കൃത്യമായ കൃഷിയും കാർഷിക വിവരങ്ങളുടെ ഘടനയും

നേട്ടങ്ങൾ:

• കൃത്യമായ കൃഷിയുടെ യുക്തിയും വേരിയബിൾ റേറ്റ് ആപ്ലിക്കേഷനും മാനേജ്മെൻ്റ് സോണുകളും പോലുള്ള അടിസ്ഥാന ആശയങ്ങളും വിശദീകരിക്കാനുള്ള കഴിവ്.
• ചിതറിക്കിടക്കുന്ന ഫീൽഡ്, സെൻസർ, മെഷീൻ ഡാറ്റ എന്നിവ AI ഉപയോഗിച്ച് വൃത്തിയുള്ളതും നിലവാരമുള്ളതും കമ്പോസിബിൾ ചെയ്യാവുന്നതുമായ പട്ടികകളാക്കി മാറ്റാനുള്ള കഴിവ്
• സ്പേഷ്യൽ (കോർഡിനേറ്റഡ്) ഡാറ്റ മനസ്സിലാക്കാനും പാഴ്സലിലും മാനേജ്മെൻ്റ് ഏരിയ സ്കെയിലിലും AI ഔട്ട്പുട്ട് പരിശോധിക്കാനുമുള്ള കഴിവ്

ക്ലാസിക്കൽ അഗ്രികൾച്ചർ ഒരു ഫീൽഡ് മൊത്തത്തിൽ കൈകാര്യം ചെയ്യുന്നു, അത് ഒരേയൊരു രീതിയിൽ മാത്രം പ്രവർത്തിക്കുന്നു: മുഴുവൻ പ്ലോട്ടിനും ഒരേ വളം, ഒരേ വെള്ളം, ഒരേ കീടനാശിനി. എന്നിരുന്നാലും, അതേ പാടത്തിൻ്റെ ഒരറ്റത്തെ മണ്ണ് കളിമണ്ണും ജലം നിലനിർത്തുന്നതുമാകാം, മറ്റേ അറ്റം മണൽ നിറഞ്ഞതും പെട്ടെന്ന് വെള്ളം നഷ്ടപ്പെടുന്നതുമാണ്; ഒരു കോണിൽ താഴ്ന്നതിനാൽ തണുത്തതും ഈർപ്പമുള്ളതുമാകാം, അതേസമയം തെക്ക് അഭിമുഖമായി നിൽക്കുന്നതിനാൽ ഒരു ചരിവ് ചൂടും വരണ്ടതുമായിരിക്കും. പ്രിസിഷൻ അഗ്രികൾച്ചർ എന്നത് ഈ ആന്തരിക വ്യത്യാസങ്ങൾക്കനുസരിച്ച് ഫീൽഡിനെ മേഖലകളായി വിഭജിച്ച് ഓരോ പ്രദേശത്തിനും ആവശ്യമുള്ളത്ര ഇൻപുട്ട് നൽകാനും ലക്ഷ്യമിടുന്ന ഒരു സമീപനമാണ്. ലക്ഷ്യം ലളിതമാണ്, എന്നാൽ ആഘാതം വലുതാണ്: ശരിയായ സ്ഥലത്ത്, ശരിയായ സമയത്ത്, ശരിയായ അളവിൽ. ഈ യൂണിറ്റ് കൃത്യമായ കൃഷിയുടെ യുക്തിയും ഈ യുക്തിയെ പോഷിപ്പിക്കുന്ന കാർഷിക ഡാറ്റ എങ്ങനെ സംഘടിതവും വിശ്വസനീയവും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിച്ച് സംയോജിപ്പിക്കാമെന്നും വിശദീകരിക്കുന്നു.

കൃത്യമായ കൃഷിയുടെ ഹൃദയഭാഗത്ത് രണ്ട് ആശയങ്ങളുണ്ട്. ആദ്യത്തേത് വേരിയബിൾ റേറ്റ് ആപ്ലിക്കേഷൻ (VRA): ട്രാക്ടറോ ഉപകരണങ്ങളോ വയലിൻ്റെ സ്ഥാനം അനുസരിച്ച് വളം, വിത്ത് അല്ലെങ്കിൽ വെള്ളം എന്നിവയുടെ അളവ് സ്വയമേവ മാറ്റുന്നു. രണ്ടാമത്തേത് മാനേജ്മെൻ്റ് സോൺ ആണ്: മണ്ണും ഉൽപ്പാദനക്ഷമതയും ഉള്ളതും പ്രത്യേകം കൈകാര്യം ചെയ്യാവുന്നതുമായ ഉപഭാഗങ്ങളായി ഫീൽഡിനെ വിഭജിക്കുന്നതാണ്. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഈ രണ്ട് ആശയങ്ങളെയും സ്പർശിക്കുന്നു: ഇത് ചിതറിക്കിടക്കുന്ന ഡാറ്റ സംയോജിപ്പിച്ച് സോണുകൾ നിർവചിക്കാൻ സഹായിക്കുകയും ഓരോ സോണിനും ഡ്രാഫ്റ്റ് കുറിപ്പുകൾ നിർദ്ദേശിക്കുകയും ചെയ്യുന്നു. എന്നാൽ മേഖല അറിയാവുന്ന എഞ്ചിനീയർ ആണ് ആത്യന്തികമായി പ്രാദേശിക അതിർത്തിയും കുറിപ്പടിയും അംഗീകരിക്കുന്നത്.

കാർഷിക ഡാറ്റയുടെ സ്വഭാവം: എന്തുകൊണ്ടാണ് ഇത് കുഴപ്പമുള്ളത്?

ഒരു ഫാമിൽ, ഡസൻ കണക്കിന് അജ്ഞാത സ്രോതസ്സുകളിൽ നിന്നാണ് ഡാറ്റ വരുന്നത്, അവയൊന്നും മറ്റൊന്നിൻ്റെ അതേ ഭാഷ സംസാരിക്കുന്നില്ല. മണ്ണ് ലബോറട്ടറി ഒരു Excel അയയ്ക്കുന്നു; സംയോജിത ഹാർവെസ്റ്റർ അതിൻ്റെ വിളവ് മാപ്പ് മറ്റൊരു ഫോർമാറ്റിൽ സംരക്ഷിക്കുന്നു; ഹ്യുമിഡിറ്റി സെൻസർ മണിക്കൂർ CSV സൃഷ്ടിക്കുന്നു; ഡ്രോൺ ഔട്ട്പുട്ട് JPEG, കോർഡിനേറ്റ് ഫയൽ; കർഷകൻ്റെ സ്വന്തം കുറിപ്പുകൾ ഒരു നോട്ട്ബുക്കിൽ കൈകൊണ്ട് എഴുതിയിരുന്നു. ഈ ഡാറ്റയുടെ യൂണിറ്റുകൾ വ്യത്യസ്തമാണ് (kg/da, kg/ha, ppm, %), തീയതി ഫോർമാറ്റുകൾ വ്യത്യസ്തമാണ്, ലൊക്കേഷൻ സിസ്റ്റങ്ങൾ വ്യത്യസ്തമാണ്, കൂടാതെ പലപ്പോഴും ഉൽപ്പന്ന/പാഴ്സൽ പേരുകൾ പൊരുത്തപ്പെടുന്നില്ല ("സ്ട്രീം ഫീൽഡ്", "ഡെരെ പാഴ്സൽ", "പ്ലോട്ട്-7" ഒരേ സ്ഥലമായിരിക്കാം). ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് മുമ്പ്, ഈ കോമ്പിനേഷൻ വർക്ക് ഒരു എഞ്ചിനീയറുടെ ഏറ്റവും അരോചകവും സമയമെടുക്കുന്നതുമായ ഭാഗമായിരുന്നു.

ഇവിടെയാണ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് പ്രവർത്തനക്ഷമമാവുകയും അത് ഏറ്റവും സുരക്ഷിതമായ ഇടത്ത് പ്രവർത്തിക്കുകയും ചെയ്യുന്നത്: ഡാറ്റ ഒരു സാധാരണ സ്കീമയിലേക്ക് വിവർത്തനം ചെയ്യുന്നു (അതായത് ഒരു പൊതു നിരയും യൂണിറ്റ് ഘടനയും). എന്നാൽ ശ്രദ്ധിക്കുക: യൂണിറ്റുകൾ പരിവർത്തനം ചെയ്യുമ്പോൾ AI ഒരു തെറ്റ് വരുത്തിയേക്കാം, ഈ തെറ്റ് നിശബ്ദമായി മുഴുവൻ വിശകലനത്തെയും നശിപ്പിക്കും. അതിനാൽ ഓരോ രൂപമാറ്റവും ഒരു ചെറിയ സാമ്പിൾ ഉപയോഗിച്ച് സ്വമേധയാ സാധൂകരിക്കുക എന്നതാണ് ഡാറ്റാ ഘടനയിലെ സുവർണ്ണ നിയമം.

നുറുങ്ങ്: AI-യിലേക്ക് ഡാറ്റ നൽകുന്നതിന് മുമ്പ്, നിങ്ങളുടെ ടാർഗെറ്റ് സ്കീമ സ്വയം നിർവ്വചിക്കുക: ഏത് നിരകൾ, ഏത് യൂണിറ്റുകൾ, ഏത് തീയതി ഫോർമാറ്റ്. "ഇത് ആ ഡയഗ്രാമിലേക്ക് വിവർത്തനം ചെയ്യാൻ" AI-യോട് പറയുന്നത് "ഈ ഡാറ്റ ക്രമീകരിക്കാൻ" പറയുന്നതിനേക്കാൾ വളരെ വിശ്വസനീയമാണ്.

സ്പേഷ്യൽ ഡാറ്റ മനസ്സിലാക്കുന്നു

മിക്ക കാർഷിക ഡാറ്റയും സ്പേഷ്യൽ ആണ്: എല്ലാ അളവുകൾക്കും ഒരു കോർഡിനേറ്റ് ഉണ്ട്. ഒരു മണ്ണ് സാമ്പിൾ "പ്ലോട്ട്-3, വടക്കുപടിഞ്ഞാറൻ മൂല, 39.12 N / 32.45 E" പോലെയുള്ള സ്ഥലവുമായി ബന്ധിപ്പിച്ചിരിക്കുന്നു. ഈ കോർഡിനേറ്റുകൾ സാധാരണയായി അക്ഷാംശം/രേഖാംശം (WGS84) അല്ലെങ്കിൽ UTM എന്ന മെട്രിക് സിസ്റ്റത്തിലാണ് നൽകിയിരിക്കുന്നത്. AI-യുമായി പ്രവർത്തിക്കുമ്പോൾ സ്പേഷ്യൽ ഡാറ്റ വ്യാഖ്യാനിക്കുമ്പോൾ, മൂന്ന് കാര്യങ്ങൾ ശ്രദ്ധിക്കുക: കോർഡിനേറ്റ് സിസ്റ്റം സ്ഥിരതയുള്ളതാണോ, ഫീൽഡിനെ പ്രതിനിധീകരിക്കാൻ സാമ്പിൾ പോയിൻ്റുകൾ ചിതറിക്കിടക്കുന്നുണ്ടോ, ഒരു പോയിൻ്റിൻ്റെ മൂല്യം മുഴുവൻ പ്രദേശത്തിനും അല്ലെങ്കിൽ ആ പോയിൻ്റ് മാത്രമാണോ. NDVI പോലുള്ള മാപ്പ് ഡാറ്റ ഫീൽഡിൻ്റെ ഓരോ ചതുരശ്ര മീറ്ററും ഉൾക്കൊള്ളുന്നു; മണ്ണിൻ്റെ സാമ്പിൾ അത് എടുത്ത സ്ഥലത്തെ മാത്രം പ്രതിനിധീകരിക്കുന്നു. ഈ വ്യത്യാസം ആശയക്കുഴപ്പത്തിലാക്കുന്നത് വ്യാഖ്യാനത്തിൽ ഗുരുതരമായ പിശകുകളിലേക്ക് നയിക്കും.

മൂന്ന് മിനി കേസുകൾ: അക്കങ്ങൾ പ്രകാരം

കേസ് 1 - അസംബ്ലിയിലെ സമയം ലാഭിക്കൽ. ഒരു എഞ്ചിനീയർ 5 വ്യത്യസ്ത സ്രോതസ്സുകളിൽ നിന്നുള്ള മൊത്തം 4,200 നിര ഡാറ്റകൾ (മണ്ണ് ലാബ്, വിളവ് മാപ്പ്, സെൻസർ, ഡ്രോൺ, ഫീൽഡ് നോട്ടുകൾ) ഒരു പട്ടികയിലേക്ക് സംയോജിപ്പിക്കുകയായിരുന്നു; കൈകൊണ്ട് ഏകദേശം 6 മണിക്കൂർ. ഞങ്ങൾ ടാർഗെറ്റ് സ്കീമ മുൻകൂട്ടി നിർവചിക്കുകയും "ഈ 5 ഫയലുകൾ ഈ കോളങ്ങളിലേക്ക് മാപ്പ് ചെയ്യുക" എന്ന ചുമതല AI-ക്ക് നൽകുകയും ചെയ്തുകഴിഞ്ഞാൽ, ആദ്യത്തെ ഡ്രാഫ്റ്റ് 25 മിനിറ്റിനുള്ളിൽ പുറത്തിറങ്ങി; 40-വരി സാമ്പിൾ ഉപയോഗിച്ച് പൊരുത്തപ്പെടുന്ന കൃത്യത പരിശോധിക്കാൻ അദ്ദേഹം ശേഷിക്കുന്ന സമയം നീക്കിവച്ചു. മൊത്തം സമയം ഏകദേശം 2 മണിക്കൂറായി കുറഞ്ഞു.

കേസ് 2 - യൂണിറ്റ് ട്രാപ്പ്. വിളവ് മാപ്പ് കിലോഗ്രാം/ഹെക്ടർ എന്ന നിലയിലും വളം രേഖ ഹെക്ടറിന് കിലോ എന്ന നിലയിലുമായിരുന്നു. ആദ്യ കോമ്പിനേഷനിൽ, AI രണ്ടിനെയും ഒരേ നിരയിൽ തരംതിരിക്കുകയും ഒരു പ്ലോട്ടിൻ്റെ വിളവ് 10 (1 ഹെക്‌ടർ = 10 ഡ) കൊണ്ട് കുറച്ചുകാണിക്കുകയും ചെയ്തു. അറിയപ്പെടുന്ന ഒരു പാഴ്‌സലിൻ്റെ യഥാർത്ഥ വിളവ് ഓർത്തിരുന്നതിനാൽ എഞ്ചിനീയർക്ക് പൊരുത്തക്കേട് മനസ്സിലായി; മാഗ്നിറ്റ്യൂഡ് പരിശോധനയുടെ ക്രമത്തിൽ യൂണിറ്റ് പിശക് കണ്ടെത്തി.

കേസ് 3 - പാഴ്സൽ പേര് ആശയക്കുഴപ്പം. മൂന്ന് സ്രോതസ്സുകളിൽ, ഒരേ ഫീൽഡ് "ഡെരെ", "ഡെറെ_തർല", "പ്ലോട്ട്-7" എന്നിങ്ങനെ പരാമർശിക്കപ്പെട്ടു. ഇവ മൂന്ന് വ്യത്യസ്ത പാഴ്സലുകളാണെന്ന് AI കരുതി, പ്രദേശത്തെ മൂന്നായി വിഭജിച്ചു. മൊത്തം കൃഷി ചെയ്ത സ്ഥലം ആധാരത്തിലെ മൂല്യവുമായി പൊരുത്തപ്പെടുന്നില്ലെന്ന് എഞ്ചിനീയർ മനസ്സിലാക്കിയപ്പോൾ, പൊരുത്തപ്പെടുന്ന നിഘണ്ടു ("ഈ മൂന്ന് പേരുകൾ = പ്ലോട്ട്-7") നിർവചിക്കുകയും അതുമായി വീണ്ടും സംയോജിപ്പിക്കാൻ AI യോട് പറയുകയും ചെയ്തു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ കാർഷിക ഡാറ്റ സംഘടിപ്പിക്കുകയും സംയോജിപ്പിക്കുകയും ചെയ്യുക.[files]

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: അഗ്രികൾച്ചറൽ ഡാറ്റ അനലിസ്റ്റ്. ഇനിപ്പറയുന്ന 4 ഉറവിടങ്ങളെ ഒരു പട്ടികയിലേക്ക് സംയോജിപ്പിക്കുക. ടാർഗെറ്റ് സ്‌കീമ (ഈ നിരകൾക്കും യൂണിറ്റുകൾക്കും അപ്പുറം പോകരുത്):- parcel_id (ടെക്‌സ്റ്റ്), തീയതി (YYYY-MM-DD), ഉൽപ്പന്നം (ടെക്‌സ്‌റ്റ്),- മണ്ണ്_pH (നമ്പർ), നൈട്രജൻ_kg_da (kg/da), വിളവ്_kg_da (എല്ലാം_ ശതമാനം- ശതമാനം വളം/വിളവ് യൂണിറ്റുകൾ കിലോ/ഡയിലേക്ക്; നിങ്ങൾ വിവർത്തനം ചെയ്യുന്ന ഓരോ വരിയും അടയാളപ്പെടുത്തുക.- ഞാൻ നൽകിയ നിഘണ്ടുവുമായി പാഴ്‌സൽ പേരുകൾ പൊരുത്തപ്പെടുത്തുക: {"dere":"P7","dere_field":"P7"}.- നഷ്‌ടമായ മൂല്യം ശൂന്യമായി വിടുക, ഒരു ഊഹത്തോടെ പൂരിപ്പിക്കുക.- നിങ്ങൾക്ക് വിവർത്തനം ചെയ്യാൻ കഴിയാത്തതോ വ്യക്തമല്ലാത്തതോ ആയ വരികൾ ഒരു പ്രത്യേക "check_required" ലിസ്റ്റിൽ ഇടുക. ഉറവിടങ്ങൾ:[ഡാറ്റ]

ടാർഗെറ്റ് സ്‌കീമ, യൂണിറ്റ് റൂൾ, പൊരുത്തപ്പെടുന്ന നിഘണ്ടു, അവ്യക്തതയ്‌ക്കായി ഒരു പ്രത്യേക ബക്കറ്റ് എന്നിവ ശക്തമായ പ്രോംപ്റ്റ് നിർവ്വചിക്കുന്നു. അതിനാൽ, ഊഹിക്കുന്നതിനുപകരം, തീരുമാനമാകാത്തിടത്ത് AI നിങ്ങൾക്ക് എത്തിക്കുന്നു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) ടാർഗെറ്റ് സ്കീമയിലേക്ക് മാപ്പിംഗ്:

ഇനിപ്പറയുന്ന റോ ഡാറ്റ ഇനിപ്പറയുന്ന സ്കീമയിലേക്ക് മാപ്പ് ചെയ്യുക: [നിരകൾ + യൂണിറ്റുകൾ]. ഓരോ സോഴ്സ് കോളവും മാപ്പ് ചെയ്യുന്ന ടാർഗെറ്റ് കോളം ഒരു പട്ടികയിൽ കാണിക്കുക. നിങ്ങൾക്ക് ഉറപ്പില്ലെങ്കിൽ, "?" ഉപയോഗിക്കുക ഉപയോഗിച്ച് അടയാളപ്പെടുത്തുക.

2) യൂണിറ്റ് സ്റ്റാൻഡേർഡൈസേഷനും കണ്ടെത്തലും:

എല്ലാ ഏരിയ യൂണിറ്റുകളും decares (da) ആയി പരിവർത്തനം ചെയ്യുക. ഒരു "conversion_note" കോളം ചേർക്കുക; പരിവർത്തനം ചെയ്ത ഓരോ മൂല്യത്തിനും യഥാർത്ഥ യൂണിറ്റും ഗുണിതവും എഴുതുക (ഉദാ: "1 ഹെക്‌ടർ=10 ഡ"). നിങ്ങൾക്ക് പരിവർത്തനം ചെയ്യാൻ കഴിയാത്ത യൂണിറ്റ് അതേപടി ഉപേക്ഷിച്ച് അടയാളപ്പെടുത്തുക.

3) ഔട്ട്‌ലിയർ സ്കാനിംഗ്:

ഈ സംഖ്യാ നിരകൾക്ക് ഞാൻ പ്രതീക്ഷിക്കുന്ന അഗ്രോണമിക് ശ്രേണി നൽകുന്നു: മണ്ണ്_pH 4-9, നൈട്രജൻ_kg_da 0-30, വിളവ്_kg_da 100-1200. പരിധിക്ക് പുറത്തുള്ള എല്ലാ വരികളും "ഔട്ട്‌ലിയർ" എന്ന് അടയാളപ്പെടുത്തുക; മാറ്റരുത്, കാണിക്കൂ.

4) മാനേജ്മെൻ്റ് മേഖല ഡ്രാഫ്റ്റ്:

താഴെയുള്ള സ്പേഷ്യൽ മണ്ണും ഫലഭൂയിഷ്ഠതയും കണക്കിലെടുത്ത്, സമാന സ്വഭാവസവിശേഷതകളുള്ള 2-4 കാൻഡിഡേറ്റ് മാനേജ്മെൻ്റ് ഏരിയകൾ നിർദ്ദേശിക്കുക. ഓരോ പ്രദേശത്തിനും: നിങ്ങൾ വേർതിരിച്ച പാരാമീറ്ററുകൾ, ശരാശരി മൂല്യങ്ങൾ, ഫീൽഡിൽ ഞാൻ പരിശോധിക്കേണ്ട പരിധി എന്നിവ എഴുതുക. വ്യക്തമായ അതിരുകൾ വരയ്ക്കരുത്; ഇവ ഡ്രാഫ്റ്റുകളാണ്.

താരതമ്യ ചാർട്ട്: ക്ലാസിക് vs പ്രിസിഷൻ ഫാമിംഗ്

വലിപ്പം

ക്ലാസിക്കൽ കൃഷി

കൃത്യമായ കൃഷി

മാനേജ്മെൻ്റ് യൂണിറ്റ്

പാടം മുഴുവൻ ഒന്നാണ്

ഭരണ പ്രദേശങ്ങൾ

ഇൻപുട്ട് വിതരണം

യൂണിഫോം (ഫ്ലാറ്റ് നിരക്ക്)

വേരിയബിൾ നിരക്ക് (VRA)

ഡാറ്റ ഉറവിടം

കർഷക നിരീക്ഷണം

സെൻസർ, ഉപഗ്രഹം, ഡ്രോൺ, യന്ത്രം

തീരുമാനത്തിൻ്റെ അടിസ്ഥാനം

അനുഭവം + കലണ്ടർ

അനുഭവം + ഡാറ്റ + മോഡൽ

AI യുടെ പങ്ക്

പരിമിതപ്പെടുത്തിയിരിക്കുന്നു

ഡാറ്റ ഏകീകരണവും നിർദ്ദേശ ഡ്രാഫ്റ്റും

റിസ്ക്

അധികമുള്ളത്/ഇൻപുട്ടിനു താഴെ

തെറ്റായ ഡാറ്റ → തെറ്റായ പ്രദേശം

സാധാരണ തെറ്റുകൾ

• AI സ്കീമ നിർവചിക്കട്ടെ. നിങ്ങൾ ടാർഗെറ്റ് നിരകളും യൂണിറ്റുകളും വ്യക്തമാക്കിയിട്ടില്ലെങ്കിൽ, AI ഓരോ തവണയും വ്യത്യസ്ത ഘടന സൃഷ്ടിക്കും, താരതമ്യം അസാധ്യമാകും.
• യൂണിറ്റുകളുടെ ട്രാക്ക് സൂക്ഷിക്കുന്നില്ല. ഏത് മൂല്യമാണ് വിവർത്തനം ചെയ്തതെന്ന് നിങ്ങൾ രേഖപ്പെടുത്തുന്നില്ലെങ്കിൽ, തുടർന്നുള്ള പിശകുകളൊന്നും നിങ്ങൾക്ക് കണ്ടെത്താനാകില്ല.
• മാപ്പ് ഡാറ്റയ്ക്കായി പോയിൻ്റ് ഡാറ്റ തെറ്റിദ്ധരിക്കുന്നു. ഒരു മണ്ണിൻ്റെ സാമ്പിൾ മുഴുവൻ പ്രദേശത്തിനും പൊതുവായി നൽകുന്നത് പ്രദേശത്തിൻ്റെ അതിർത്തി തെറ്റായി വരയ്ക്കുന്നു.
• വിടവുകൾ നികത്താൻ AI-യെ അനുവദിക്കുക. നഷ്‌ടമായ മൂല്യം ഒരു ഊഹം ഉപയോഗിച്ച് പൂരിപ്പിക്കുന്നത് യഥാർത്ഥ ഡാറ്റയായി മാറുന്ന കൃത്രിമത്വം ഉണ്ടാക്കുന്നു.
• പാഴ്സൽ പേരുകൾ പരിശോധിക്കുന്നില്ല. പൊരുത്തമില്ലാത്ത പേരുകൾ വിസ്തീർണ്ണവും വിളവും വിഭജിക്കുന്നു, മുഴുവൻ സീസൺ വിശകലനത്തെയും വികലമാക്കുന്നു.

ശ്രദ്ധിക്കുക: വിആർഎ കുറിപ്പടി AI ശുപാർശ ചെയ്‌തേക്കാം (ഏത് മേഖലയിലേക്ക് എത്രമാത്രം പോയി), എന്നാൽ അന്തിമ അംഗീകാരം എഞ്ചിനീയർക്കുള്ളതാണ്. തെറ്റായ സോൺ അതിർത്തി എന്നാൽ വെള്ളത്തിനടിയിൽ അല്ലെങ്കിൽ ഒരു പ്രദേശത്ത് വളരെയധികം വളം എന്നാണ് അർത്ഥമാക്കുന്നത്.

ചുരുക്കത്തിൽ

പ്രിസിഷൻ ഫാമിംഗ് എന്നത് വയലിൻ്റെ ആന്തരിക വ്യത്യാസങ്ങൾക്കനുസരിച്ച് കൈകാര്യം ചെയ്യുന്ന കലയാണ്, ഇത് രണ്ട് ആശയങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്: വേരിയബിൾ റേറ്റ് ആപ്ലിക്കേഷനും മാനേജ്മെൻ്റ് സോണുകളും. ഈ സമീപനം ഡാറ്റയാൽ ഊർജിതമാണ്; എന്നാൽ കാർഷിക ഡാറ്റ ചിതറിക്കിടക്കുന്നു, മൾട്ടി-യൂണിറ്റ്, മൾട്ടി-സോഴ്സ്. ഈ ഡാറ്റ ഒരു സ്റ്റാൻഡേർഡ് സ്കീമയിലേക്ക് വിവർത്തനം ചെയ്യുന്ന ഏറ്റവും സുരക്ഷിതവും ലാഭകരവുമായ മേഖലയിലാണ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് പ്രവർത്തിക്കുന്നത് - നിങ്ങൾ ടാർഗെറ്റ് സ്കീമ നിർവചിക്കുന്നിടത്തോളം, യൂണിറ്റ് ട്രേസ് സൂക്ഷിക്കുക, വിടവുകൾ പൂരിപ്പിക്കരുത്, ഓരോ പരിവർത്തനവും ഒരു ഉദാഹരണം ഉപയോഗിച്ച് പരീക്ഷിക്കുക. ശുദ്ധവും ഏകീകൃതവുമായ ഡാറ്റയാണ് തുടർന്നുള്ള എല്ലാ യൂണിറ്റുകളുടെയും (NDVI, മണ്ണ്, ജലസേചനം, വിളവ്) ഉറച്ച അടിസ്ഥാനം.

ആപ്ലിക്കേഷൻ ടാസ്ക്

രണ്ട് വ്യത്യസ്ത സ്രോതസ്സുകളിൽ നിന്ന് ഒരു ചെറിയ സാമ്പിൾ എടുക്കുക (ഉദാ. ഒരു മണ്ണ് വിശകലന പട്ടികയും വിളവ്/വളം രേഖയും); യൂണിറ്റുകളും പാർസൽ പേരുകളും മനഃപൂർവ്വം വ്യത്യസ്തമാണ്. ഈ യൂണിറ്റിൽ നിന്നുള്ള "മാപ്പിംഗ് ടു ടാർഗെറ്റ് സ്കീമ", "യൂണിറ്റ് സ്റ്റാൻഡേർഡൈസേഷൻ" ടെംപ്ലേറ്റുകൾ എന്നിവയുമായി AI സംയോജിപ്പിക്കുക. തുടർന്ന് 5 വരികൾ സ്വമേധയാ പരിശോധിക്കുക: യൂണിറ്റ് പരിവർത്തനങ്ങൾ ശരിയാണോ, പാഴ്സൽ പൊരുത്തങ്ങൾ ശരിയാണോ, നഷ്‌ടമായ മൂല്യങ്ങൾ ഊഹക്കച്ചവടത്തിൽ പൂരിപ്പിച്ചിട്ടുണ്ടോ? നിങ്ങൾ കണ്ടെത്തുന്ന ഓരോ ബഗും AI ലംഘിച്ച നിയമവും ശ്രദ്ധിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• AI-ക്ക് നൽകുന്നതിന് മുമ്പ് ഞാൻ ടാർഗെറ്റ് സ്കീമ (നിരകൾ + യൂണിറ്റുകൾ) നിർവചിച്ചു.
• [ ] ഞാൻ എല്ലാ യൂണിറ്റുകളും ഒരൊറ്റ സ്റ്റാൻഡേർഡിലേക്ക് പരിവർത്തനം ചെയ്യുകയും കൺവേർഷൻ ട്രാക്ക് നിലനിർത്തുകയും ചെയ്തു.
• [ ] ഞാൻ നിഘണ്ടുവുമായി പാഴ്സൽ പേരിലെ പൊരുത്തക്കേടുകൾ പൊരുത്തപ്പെടുത്തുകയും മൊത്തം ഏരിയ പരിശോധിച്ചുറപ്പിക്കുകയും ചെയ്തു.
• [ ] ഞാൻ അഗ്രോണമിക് റേഞ്ച് ഉള്ള ഔട്ട്‌ലറുകൾ പരിശോധിച്ചു; ഞാൻ അത് മാറ്റാതെ അടയാളപ്പെടുത്തി.
• [ ] ഞാൻ പോയിൻ്റ് ഡാറ്റയും മാപ്പ് ഡാറ്റയും വേർതിരിച്ചു; ഊഹാപോഹങ്ങൾ കൊണ്ട് ഞാൻ ശൂന്യത നിറച്ചില്ല.