Ieguvumi:
- Spēja izskaidrot precīzās lauksaimniecības loģiku un tādus pamatjēdzienus kā mainīgas likmes piemērošana un apsaimniekošanas zonas.
- Spēja pārveidot izkliedētu lauka, sensoru un mašīnu datus tīrās, standarta un saliekamās tabulās ar AI
- Spēja izprast telpiskos (koordinētos) datus un pārbaudīt mākslīgā intelekta izvadi zemes gabala un pārvaldības apgabala mērogā
Klasiskā lauksaimniecība pārvalda lauku kopumā, kas darbojas tikai vienā un tajā pašā veidā: viens un tas pats mēslojums, tas pats ūdens, viens un tas pats pesticīds visam zemes gabalam. Tomēr, lai gan viena lauka vienā galā augsne var būt mālaina un aiztur ūdeni, otrs gals var būt smilšains un strauji zaudē ūdeni; Stūris var būt vēss un mitrs, jo tas ir zems, savukārt nogāze var būt karsta un sausa, jo tā ir vērsta uz dienvidiem. Precīzā lauksaimniecība ir pieeja, kuras mērķis ir sadalīt jomu reģionos atbilstoši šīm iekšējām atšķirībām un dot katram reģionam tik daudz ieguldījumu, cik nepieciešams. Mērķis ir vienkāršs, bet ietekme ir liela: uz pareizo vietu, īstajā laikā, vajadzīgajā daudzumā. Šī vienība izskaidro precīzās lauksaimniecības loģiku un to, kā lauksaimniecības datus, kas nodrošina šo loģiku, padarīt sakārtotus, uzticamus un savienojamus ar mākslīgo intelektu.
Precīzās lauksaimniecības pamatā ir divi jēdzieni. Pirmais ir mainīgas devas izkliedēšana (VRA): traktors vai aprīkojums automātiski maina mēslojuma, sēklas vai ūdens daudzumu atbilstoši lauka atrašanās vietai. Otrā ir apsaimniekošanas zona: tā ir lauka sadalīšana apakšdaļās, kurām ir līdzīgas augsnes un ražības īpašības un kuras var apsaimniekot atsevišķi. Mākslīgais intelekts skar abus šos jēdzienus: tas palīdz definēt zonas, apvienojot izkliedētus datus, un iesaka katras zonas priekšrakstu projektus. Bet inženieris, kurš pārzina jomu, ir tas, kurš galu galā apstiprina reģionālo robežu un priekšrakstus.
Lauksaimniecības datu būtība: kāpēc tas ir netīrs?
Saimniecībā dati tiek iegūti no desmitiem nezināmu avotu, un neviens no tiem nerunā tajā pašā valodā kā otrs. Augsnes laboratorija nosūta Excel; Kombains saglabā savu ražas karti citā formātā; mitruma sensors katru stundu ģenerē CSV; drone izvada JPEG un koordinātu failu; Paša zemnieka piezīmes bija ar roku rakstītas piezīmju grāmatiņā. Šo datu mērvienības ir dažādas (kg/da, kg/ha, ppm, %), datuma formāti ir dažādi, atrašanās vietu sistēmas, kā arī bieži vien produktu/paku nosaukumi ir pretrunīgi ("Stream field", "dere parcel", "Plot-7" var būt viena un tā pati vieta). Pirms mākslīgā intelekta šis kombinētais darbs bija kaitinošākā un laikietilpīgākā inženiera daļa.
Šeit tiek izmantots mākslīgais intelekts un darbojas tieši tur, kur tas ir visdrošākais: datu pārveidošana standarta shēmā (t.i., kopējā kolonnā un vienību struktūrā). Bet esiet piesardzīgs: AI var kļūdīties, konvertējot vienības, un šī kļūda klusi sabojās visu analīzi. Tātad datu strukturēšanas zelta likums ir manuāli apstiprināt katru transformāciju ar nelielu paraugu.
Padoms. Pirms datu ievadīšanas AI, pats definējiet mērķa shēmu: kuras kolonnas, kuras vienības, kāds datuma formāts. Likts AI “pārtulkot to šajā diagrammā” ir daudz uzticamāks nekā likt “sakārtot šos datus”.
Izpratne par telpiskajiem datiem
Lielākā daļa lauksaimniecības datu ir telpiski: katram mērījumam ir koordinātas. Augsnes paraugs ir saistīts ar tādu vietu kā "Plot-3, ziemeļrietumu stūris, 39,12 N / 32,45 E". Šīs koordinātas parasti tiek norādītas metriskajā sistēmā, ko sauc par platumu/garumu (WGS84) vai UTM. Interpretējot telpiskos datus, strādājot ar AI, pievērsiet uzmanību trim lietām: vai koordinātu sistēma ir konsekventa, vai izlases punkti ir pietiekami izkliedēti, lai attēlotu lauku, un vai punkta vērtība attiecas uz visu reģionu vai tikai uz šo punktu. Kartes dati, piemēram, NDVI, aptver katru lauka kvadrātmetru; Augsnes paraugs atspoguļo tikai vietu, kur tas tika ņemts. Šīs atšķirības sajaukšana izraisītu nopietnas interpretācijas kļūdas.
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — laika ietaupījums montāžā. Inženieris vienā tabulā apvienoja 4200 datu rindas no 5 dažādiem avotiem (augsnes laboratorija, ražas karte, sensors, drons, lauka piezīmes); aptuveni 6 stundas ar rokām. Kad mēs iepriekš definējām mērķa shēmu un uzdevām AI uzdevumu "kartēt šos 5 failus šajās kolonnās", pirmais melnraksts iznāca 25 minūtēs; Atlikušo laiku viņš veltīja atbilstības precizitātes pārbaudei ar 40 rindiņu paraugu. Kopējais laiks samazinājās līdz aptuveni 2 stundām.
2. gadījums — vienības slazds. Ražas karte bija kg/ha un mēslojuma rekords kg/ha. Pirmajā kombinācijā AI grupēja abus vienā kolonnā un viena parauglaukuma ražu novērtēja par zemu ar koeficientu 10 (1 ha = 10 da). Inženieris uztvēra neatbilstību, jo viņš atcerējās zināmas pakas faktisko ienesīgumu; Lieluma kārtas pārbaude atklāja vienības kļūdu.
3. gadījums — pakas nosaukuma neskaidrības. Trīs avotos viens un tas pats lauks tika minēts kā "Dere", "dere_tarla" un "Plot-7". AI domāja, ka tie ir trīs atsevišķi zemes gabali, un sadalīja teritoriju trīs daļās. Kad inženieris saprata, ka kopējā apstrādātā platība neatbilst dokumentā norādītajai vērtībai, viņš definēja atbilstošo vārdnīcu ("šie trīs nosaukumi = Plot-7") un lika AI apvienoties ar to.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Kārtojiet un apvienojiet šos lauksaimniecības datus.[faili]
Spēcīga uzvedne:
Jūsu loma: Lauksaimniecības datu analītiķis. Apvienojiet šādus 4 avotus VIENĀ tabulā.Mērķa shēma (nepārsniedziet šīs kolonnas un vienības):- zemes gabala_id (teksts), datums (GGGG-MM-DD), produkts (teksts),- augsnes_pH (skaitlis), slāpekļa_kg_da (kg/da), ražas_kg_da (kg/da), mitruma_procents (%)Noteikumi:-s/kgy konvertēt visus mēslojumus; Atzīmējiet katru tulkojamo rindiņu.- Saskaņojiet paku nosaukumus ar manis sniegto vārdnīcu: {"dere":"P7","dere_field":"P7"}.- Atstājiet trūkstošo vērtību BLANK, aizpildiet to ar minējumu.- Ievietojiet rindas, kuras nevarat iztulkot vai kuras ir neskaidras, atsevišķā sarakstā "pārbaudīt_nepieciešams". Avoti:[dati]
Jaudīgā uzvedne definē mērķa shēmu, vienības noteikumu, atbilstības vārdnīcu un atsevišķu segmentu neskaidrības novēršanai. Tādējādi, tā vietā, lai minētu, AI nogādā jums tur, kur tas nav izlemts.
Četras kopējamas veidnes
1) Kartēšana ar mērķa shēmu:
Kartējiet šādus neapstrādātus datus ar šādu shēmu: [kolonnas + vienības]. Parādiet tabulā, ar kuru mērķa kolonnu tiek kartēta katra avota kolonna. Ja neesat pārliecināts, izmantojiet "?" Atzīmējiet ar .
2) Vienību standartizācija un izsekojamība:
Pārvērst visas platības vienības dekāros (da). Pievienojiet sleju “conversion_note”; ierakstiet katras konvertētās vērtības sākotnējo vienību un reizinātāju (piem.: "1 ha=10 da"). Atstājiet vienību, kuru nevarat konvertēt, tādu, kāda tā ir, un atzīmējiet to.
3) Ārējo atšķirību skenēšana:
Es dodu paredzamo agronomisko diapazonu šīm skaitliskajām kolonnām: augsnes_pH 4-9, slāpekļa_kg_da 0-30, raža_kg_da 100-1200. Atzīmēt katru rindu ārpus diapazona kā "ārpuses"; NEMAINIETIES, tikai parādiet.
4) Apsaimniekošanas reģiona projekts:
Aplūkojot tālāk sniegtos telpiskos augsnes un auglības datus, iesakiet 2–4 pārvaldības apgabalus ar līdzīgām īpašībām. Katram reģionam: pierakstiet atdalītos parametrus, vidējās vērtības un robežu, kas man ir jāpārbauda laukā. Nenovelciet skaidras robežas; tie ir melnraksti.
Salīdzinājuma diagramma: klasiskā un precīzā lauksaimniecība
Izmērs
klasiskā lauksaimniecība
precīzā lauksaimniecība
vadības vienība
Viss lauks ir viens
Administratīvie reģioni
Ievades sadale
Uniforma (vienota likme)
Mainīga likme (VRA)
Datu avots
lauksaimnieku novērojums
sensors, satelīts, drons, mašīna
Lēmuma pamats
Pieredze + kalendārs
Pieredze + dati + modelis
AI loma
ierobežots
Datu konsolidācija un priekšlikuma projekts
Risks
Pārmērīga/zema ievade
Nepareizi dati → nepareizs reģions
Biežas kļūdas
- Ļaujiet AI definēt shēmu. Ja nenorādīsit mērķa kolonnas un vienības, AI katru reizi izveidos citu struktūru un salīdzināšana kļūs neiespējama.
- Nesekojot līdzi vienībām. Ja neierakstat, kura vērtība tika tulkota, turpmākās kļūdas nevar izsekot.
- Punktu datu maldināšana kartes datiem. Vispārinot vienu augsnes paraugu visam reģionam, reģiona robeža tiek novilkta nepareizi.
- Ļaujiet AI aizpildīt nepilnības. Trūkstošās vērtības aizpildīšana ar minējumu rada izdomājumus, kas tiek maskēti kā reāli dati.
- Nepārbauda paku nosaukumus. Nekonsekventi nosaukumi sadala platību un ražu, izkropļojot visu sezonas analīzi.
Uzmanību: AI var ieteikt VRA recepti (cik daudz kurā apgabalā tika izmantots), taču galīgais apstiprinājums pieder inženierim. Nepareiza zonas robeža nozīmē zemūdens vai pārāk daudz mēslojuma apgabalā.
Rezumējot
Precīzā lauksaimniecība ir māksla pārvaldīt lauku atbilstoši tā iekšējām atšķirībām, un tās pamatā ir divi jēdzieni: mainīgas likmes pielietojums un apsaimniekošanas zonas. Šo pieeju veicina dati; Taču lauksaimniecības dati ir izkliedēti, tie ir vairāku vienību un daudzu avotu dati. Mākslīgais intelekts darbojas visdrošākajā un ienesīgākajā jomā, pārveidojot šos datus standarta shēmā - ja vien jūs definējat mērķa shēmu, saglabājat vienības izsekošanu, neaizpildiet nepilnības un pārbaudiet katru transformāciju ar piemēru. Tīri un vienoti dati ir stabils pamats visām turpmākajām vienībām (NDVI, augsne, apūdeņošana, raža).
Lietojumprogrammas uzdevums
Paņemiet nelielu paraugu no diviem dažādiem avotiem (piemēram, augsnes analīzes tabulas un ražas/mēslojuma ieraksta); vienības un paku nosaukumi apzināti atšķiras. Apvienojiet AI ar šīs vienības veidnēm “kartēšana ar mērķa shēmu” un “vienības standartizācija”. Pēc tam manuāli pārbaudiet 5 rindas: vai vienību konvertēšana ir pareiza, vai paku atbilstība ir pareiza, vai trūkstošās vērtības ir aizpildītas ar minējumiem? Pierakstiet katru atrasto kļūdu un to, kurš noteikums AI ir pārkāpts.
kontrolsaraksts
- [ ] Es definēju mērķa shēmu (kolonnas + vienības), pirms to nododu AI.
- [ ] Es konvertēju visas vienības uz vienu standartu un saglabāju reklāmguvumu uzskaiti.
- [ ] Es salīdzināju paku nosaukuma neatbilstības vārdnīcā un pārbaudīju kopējo platību.
- [ ] Es pārbaudīju novirzes ar agronomisko diapazonu; Es to nemainīju un atzīmēju.
- [ ] Es atdalīju punktu datus un kartes datus; Es neaizpildīju tukšās vietas ar minējumiem.