas dan ketidakpastian, ambil keputusan dengan sensor dan lapangan, dan bersandar pada prakiraan terkini pada saat-saat kritis.
Tugas aplikasi
Siapkan tabel prakiraan cuaca 7 hari yang representatif (suhu minimum/maks, kemungkinan curah hujan, angin, kelembapan). Berikan kepada AI dengan templat "jendela penyemprotan" dan "peringatan dini risiko embun beku" di unit ini. Dalam keluarannya, pertimbangkan apakah AI berbicara dengan pasti atau probabilitas, apakah AI tersebut menentukan periode ketidakpastian, dan apakah AI mengatakannya dengan jujur jika tidak ada jendela yang tersedia. Tuliskan sumber daya tambahan apa yang akan Anda gunakan untuk mengambil keputusan, bukan sekadar dugaan.
daftar periksa
- [ ] Saya mengartikan kemungkinan hujan/embun beku sebagai suatu kemungkinan, bukan suatu kepastian.
- [ ] Saya memperhitungkan periode kepercayaan perkiraan (memperbarui semakin dekat).
- [ ] Saya menggunakan suhu dasar GDD dengan benar sesuai produk.
- [ ] Saya memeriksa risiko angin/hanyut dalam keputusan penyemprotan.
- [ ] Saya membuat keputusan waktu yang penting dengan pertimbangan seorang insinyur, didukung oleh banyak sumber daya dan lapangan.