이득:
- 정밀농업의 논리와 변동율 적용 및 관리구역 등의 기본 개념을 설명할 수 있는 능력.
- 분산된 필드, 센서 및 기계 데이터를 AI를 통해 깔끔하고 표준적인 구성 가능한 테이블로 변환하는 능력
- 공간(조정된) 데이터를 이해하고 필지 및 관리 영역 규모에서 AI 출력을 확인하는 능력
고전 농업은 전체 밭에 동일한 비료, 동일한 물, 동일한 농약을 사용하는 단 하나의 방식으로 밭 전체를 관리합니다. 그러나 같은 밭의 한쪽 끝은 점토질이어서 물을 머금고 있는 반면, 다른 쪽 끝은 모래여서 물이 빠르게 손실될 수 있습니다. 모퉁이는 낮기 때문에 시원하고 습할 수 있으며, 경사면은 남쪽을 향하고 있기 때문에 덥고 건조할 수 있습니다. 정밀 농업은 이러한 내부 차이에 따라 밭을 지역으로 나누고 각 지역에 필요한 만큼의 투입을 제공하는 것을 목표로 하는 접근 방식입니다. 목표는 간단하지만 그 영향은 큽니다. 적절한 장소, 적절한 시간, 적절한 양으로 전달됩니다. 이 단원에서는 정밀 농업의 논리와 이 논리를 제공하는 농업 데이터를 인공 지능으로 체계화되고 신뢰할 수 있으며 구성 가능하게 만드는 방법을 설명합니다.
정밀 농업의 핵심에는 두 가지 개념이 있습니다. 첫 번째는 가변율 적용(VRA)입니다. 트랙터나 장비는 밭의 위치에 따라 비료, 종자 또는 물의 양을 자동으로 변경합니다. 두 번째는 관리 구역으로, 토양과 생산성 특성이 유사한 하위 부분으로 분야를 구분하여 별도로 관리할 수 있습니다. 인공지능은 이 두 가지 개념을 모두 다루고 있습니다. 분산된 데이터를 결합하여 구역을 정의하는 데 도움을 주고 각 구역에 대한 처방 초안을 제안합니다. 하지만 그 분야를 아는 엔지니어가 지역 경계와 처방을 최종적으로 승인하는 사람입니다.
농업 데이터의 특성: 왜 지저분합니까?
농장의 데이터는 수십 개의 알려지지 않은 소스에서 나오며, 그 중 어느 것도 다른 소스와 동일한 언어를 사용하지 않습니다. 토양연구소에서 엑셀을 보낸다. 콤바인 수확기는 수확량 지도를 다른 형식으로 저장합니다. 습도 센서는 시간별 CSV를 생성합니다. 드론은 JPEG 및 좌표 파일을 출력합니다. 농부가 직접 쓴 메모가 노트에 적혀 있었습니다. 이 데이터의 단위가 다르고(kg/da, kg/ha,ppm,%), 날짜 형식이 다르고, 위치 시스템이 다르며, 종종 제품/소포 이름이 일치하지 않습니다("스트림 필드", "소포", "플롯-7"이 동일한 장소일 수 있음). 인공지능 이전에는 이 조합 작업이 엔지니어에게 가장 귀찮고 시간이 많이 걸리는 부분이었습니다.
여기서 인공 지능이 작동하고 가장 안전한 곳, 즉 데이터를 표준 스키마(예: 공통 열 및 단위 구조)로 변환하는 곳에서 정확하게 작동합니다. 하지만 조심하세요. AI는 단위를 변환할 때 실수를 할 수 있으며, 이 실수는 전체 분석을 조용히 망칠 것입니다. 따라서 데이터 구조화의 황금률은 작은 샘플을 사용하여 각 변환을 수동으로 검증하는 것입니다.
팁: AI에 데이터를 공급하기 전에 대상 스키마(열, 단위, 날짜 형식)를 직접 정의하십시오. AI에게 "이 데이터를 해당 다이어그램으로 변환"하라고 말하는 것이 "이 데이터를 정리하라"라고 말하는 것보다 훨씬 더 안정적입니다.
공간 데이터 이해
대부분의 농업 데이터는 공간적입니다. 모든 측정에는 좌표가 있습니다. 토양 샘플은 "Plot-3, 북서쪽 모서리, 39.12 N / 32.45 E"와 같은 위치에 연결됩니다. 이러한 좌표는 일반적으로 위도/경도(WGS84) 또는 UTM이라는 미터법 시스템으로 제공됩니다. AI로 작업할 때 공간 데이터를 해석할 때 세 가지 사항에 주의하세요. 좌표계가 일관성이 있는지, 샘플 포인트가 필드를 나타낼 만큼 충분히 분산되어 있는지, 포인트 값이 전체 지역에 속하는지 아니면 해당 포인트에만 속하는지 여부입니다. NDVI와 같은 지도 데이터는 현장의 모든 평방미터를 포괄합니다. 토양 샘플은 채취된 지점만을 나타냅니다. 이러한 구별을 혼동하면 해석에 심각한 오류가 발생할 수 있습니다.
세 가지 미니 케이스: 숫자로 알아보기
사례 1 - 조립 시간 절약. 한 엔지니어가 5가지 소스(토양 실험실, 수확량 지도, 센서, 드론, 현장 노트)에서 얻은 총 4,200행의 데이터를 단일 테이블에 결합하고 있었습니다. 손으로 약 6시간. 대상 스키마를 미리 정의하고 AI에 "이 5개 파일을 이 열에 매핑"하는 작업을 지정하면 첫 번째 초안이 25분 만에 나왔습니다. 그는 남은 시간을 40라인 샘플로 매칭 정확도를 확인하는 데 할애했습니다. 총 시간은 2시간 정도로 줄었습니다.
사례 2 - 유닛 트랩. 수확량 지도는 kg/ha 단위였으며 비료 기록은 kg/ha 단위였습니다. 첫 번째 조합에서 AI는 두 개를 동일한 열에 그룹화하고 한 플롯의 수확량을 10배(1ha = 10da)만큼 과소평가했습니다. 엔지니어는 알려진 소포의 실제 생산량을 기억했기 때문에 불일치를 발견했습니다. 크기 순서 확인을 통해 단위 오류가 드러났습니다.
사례 3 - 소포 이름 혼동. 세 가지 소스에서는 동일한 필드가 "Dere", "dere_tarla" 및 "Plot-7"로 언급되었습니다. AI는 이를 세 개의 개별 필지라고 생각하고 해당 영역을 세 개로 나눴습니다. 엔지니어는 전체 경작 면적이 증서의 가치와 일치하지 않는다는 것을 깨닫고 일치하는 사전("이 세 이름 = Plot-7")을 정의하고 AI에게 이를 다시 결합하라고 지시했습니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 농업 데이터를 정리하고 결합합니다.[파일]
강력한 프롬프트:
귀하의 역할: 농업 데이터 분석가. 다음 4가지 소스를 하나의 테이블로 결합합니다. 대상 스키마(이 열과 단위를 초과하지 마십시오):- 소포 ID(텍스트), 날짜(YYYY-MM-DD), 제품(텍스트),- 토양_pH(숫자), 질소_kg_다(kg/da), 생산량_kg_다(kg/da), 수분_백분율(%)규칙:- 모든 비료/수율 단위를 kg/da로 변환합니다. 번역하는 각 행을 표시하십시오.- 구획 이름을 제가 제공한 사전인 {"dere":"P7","dere_field":"P7"}와 일치시키십시오.- 누락된 값을 공백으로 두고 추측으로 채우십시오.- 번역할 수 없거나 명확하지 않은 행을 별도의 "check_required" 목록에 넣으십시오. 출처:[데이터]
강력한 프롬프트는 대상 스키마, 단위 규칙, 일치 사전 및 모호성을 위한 별도의 버킷을 정의합니다. 따라서 AI는 추측하는 대신 결정되지 않은 부분을 전달합니다.
복사 가능한 템플릿 4개
1) 대상 스키마에 매핑:
다음 원시 데이터를 [열 + 단위] 스키마에 매핑합니다. 각 소스 열을 매핑하는 대상 열을 테이블에 표시합니다. 확실하지 않은 경우 "?"를 사용하십시오. 로 표시하세요.
2) 단위 표준화 및 추적성:
모든 면적 단위를 데카레(da)로 변환합니다. "conversion_note" 열을 추가합니다. 변환된 각 값에 대한 원래 단위와 승수를 적습니다(예: "1 ha=10 da"). 변환할 수 없는 단위는 그대로 두고 표시해 주십시오.
3) 이상치 스캔:
나는 이 숫자 열에 대해 예상되는 농경학적 범위를 토양_pH 4-9, 질소_kg_da 0-30, 수확량_kg_da 100-1200으로 제공합니다. 범위 밖의 모든 행을 "이상값"으로 표시합니다. 변경하지 말고 그냥 표시하세요.
4) 관리지역 초안:
아래의 공간적 토양 및 비옥도 데이터를 보고 유사한 특성을 지닌 2~4개의 관리 후보지역을 제시해 보세요. 각 지역에 대해 구분한 매개변수, 평균값 및 현장에서 확인해야 하는 한계를 기록합니다. 명확한 경계를 그리지 마십시오. 이것들은 초안입니다.
비교 차트: 클래식 농업과 정밀 농업
크기
고전 농업
정밀 농업
관리 유닛
전 분야가 하나다.
행정구역
입력 분배
균일(정액요금)
변동금리(VRA)
데이터 소스
농부 관찰
센서, 위성, 드론, 기계
의사결정 근거
체험+캘린더
경험 + 데이터 + 모델
AI의 역할
제한된
데이터 통합 및 제안 초안
위험
과잉/과소 투입
잘못된 데이터 → 잘못된 지역
일반적인 실수
- AI가 스키마를 정의하게 하세요. 대상 열과 단위를 지정하지 않으면 AI가 매번 다른 구조를 생성해 비교가 불가능해진다.
- 단위를 추적하지 않습니다. 어떤 값이 변환되었는지 기록하지 않으면 후속 오류를 추적할 수 없습니다.
- 포인트 데이터를 지도 데이터로 착각합니다. 단일 토양 샘플을 전체 지역에 일반화하면 지역 경계가 잘못 그려집니다.
- AI가 공백을 메우도록 하세요. 누락된 값을 추측으로 채우면 실제 데이터로 가장하는 조작이 생성됩니다.
- 구획 이름을 확인하지 않습니다. 일관되지 않은 이름은 면적과 수확량을 나누어 전체 계절 분석을 왜곡합니다.
주의: AI는 VRA 처방(어느 부위에 얼마나 들어갔는지)을 추천할 수 있지만 최종 승인은 엔지니어에게 있습니다. 잘못된 구역 경계는 물 속에 있거나 해당 지역에 비료가 너무 많다는 것을 의미합니다.
요약하면
정밀농업은 내부 차이에 따라 밭을 관리하는 기술이며 변동율 적용과 관리 구역이라는 두 가지 개념을 기반으로 합니다. 이 접근 방식은 데이터를 기반으로 합니다. 그러나 농업 데이터는 분산되어 있고 다중 단위, 다중 소스입니다. 인공 지능은 이 데이터를 표준 스키마로 변환하는 가장 안전하고 수익성이 높은 영역에서 작동합니다. 대상 스키마를 정의하고, 단위 추적을 유지하고, 공백을 메우지 않고 예제를 통해 각 변환을 테스트하는 한. 깨끗하고 통합된 데이터는 모든 후속 단위(NDVI, 토양, 관개, 수확량)에 대한 견고한 기반입니다.
응용과제
두 가지 다른 소스(예: 토양 분석 테이블 및 수확량/비료 기록)에서 작은 샘플을 채취합니다. 단위와 구획 이름은 의도적으로 다릅니다. AI를 이 유닛의 "대상 스키마에 매핑" 및 "유닛 표준화" 템플릿과 결합합니다. 그런 다음 5개 행을 수동으로 확인합니다. 단위 변환이 올바른지, 소포 일치가 올바른지, 누락된 값이 추측으로 채워져 있습니까? 발견한 각 버그와 AI가 위반한 규칙을 기록해 두세요.
체크리스트
- [ ] AI에 제공하기 전에 대상 스키마(열 + 단위)를 정의했습니다.
- [ ] 모든 단위를 단일 표준으로 변환하고 변환 추적을 유지했습니다.
- [ ] 필지명과 사전의 차이를 대조하여 전체 면적을 확인하였습니다.
- [ ] 농경학적 범위의 이상치를 선별했습니다. 변경하지 않고 표시해 두었습니다.
- [ ] 포인트 데이터와 지도 데이터를 분리했습니다. 나는 추측으로 빈칸을 채우지 않았다.