ಲಾಭಗಳು:
- ನಿಖರವಾದ ಕೃಷಿಯ ತರ್ಕ ಮತ್ತು ವೇರಿಯಬಲ್ ದರ ಅನ್ವಯ ಮತ್ತು ನಿರ್ವಹಣಾ ವಲಯಗಳಂತಹ ಮೂಲಭೂತ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿವರಿಸುವ ಸಾಮರ್ಥ್ಯ.
- ಚದುರಿದ ಕ್ಷೇತ್ರ, ಸಂವೇದಕ ಮತ್ತು ಯಂತ್ರದ ಡೇಟಾವನ್ನು AI ಯೊಂದಿಗೆ ಶುದ್ಧ, ಪ್ರಮಾಣಿತ ಮತ್ತು ಸಂಯೋಜಿಸಬಹುದಾದ ಕೋಷ್ಟಕಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಪ್ರಾದೇಶಿಕ (ಸಂಯೋಜಿತ) ಡೇಟಾವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಪಾರ್ಸೆಲ್ ಮತ್ತು ನಿರ್ವಹಣಾ ಪ್ರದೇಶದ ಪ್ರಮಾಣದಲ್ಲಿ AI ಔಟ್ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ
ಶಾಸ್ತ್ರೀಯ ಕೃಷಿಯು ಒಟ್ಟಾರೆಯಾಗಿ ಒಂದು ಕ್ಷೇತ್ರವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಅದು ಒಂದೇ ರೀತಿಯಲ್ಲಿ ವರ್ತಿಸುತ್ತದೆ: ಅದೇ ಗೊಬ್ಬರ, ಅದೇ ನೀರು, ಇಡೀ ಕಥಾವಸ್ತುವಿಗೆ ಒಂದೇ ಕೀಟನಾಶಕ. ಆದಾಗ್ಯೂ, ಅದೇ ಗದ್ದೆಯ ಒಂದು ತುದಿಯಲ್ಲಿರುವ ಮಣ್ಣು ಜೇಡಿಮಣ್ಣಾಗಿದ್ದು ನೀರನ್ನು ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ, ಇನ್ನೊಂದು ತುದಿಯು ಮರಳಿನಿಂದ ಕೂಡಿರುತ್ತದೆ ಮತ್ತು ನೀರನ್ನು ವೇಗವಾಗಿ ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ; ಒಂದು ಮೂಲೆಯು ತಂಪಾಗಿರಬಹುದು ಮತ್ತು ತೇವವಾಗಿರುತ್ತದೆ ಏಕೆಂದರೆ ಅದು ಕಡಿಮೆಯಾಗಿದೆ, ಆದರೆ ಇಳಿಜಾರು ಬಿಸಿ ಮತ್ತು ಶುಷ್ಕವಾಗಿರುತ್ತದೆ ಏಕೆಂದರೆ ಅದು ದಕ್ಷಿಣಕ್ಕೆ ಮುಖಮಾಡುತ್ತದೆ. ನಿಖರವಾದ ಕೃಷಿಯು ಈ ಆಂತರಿಕ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಕ್ಷೇತ್ರವನ್ನು ಪ್ರದೇಶಗಳಾಗಿ ವಿಭಜಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಪ್ರತಿ ಪ್ರದೇಶಕ್ಕೆ ಅಗತ್ಯವಿರುವಷ್ಟು ಇನ್ಪುಟ್ ಅನ್ನು ನೀಡುತ್ತದೆ. ಗುರಿ ಸರಳವಾಗಿದೆ ಆದರೆ ಪರಿಣಾಮವು ದೊಡ್ಡದಾಗಿದೆ: ಸರಿಯಾದ ಸ್ಥಳಕ್ಕೆ, ಸರಿಯಾದ ಸಮಯದಲ್ಲಿ, ಸರಿಯಾದ ಮೊತ್ತದಲ್ಲಿ. ಈ ಘಟಕವು ನಿಖರವಾದ ಕೃಷಿಯ ತರ್ಕವನ್ನು ವಿವರಿಸುತ್ತದೆ ಮತ್ತು ಈ ತರ್ಕವನ್ನು ಪೋಷಿಸುವ ಕೃಷಿ ಡೇಟಾವನ್ನು ಸಂಘಟಿತ, ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಸಂಯೋಜಿಸುವುದು ಹೇಗೆ ಎಂದು ವಿವರಿಸುತ್ತದೆ.
ನಿಖರವಾದ ಕೃಷಿಯ ಹೃದಯಭಾಗದಲ್ಲಿ ಎರಡು ಪರಿಕಲ್ಪನೆಗಳಿವೆ. ಮೊದಲನೆಯದು ವೇರಿಯಬಲ್ ರೇಟ್ ಅಪ್ಲಿಕೇಶನ್ (VRA): ಟ್ರಾಕ್ಟರ್ ಅಥವಾ ಉಪಕರಣವು ಗೊಬ್ಬರ, ಬೀಜ ಅಥವಾ ನೀರಿನ ಪ್ರಮಾಣವನ್ನು ಹೊಲದ ಸ್ಥಳಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಬದಲಾಯಿಸುತ್ತದೆ. ಎರಡನೆಯದು ನಿರ್ವಹಣಾ ವಲಯ: ಇದು ಒಂದೇ ರೀತಿಯ ಮಣ್ಣು ಮತ್ತು ಉತ್ಪಾದಕತೆಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿರುವ ಉಪ-ಭಾಗಗಳಾಗಿ ಕ್ಷೇತ್ರವನ್ನು ವಿಭಜಿಸುವುದು ಮತ್ತು ಪ್ರತ್ಯೇಕವಾಗಿ ನಿರ್ವಹಿಸಬಹುದು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಎರಡೂ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಸ್ಪರ್ಶಿಸುತ್ತದೆ: ಇದು ಚದುರಿದ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ವಲಯಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ವಲಯಕ್ಕೆ ಕರಡು ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್ಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಆದರೆ ಕ್ಷೇತ್ರವನ್ನು ತಿಳಿದಿರುವ ಎಂಜಿನಿಯರ್ ಅಂತಿಮವಾಗಿ ಪ್ರಾದೇಶಿಕ ಗಡಿ ಮತ್ತು ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್ ಅನ್ನು ಅನುಮೋದಿಸುವವರು.
ಕೃಷಿ ದತ್ತಾಂಶದ ಸ್ವರೂಪ: ಇದು ಏಕೆ ಗೊಂದಲಮಯವಾಗಿದೆ?
ಫಾರ್ಮ್ನಲ್ಲಿ, ಡಜನ್ಗಟ್ಟಲೆ ಅಜ್ಞಾತ ಮೂಲಗಳಿಂದ ಡೇಟಾ ಬರುತ್ತದೆ ಮತ್ತು ಅವುಗಳಲ್ಲಿ ಯಾವುದೂ ಇತರ ಭಾಷೆಯಂತೆಯೇ ಮಾತನಾಡುವುದಿಲ್ಲ. ಮಣ್ಣಿನ ಪ್ರಯೋಗಾಲಯವು ಎಕ್ಸೆಲ್ ಅನ್ನು ಕಳುಹಿಸುತ್ತದೆ; ಸಂಯೋಜಿತ ಹಾರ್ವೆಸ್ಟರ್ ತನ್ನ ಇಳುವರಿ ನಕ್ಷೆಯನ್ನು ಮತ್ತೊಂದು ಸ್ವರೂಪದಲ್ಲಿ ಉಳಿಸುತ್ತದೆ; ಆರ್ದ್ರತೆಯ ಸಂವೇದಕವು ಗಂಟೆಗೊಮ್ಮೆ CSV ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಡ್ರೋನ್ ಔಟ್ಪುಟ್ಗಳು JPEG ಮತ್ತು ಕೋಆರ್ಡಿನೇಟ್ ಫೈಲ್; ರೈತರ ಸ್ವಂತ ನೋಟುಗಳನ್ನು ನೋಟ್ಬುಕ್ನಲ್ಲಿ ಕೈಯಿಂದ ಬರೆಯಲಾಗಿದೆ. ಈ ಡೇಟಾದ ಘಟಕಗಳು ವಿಭಿನ್ನವಾಗಿವೆ (kg/da, kg/ha, ppm, %), ದಿನಾಂಕ ಸ್ವರೂಪಗಳು ವಿಭಿನ್ನವಾಗಿವೆ, ಸ್ಥಳ ವ್ಯವಸ್ಥೆಗಳು ವಿಭಿನ್ನವಾಗಿವೆ ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಉತ್ಪನ್ನ/ಪಾರ್ಸೆಲ್ ಹೆಸರುಗಳು ಅಸಮಂಜಸವಾಗಿರುತ್ತವೆ ("ಸ್ಟ್ರೀಮ್ ಕ್ಷೇತ್ರ", "ಡೆರೆ ಪಾರ್ಸೆಲ್", "ಪ್ಲಾಟ್-7" ಒಂದೇ ಸ್ಥಳವಾಗಿರಬಹುದು). ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮೊದಲು, ಈ ಸಂಯೋಜನೆಯ ಕೆಲಸವು ಎಂಜಿನಿಯರ್ನ ಅತ್ಯಂತ ಕಿರಿಕಿರಿ ಮತ್ತು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಭಾಗವಾಗಿತ್ತು.
ಇಲ್ಲಿಯೇ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕಾರ್ಯರೂಪಕ್ಕೆ ಬರುತ್ತದೆ ಮತ್ತು ಅದು ಸುರಕ್ಷಿತವಾಗಿರುವ ಸ್ಥಳದಲ್ಲಿ ನಿಖರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಡೇಟಾವನ್ನು ಪ್ರಮಾಣಿತ ಸ್ಕೀಮಾಗೆ ಭಾಷಾಂತರಿಸುವುದು (ಅಂದರೆ ಸಾಮಾನ್ಯ ಕಾಲಮ್ ಮತ್ತು ಘಟಕ ರಚನೆ). ಆದರೆ ಜಾಗರೂಕರಾಗಿರಿ: ಘಟಕಗಳನ್ನು ಪರಿವರ್ತಿಸುವಾಗ AI ತಪ್ಪು ಮಾಡಬಹುದು, ಮತ್ತು ಈ ತಪ್ಪು ಸಂಪೂರ್ಣ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಮೌನವಾಗಿ ಹಾಳುಮಾಡುತ್ತದೆ. ಆದ್ದರಿಂದ ಡೇಟಾ ರಚನೆಯಲ್ಲಿನ ಸುವರ್ಣ ನಿಯಮವೆಂದರೆ ಪ್ರತಿ ರೂಪಾಂತರವನ್ನು ಸಣ್ಣ ಮಾದರಿಯೊಂದಿಗೆ ಹಸ್ತಚಾಲಿತವಾಗಿ ಮೌಲ್ಯೀಕರಿಸುವುದು.
ಸಲಹೆ: AI ಗೆ ಡೇಟಾವನ್ನು ನೀಡುವ ಮೊದಲು, ನಿಮ್ಮ ಗುರಿ ಸ್ಕೀಮಾವನ್ನು ನೀವೇ ವ್ಯಾಖ್ಯಾನಿಸಿ: ಯಾವ ಕಾಲಮ್ಗಳು, ಯಾವ ಘಟಕಗಳು, ಯಾವ ದಿನಾಂಕ ಸ್ವರೂಪ. "ಈ ಡೇಟಾವನ್ನು ಜೋಡಿಸಿ" ಎಂದು ಹೇಳುವುದಕ್ಕಿಂತ "ಇದನ್ನು ಆ ರೇಖಾಚಿತ್ರಕ್ಕೆ ಭಾಷಾಂತರಿಸಿ" ಎಂದು AI ಗೆ ಹೇಳುವುದು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ.
ಪ್ರಾದೇಶಿಕ ಡೇಟಾವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು
ಹೆಚ್ಚಿನ ಕೃಷಿ ದತ್ತಾಂಶವು ಪ್ರಾದೇಶಿಕವಾಗಿದೆ: ಪ್ರತಿ ಅಳತೆಯು ಒಂದು ನಿರ್ದೇಶಾಂಕವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಮಣ್ಣಿನ ಮಾದರಿಯನ್ನು "ಪ್ಲಾಟ್-3, ವಾಯುವ್ಯ ಮೂಲೆ, 39.12 ಎನ್ / 32.45 ಇ" ನಂತಹ ಸ್ಥಳಕ್ಕೆ ಲಿಂಕ್ ಮಾಡಲಾಗಿದೆ. ಈ ನಿರ್ದೇಶಾಂಕಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಅಕ್ಷಾಂಶ/ರೇಖಾಂಶ (WGS84) ಅಥವಾ UTM ಎಂಬ ಮೆಟ್ರಿಕ್ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ನೀಡಲಾಗುತ್ತದೆ. AI ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ ಪ್ರಾದೇಶಿಕ ಡೇಟಾವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವಾಗ, ಮೂರು ವಿಷಯಗಳಿಗೆ ಗಮನ ಕೊಡಿ: ನಿರ್ದೇಶಾಂಕ ವ್ಯವಸ್ಥೆಯು ಸ್ಥಿರವಾಗಿದೆಯೇ, ಕ್ಷೇತ್ರವನ್ನು ಪ್ರತಿನಿಧಿಸಲು ಮಾದರಿ ಬಿಂದುಗಳು ಸಾಕಷ್ಟು ಚದುರಿಹೋಗಿವೆಯೇ ಮತ್ತು ಒಂದು ಬಿಂದುವಿನ ಮೌಲ್ಯವು ಸಂಪೂರ್ಣ ಪ್ರದೇಶಕ್ಕೆ ಅಥವಾ ಆ ಬಿಂದುವಿಗೆ ಸಂಬಂಧಿಸಿದೆ. NDVI ಯಂತಹ ನಕ್ಷೆ ಡೇಟಾ ಕ್ಷೇತ್ರದ ಪ್ರತಿ ಚದರ ಮೀಟರ್ ಅನ್ನು ಆವರಿಸುತ್ತದೆ; ಮಣ್ಣಿನ ಮಾದರಿಯು ಅದನ್ನು ತೆಗೆದುಕೊಂಡ ಬಿಂದುವನ್ನು ಮಾತ್ರ ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಈ ವ್ಯತ್ಯಾಸವನ್ನು ಗೊಂದಲಗೊಳಿಸುವುದು ವ್ಯಾಖ್ಯಾನದಲ್ಲಿ ಗಂಭೀರ ದೋಷಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ.
ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು: ಸಂಖ್ಯೆಗಳ ಮೂಲಕ
ಪ್ರಕರಣ 1 - ಅಸೆಂಬ್ಲಿಯಲ್ಲಿ ಸಮಯ ಉಳಿತಾಯ. ಒಬ್ಬ ಇಂಜಿನಿಯರ್ 5 ವಿವಿಧ ಮೂಲಗಳಿಂದ (ಮಣ್ಣಿನ ಪ್ರಯೋಗಾಲಯ, ಇಳುವರಿ ನಕ್ಷೆ, ಸಂವೇದಕ, ಡ್ರೋನ್, ಕ್ಷೇತ್ರ ಟಿಪ್ಪಣಿಗಳು) ಒಟ್ಟು 4,200 ಸಾಲುಗಳ ಡೇಟಾವನ್ನು ಒಂದೇ ಕೋಷ್ಟಕದಲ್ಲಿ ಸಂಯೋಜಿಸುತ್ತಿದ್ದನು; ಕೈಯಿಂದ ಸುಮಾರು 6 ಗಂಟೆಗಳ. ಒಮ್ಮೆ ನಾವು ಟಾರ್ಗೆಟ್ ಸ್ಕೀಮಾವನ್ನು ಮುಂಚಿತವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಿ ಮತ್ತು AI ಗೆ "ಈ 5 ಫೈಲ್ಗಳನ್ನು ಈ ಕಾಲಮ್ಗಳಿಗೆ ಮ್ಯಾಪ್ ಮಾಡಿ" ಕಾರ್ಯವನ್ನು ನೀಡಿದರೆ, ಮೊದಲ ಡ್ರಾಫ್ಟ್ 25 ನಿಮಿಷಗಳಲ್ಲಿ ಹೊರಬಂದಿತು; ಅವರು 40-ಸಾಲಿನ ಮಾದರಿಯೊಂದಿಗೆ ಹೊಂದಾಣಿಕೆಯ ನಿಖರತೆಯನ್ನು ಪರಿಶೀಲಿಸಲು ಉಳಿದ ಸಮಯವನ್ನು ಮೀಸಲಿಟ್ಟರು. ಒಟ್ಟು ಸಮಯ ಸುಮಾರು 2 ಗಂಟೆಗಳಿಗೆ ಇಳಿದಿದೆ.
ಪ್ರಕರಣ 2 - ಘಟಕದ ಬಲೆ. ಇಳುವರಿ ನಕ್ಷೆಯು ಕೆಜಿ / ಹೆಕ್ಟೇರ್ನಲ್ಲಿ ಮತ್ತು ರಸಗೊಬ್ಬರ ದಾಖಲೆಯು ಕೆಜಿ / ಹೆಕ್ಟೇರ್ನಲ್ಲಿತ್ತು. ಮೊದಲ ಸಂಯೋಜನೆಯಲ್ಲಿ, AI ಎರಡನ್ನೂ ಒಂದೇ ಕಾಲಮ್ನಲ್ಲಿ ಗುಂಪು ಮಾಡಿದೆ ಮತ್ತು ಒಂದು ಪ್ಲಾಟ್ನ ಇಳುವರಿಯನ್ನು 10 (1 ha = 10 da) ಅಂಶದಿಂದ ಕಡಿಮೆ ಮಾಡಿದೆ. ತಿಳಿದಿರುವ ಪಾರ್ಸೆಲ್ನ ನಿಜವಾದ ಇಳುವರಿಯನ್ನು ನೆನಪಿಸಿಕೊಂಡ ಕಾರಣ ಇಂಜಿನಿಯರ್ ವ್ಯತ್ಯಾಸವನ್ನು ಹಿಡಿದಿದ್ದಾರೆ; ಪರಿಮಾಣದ ಪರಿಶೀಲನೆಯ ಕ್ರಮವು ಘಟಕ ದೋಷವನ್ನು ಬಹಿರಂಗಪಡಿಸಿತು.
ಪ್ರಕರಣ 3 - ಪಾರ್ಸೆಲ್ ಹೆಸರು ಗೊಂದಲ. ಮೂರು ಮೂಲಗಳಲ್ಲಿ, ಅದೇ ಕ್ಷೇತ್ರವನ್ನು "ಡೆರೆ", "ಡೆರೆ_ತರ್ಲಾ" ಮತ್ತು "ಪ್ಲಾಟ್-7" ಎಂದು ಉಲ್ಲೇಖಿಸಲಾಗಿದೆ. AI ಇವುಗಳನ್ನು ಮೂರು ಪ್ರತ್ಯೇಕ ಪಾರ್ಸೆಲ್ಗಳು ಎಂದು ಭಾವಿಸಿದೆ ಮತ್ತು ಪ್ರದೇಶವನ್ನು ಮೂರು ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸಿದೆ. ಒಟ್ಟು ಸಾಗುವಳಿ ಪ್ರದೇಶವು ಪತ್ರದಲ್ಲಿನ ಮೌಲ್ಯಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ ಎಂದು ಎಂಜಿನಿಯರ್ ಅರಿತುಕೊಂಡಾಗ, ಅವರು ಹೊಂದಾಣಿಕೆಯ ನಿಘಂಟನ್ನು ("ಈ ಮೂರು ಹೆಸರುಗಳು = ಪ್ಲಾಟ್-7") ವ್ಯಾಖ್ಯಾನಿಸಿದರು ಮತ್ತು ಅದರೊಂದಿಗೆ ಮರುಸಂಯೋಜಿಸಲು AI ಗೆ ಹೇಳಿದರು.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ಕೃಷಿ ಡೇಟಾವನ್ನು ಸಂಘಟಿಸಿ ಮತ್ತು ಸಂಯೋಜಿಸಿ.[ಫೈಲ್ಗಳು]
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಕೃಷಿ ಡೇಟಾ ವಿಶ್ಲೇಷಕ. ಕೆಳಗಿನ 4 ಮೂಲಗಳನ್ನು ಒಂದು ಟೇಬಲ್ಗೆ ಸಂಯೋಜಿಸಿ. ಟಾರ್ಗೆಟ್ ಸ್ಕೀಮಾ (ಈ ಕಾಲಮ್ಗಳು ಮತ್ತು ಯೂನಿಟ್ಗಳನ್ನು ಮೀರಿ ಹೋಗಬೇಡಿ):- parcel_id (ಪಠ್ಯ), ದಿನಾಂಕ (YYYY-MM-DD), ಉತ್ಪನ್ನ (ಪಠ್ಯ),- soil_pH (ಸಂಖ್ಯೆ), nitrogen_kg_da (kg/da), ಇಳುವರಿ_kg_da (ಕೇಂದ್ರ_ಪ್ರತಿಶತ-%) ರಸಗೊಬ್ಬರ/ಇಳುವರಿ ಘಟಕಗಳು ಕೆಜಿ/ಡಾ; ನೀವು ಅನುವಾದಿಸುವ ಪ್ರತಿ ಸಾಲನ್ನು ಗುರುತಿಸಿ.- ನಾನು ನೀಡಿದ ನಿಘಂಟಿನೊಂದಿಗೆ ಪಾರ್ಸೆಲ್ ಹೆಸರುಗಳನ್ನು ಹೊಂದಿಸಿ: {"dere":"P7","dere_field":"P7"}.- ಕಾಣೆಯಾದ ಮೌಲ್ಯವನ್ನು ಖಾಲಿ ಬಿಡಿ, ಊಹೆಯೊಂದಿಗೆ ಅದನ್ನು ಭರ್ತಿ ಮಾಡಿ.- ನೀವು ಭಾಷಾಂತರಿಸಲು ಸಾಧ್ಯವಾಗದ ಅಥವಾ ಅಸ್ಪಷ್ಟವಾಗಿರುವ ಸಾಲುಗಳನ್ನು ಪ್ರತ್ಯೇಕ "check_required" ಪಟ್ಟಿಯಲ್ಲಿ ಇರಿಸಿ. ಮೂಲಗಳು:[ಡೇಟಾ]
ಪ್ರಬಲ ಪ್ರಾಂಪ್ಟ್ ಗುರಿ ಸ್ಕೀಮಾ, ಘಟಕ ನಿಯಮ, ಹೊಂದಾಣಿಕೆಯ ನಿಘಂಟು ಮತ್ತು ಅಸ್ಪಷ್ಟತೆಗಾಗಿ ಪ್ರತ್ಯೇಕ ಬಕೆಟ್ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ. ಹೀಗಾಗಿ, ಊಹಿಸುವ ಬದಲು, AI ನಿರ್ಧರಿಸದಿರುವಲ್ಲಿ ನಿಮಗೆ ತಲುಪಿಸುತ್ತದೆ.
ನಾಲ್ಕು ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) ಗುರಿ ಯೋಜನೆಗೆ ಮ್ಯಾಪಿಂಗ್:
ಕೆಳಗಿನ ಸ್ಕೀಮಾಗೆ ಕೆಳಗಿನ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ನಕ್ಷೆ ಮಾಡಿ: [ಕಾಲಮ್ಗಳು + ಘಟಕಗಳು]. ಪ್ರತಿ ಮೂಲ ಕಾಲಮ್ ಅನ್ನು ಯಾವ ಗುರಿ ಕಾಲಮ್ ನಕ್ಷೆ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಕೋಷ್ಟಕದಲ್ಲಿ ತೋರಿಸಿ. ನಿಮಗೆ ಖಚಿತವಿಲ್ಲದಿದ್ದರೆ, "?" ಅನ್ನು ಬಳಸಿ ಜೊತೆ ಗುರುತಿಸಿ.
2) ಘಟಕ ಪ್ರಮಾಣೀಕರಣ ಮತ್ತು ಪತ್ತೆಹಚ್ಚುವಿಕೆ:
ಎಲ್ಲಾ ಪ್ರದೇಶ ಘಟಕಗಳನ್ನು ಡಿಕೇರ್ಸ್ (da) ಗೆ ಪರಿವರ್ತಿಸಿ. "conversion_note" ಕಾಲಮ್ ಅನ್ನು ಸೇರಿಸಿ; ಪ್ರತಿ ಪರಿವರ್ತಿತ ಮೌಲ್ಯಕ್ಕೆ ಮೂಲ ಘಟಕ ಮತ್ತು ಗುಣಕವನ್ನು ಬರೆಯಿರಿ (ಉದಾ: "1 ha=10 da"). ನೀವು ಪರಿವರ್ತಿಸಲು ಸಾಧ್ಯವಾಗದ ಘಟಕವನ್ನು ಹಾಗೆಯೇ ಬಿಡಿ ಮತ್ತು ಅದನ್ನು ಗುರುತಿಸಿ.
3) ಔಟ್ಲೈಯರ್ ಸ್ಕ್ಯಾನಿಂಗ್:
ಈ ಸಂಖ್ಯಾತ್ಮಕ ಕಾಲಮ್ಗಳಿಗೆ ನಾನು ನಿರೀಕ್ಷಿತ ಕೃಷಿ ಶ್ರೇಣಿಯನ್ನು ನೀಡುತ್ತೇನೆ: ಮಣ್ಣಿನ_pH 4-9, ಸಾರಜನಕ_ಕೆಜಿ_ಡಾ 0-30, ಇಳುವರಿ_ಕೆಜಿ_ಡಾ 100-1200. ವ್ಯಾಪ್ತಿಯ ಹೊರಗಿನ ಪ್ರತಿ ಸಾಲನ್ನು "ಹೊರಗಿನ" ಎಂದು ಗುರುತಿಸಿ; ಬದಲಾಯಿಸಬೇಡಿ, ತೋರಿಸು.
4) ನಿರ್ವಹಣಾ ಪ್ರದೇಶದ ಕರಡು:
ಕೆಳಗಿನ ಪ್ರಾದೇಶಿಕ ಮಣ್ಣು ಮತ್ತು ಫಲವತ್ತತೆಯ ಡೇಟಾವನ್ನು ನೋಡುವ ಮೂಲಕ, ಒಂದೇ ರೀತಿಯ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ 2-4 ಅಭ್ಯರ್ಥಿ ನಿರ್ವಹಣಾ ಪ್ರದೇಶಗಳನ್ನು ಸೂಚಿಸಿ. ಪ್ರತಿ ಪ್ರದೇಶಕ್ಕೂ: ನೀವು ಬೇರ್ಪಡಿಸಿದ ನಿಯತಾಂಕಗಳು, ಸರಾಸರಿ ಮೌಲ್ಯಗಳು ಮತ್ತು ಕ್ಷೇತ್ರದಲ್ಲಿ ನಾನು ಪರಿಶೀಲಿಸಬೇಕಾದ ಮಿತಿಯನ್ನು ಬರೆಯಿರಿ. ಸ್ಪಷ್ಟವಾದ ಗಡಿಗಳನ್ನು ಸೆಳೆಯಬೇಡಿ; ಇವು ಕರಡುಗಳು.
ಹೋಲಿಕೆ ಚಾರ್ಟ್: ಕ್ಲಾಸಿಕ್ ವಿರುದ್ಧ ನಿಖರವಾದ ಕೃಷಿ
ಗಾತ್ರ
ಶಾಸ್ತ್ರೀಯ ಕೃಷಿ
ನಿಖರವಾದ ಕೃಷಿ
ನಿರ್ವಹಣಾ ಘಟಕ
ಇಡೀ ಕ್ಷೇತ್ರ ಒಂದೇ
ಆಡಳಿತಾತ್ಮಕ ಪ್ರದೇಶಗಳು
ಇನ್ಪುಟ್ ವಿತರಣೆ
ಏಕರೂಪ (ಫ್ಲಾಟ್ ದರ)
ವೇರಿಯಬಲ್ ದರ (VRA)
ಡೇಟಾ ಮೂಲ
ರೈತ ವೀಕ್ಷಣೆ
ಸಂವೇದಕ, ಉಪಗ್ರಹ, ಡ್ರೋನ್, ಯಂತ್ರ
ನಿರ್ಧಾರದ ಆಧಾರ
ಅನುಭವ + ಕ್ಯಾಲೆಂಡರ್
ಅನುಭವ + ಡೇಟಾ + ಮಾದರಿ
AI ನ ಪಾತ್ರ
ಸೀಮಿತವಾಗಿದೆ
ಡೇಟಾ ಬಲವರ್ಧನೆ ಮತ್ತು ಪ್ರಸ್ತಾವನೆ ಕರಡು
ಅಪಾಯ
ಹೆಚ್ಚುವರಿ / ಇನ್ಪುಟ್ ಅಡಿಯಲ್ಲಿ
ತಪ್ಪಾದ ಡೇಟಾ → ತಪ್ಪಾದ ಪ್ರದೇಶ
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- AI ಸ್ಕೀಮಾವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲಿ. ನೀವು ಗುರಿ ಕಾಲಮ್ಗಳು ಮತ್ತು ಘಟಕಗಳನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸದಿದ್ದರೆ, AI ಪ್ರತಿ ಬಾರಿ ವಿಭಿನ್ನ ರಚನೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಹೋಲಿಕೆ ಅಸಾಧ್ಯವಾಗುತ್ತದೆ.
- ಘಟಕಗಳ ಬಗ್ಗೆ ನಿಗಾ ಇಡುತ್ತಿಲ್ಲ. ಯಾವ ಮೌಲ್ಯವನ್ನು ಅನುವಾದಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ನೀವು ರೆಕಾರ್ಡ್ ಮಾಡದಿದ್ದರೆ, ನಂತರದ ಯಾವುದೇ ದೋಷಗಳನ್ನು ನೀವು ಪತ್ತೆಹಚ್ಚಲು ಸಾಧ್ಯವಿಲ್ಲ.
- ಮ್ಯಾಪ್ ಡೇಟಾಗಾಗಿ ಪಾಯಿಂಟ್ ಡೇಟಾ ತಪ್ಪಾಗಿದೆ. ಇಡೀ ಪ್ರದೇಶಕ್ಕೆ ಒಂದೇ ಮಣ್ಣಿನ ಮಾದರಿಯನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸುವುದು ಪ್ರದೇಶದ ಗಡಿಯನ್ನು ತಪ್ಪಾಗಿ ಸೆಳೆಯುತ್ತದೆ.
- AI ಅಂತರವನ್ನು ತುಂಬಲು ಬಿಡಿ. ಊಹೆಯೊಂದಿಗೆ ಕಾಣೆಯಾದ ಮೌಲ್ಯವನ್ನು ತುಂಬುವುದು ನೈಜ ಡೇಟಾದಂತೆ ಮರೆಮಾಚುವ ಫ್ಯಾಬ್ರಿಕೇಶನ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
- ಪಾರ್ಸೆಲ್ ಹೆಸರುಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತಿಲ್ಲ. ಅಸಮಂಜಸವಾದ ಹೆಸರುಗಳು ಪ್ರದೇಶ ಮತ್ತು ಇಳುವರಿಯನ್ನು ವಿಭಜಿಸುತ್ತವೆ, ಇಡೀ ಋತುವಿನ ವಿಶ್ಲೇಷಣೆಯನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತವೆ.
ಗಮನ: AI VRA ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್ ಅನ್ನು ಶಿಫಾರಸು ಮಾಡಬಹುದು (ಯಾವ ಪ್ರದೇಶಕ್ಕೆ ಎಷ್ಟು ಹೋಯಿತು), ಆದರೆ ಅಂತಿಮ ಅನುಮೋದನೆ ಇಂಜಿನಿಯರ್ಗೆ ಸೇರಿದೆ. ತಪ್ಪಾದ ವಲಯದ ಗಡಿ ಎಂದರೆ ನೀರೊಳಗಿನ ಅಥವಾ ಒಂದು ಪ್ರದೇಶದಲ್ಲಿ ಹೆಚ್ಚು ಗೊಬ್ಬರ.
ಸಾರಾಂಶದಲ್ಲಿ
ನಿಖರವಾದ ಕೃಷಿಯು ಕ್ಷೇತ್ರವನ್ನು ಅದರ ಆಂತರಿಕ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ನಿರ್ವಹಿಸುವ ಕಲೆಯಾಗಿದೆ ಮತ್ತು ಇದು ಎರಡು ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಆಧರಿಸಿದೆ: ವೇರಿಯಬಲ್ ದರ ಅನ್ವಯ ಮತ್ತು ನಿರ್ವಹಣಾ ವಲಯಗಳು. ಈ ವಿಧಾನವು ಡೇಟಾದಿಂದ ಉತ್ತೇಜಿಸಲ್ಪಟ್ಟಿದೆ; ಆದರೆ ಕೃಷಿ ದತ್ತಾಂಶಗಳು ಚದುರಿಹೋಗಿವೆ, ಬಹು-ಘಟಕ ಮತ್ತು ಬಹು-ಮೂಲ. ಈ ಡೇಟಾವನ್ನು ಪ್ರಮಾಣಿತ ಸ್ಕೀಮಾಗೆ ಭಾಷಾಂತರಿಸುವ ಸುರಕ್ಷಿತ ಮತ್ತು ಹೆಚ್ಚು ಲಾಭದಾಯಕ ಪ್ರದೇಶದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ - ನೀವು ಗುರಿ ಸ್ಕೀಮಾವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವವರೆಗೆ, ಘಟಕದ ಜಾಡನ್ನು ಇರಿಸಿ, ಅಂತರವನ್ನು ತುಂಬಬೇಡಿ ಮತ್ತು ಪ್ರತಿ ರೂಪಾಂತರವನ್ನು ಉದಾಹರಣೆಯೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿ. ಕ್ಲೀನ್ ಮತ್ತು ಏಕೀಕೃತ ಡೇಟಾವು ಎಲ್ಲಾ ನಂತರದ ಘಟಕಗಳಿಗೆ (NDVI, ಮಣ್ಣು, ನೀರಾವರಿ, ಇಳುವರಿ) ಘನ ಆಧಾರವಾಗಿದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಎರಡು ವಿಭಿನ್ನ ಮೂಲಗಳಿಂದ ಸಣ್ಣ ಮಾದರಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ (ಉದಾ. ಮಣ್ಣಿನ ವಿಶ್ಲೇಷಣೆ ಕೋಷ್ಟಕ ಮತ್ತು ಇಳುವರಿ/ಗೊಬ್ಬರದ ದಾಖಲೆ); ಘಟಕಗಳು ಮತ್ತು ಪಾರ್ಸೆಲ್ ಹೆಸರುಗಳು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ವಿಭಿನ್ನವಾಗಿವೆ. ಈ ಘಟಕದಿಂದ "ಮ್ಯಾಪಿಂಗ್ ಟು ಟಾರ್ಗೆಟ್ ಸ್ಕೀಮಾ" ಮತ್ತು "ಯೂನಿಟ್ ಪ್ರಮಾಣೀಕರಣ" ಟೆಂಪ್ಲೇಟ್ಗಳೊಂದಿಗೆ AI ಅನ್ನು ಸಂಯೋಜಿಸಿ. ನಂತರ 5 ಸಾಲುಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಿ: ಘಟಕ ಪರಿವರ್ತನೆಗಳು ಸರಿಯಾಗಿವೆಯೇ, ಪಾರ್ಸೆಲ್ ಹೊಂದಾಣಿಕೆಗಳು ಸರಿಯಾಗಿವೆಯೇ, ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು ಊಹೆಯೊಂದಿಗೆ ತುಂಬಿವೆಯೇ? ನೀವು ಕಂಡುಕೊಳ್ಳುವ ಪ್ರತಿಯೊಂದು ದೋಷವನ್ನು ಗಮನಿಸಿ ಮತ್ತು AI ಯಾವ ನಿಯಮವನ್ನು ಉಲ್ಲಂಘಿಸಿದೆ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ಗುರಿಯ ಸ್ಕೀಮಾವನ್ನು (ಕಾಲಮ್ಗಳು + ಯೂನಿಟ್ಗಳು) AI ಗೆ ನೀಡುವ ಮೊದಲು ವ್ಯಾಖ್ಯಾನಿಸಿದೆ.
- [ ] ನಾನು ಎಲ್ಲಾ ಘಟಕಗಳನ್ನು ಒಂದೇ ಮಾನದಂಡಕ್ಕೆ ಪರಿವರ್ತಿಸಿದೆ ಮತ್ತು ಪರಿವರ್ತನೆ ಟ್ರ್ಯಾಕ್ ಅನ್ನು ಇರಿಸಿದೆ.
- [ ] ನಾನು ನಿಘಂಟಿನ ವಿರುದ್ಧ ಪಾರ್ಸೆಲ್ ಹೆಸರಿನ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಹೊಂದಿದ್ದೇನೆ ಮತ್ತು ಒಟ್ಟು ಪ್ರದೇಶವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ಆಗ್ರೋನೊಮಿಕ್ ಶ್ರೇಣಿಯೊಂದಿಗೆ ಹೊರವಲಯವನ್ನು ಪ್ರದರ್ಶಿಸಿದೆ; ನಾನು ಅದನ್ನು ಬದಲಾಯಿಸಲಿಲ್ಲ ಮತ್ತು ಗುರುತು ಹಾಕಲಿಲ್ಲ.
- [ ] ನಾನು ಪಾಯಿಂಟ್ ಡೇಟಾ ಮತ್ತು ಮ್ಯಾಪ್ ಡೇಟಾವನ್ನು ಪ್ರತ್ಯೇಕಿಸಿದ್ದೇನೆ; ನಾನು ಊಹೆಗಳೊಂದಿಗೆ ಖಾಲಿ ಜಾಗಗಳನ್ನು ತುಂಬಲಿಲ್ಲ.