अचूक कृषी आणि कृषी डेटाची रचना

नफा:

• अचूक शेतीचे तर्कशास्त्र आणि व्हेरिएबल रेट ॲप्लिकेशन आणि मॅनेजमेंट झोन यासारख्या मूलभूत संकल्पना स्पष्ट करण्याची क्षमता.
• AI सह विखुरलेले फील्ड, सेन्सर आणि मशीन डेटा स्वच्छ, मानक आणि संयोजित टेबलमध्ये रूपांतरित करण्याची क्षमता
• स्थानिक (समन्वित) डेटा समजून घेण्याची आणि पार्सल आणि व्यवस्थापन क्षेत्र स्केलवर एआय आउटपुट सत्यापित करण्याची क्षमता

शास्त्रीय शेती संपूर्ण क्षेत्राचे व्यवस्थापन करते जे एकाच पद्धतीने वागते: संपूर्ण प्लॉटसाठी समान खत, समान पाणी, समान कीटकनाशके. तथापि, त्याच शेताच्या एका टोकावरील माती चिकणमातीची असू शकते आणि पाणी टिकवून ठेवते, तर दुसरे टोक वालुकामय असू शकते आणि पाणी झपाट्याने गमावू शकते; एक कोपरा थंड आणि दमट असू शकतो कारण तो कमी आहे, तर उतार दक्षिणेकडे असल्यामुळे गरम आणि कोरडा असू शकतो. अचूक शेती हा एक दृष्टीकोन आहे ज्याचा उद्देश या अंतर्गत फरकांनुसार क्षेत्रांमध्ये विभागणी करणे आणि प्रत्येक प्रदेशाला आवश्यक तेवढे इनपुट देणे आहे. ध्येय सोपे आहे परंतु प्रभाव मोठा आहे: योग्य ठिकाणी, योग्य वेळी, योग्य प्रमाणात. हे युनिट अचूक शेतीचे तर्कशास्त्र आणि हे तर्कशास्त्र फीड करणारा कृषी डेटा कृत्रिम बुद्धिमत्तेसह व्यवस्थित, विश्वासार्ह आणि संयोजित कसा बनवायचा हे स्पष्ट करते.

अचूक शेतीच्या केंद्रस्थानी दोन संकल्पना आहेत. पहिले व्हेरिएबल रेट ॲप्लिकेशन (VRA): ट्रॅक्टर किंवा उपकरणे आपोआप खत, बियाणे किंवा पाण्याचे प्रमाण शेताच्या जागेनुसार बदलतात. दुसरा व्यवस्थापन क्षेत्र आहे: हे क्षेत्राचे उप-भागांमध्ये विभागणी आहे ज्यात समान माती आणि उत्पादकता वैशिष्ट्ये आहेत आणि स्वतंत्रपणे व्यवस्थापित केले जाऊ शकतात. कृत्रिम बुद्धिमत्ता या दोन्ही संकल्पनांना स्पर्श करते: ते विखुरलेले डेटा एकत्रित करून झोन परिभाषित करण्यात मदत करते आणि प्रत्येक झोनसाठी मसुदा प्रिस्क्रिप्शन सुचवते. परंतु ज्या अभियंताला क्षेत्राची माहिती असते तोच शेवटी प्रादेशिक सीमा आणि प्रिस्क्रिप्शनला मान्यता देतो.

कृषी डेटाचे स्वरूप: ते गोंधळलेले का आहे?

शेतात, डेटा डझनभर अज्ञात स्त्रोतांकडून येतो आणि त्यापैकी कोणीही इतरांसारखी भाषा बोलत नाही. माती प्रयोगशाळा एक्सेल पाठवते; कंबाईन हार्वेस्टर त्याचा उत्पन्नाचा नकाशा दुसऱ्या फॉरमॅटमध्ये सेव्ह करतो; आर्द्रता सेन्सर प्रति तास CSV व्युत्पन्न करतो; ड्रोन आउटपुट JPEG आणि समन्वय फाइल; शेतकऱ्याच्या स्वतःच्या नोटा एका वहीत हाताने लिहिलेल्या होत्या. या डेटाची एकके भिन्न आहेत (kg/da, kg/ha, ppm, %), तारीख स्वरूप भिन्न आहेत, स्थान प्रणाली भिन्न आहेत आणि बहुतेक वेळा उत्पादन/पार्सलची नावे विसंगत असतात ("स्ट्रीम फील्ड", "डेरे पार्सल", "प्लॉट-7" समान ठिकाण असू शकतात). कृत्रिम बुद्धिमत्तेच्या आधी, हे संयोजन कार्य अभियंतासाठी सर्वात त्रासदायक आणि वेळ घेणारे भाग होते.

येथेच कृत्रिम बुद्धिमत्ता कार्यात येते आणि जिथे ती सर्वात सुरक्षित असते तिथे कार्य करते: डेटाचे मानक स्कीमामध्ये भाषांतर करणे (म्हणजे एक सामान्य स्तंभ आणि युनिट संरचना). परंतु सावधगिरी बाळगा: युनिट्स रूपांतरित करताना एआय चूक करू शकते आणि ही चूक संपूर्ण विश्लेषण शांतपणे नष्ट करेल. त्यामुळे डेटा स्ट्रक्चरिंगमधला सुवर्ण नियम म्हणजे प्रत्येक ट्रान्सफॉर्मेशन एका छोट्या नमुन्यासह मॅन्युअली प्रमाणित करणे.

टीप: AI ला डेटा फीड करण्यापूर्वी, तुमची लक्ष्य योजना स्वतः परिभाषित करा: कोणते स्तंभ, कोणते युनिट, कोणते तारीख स्वरूप. AI ला "या आकृतीत अनुवादित करा" असे सांगणे "हा डेटा व्यवस्थित करा" असे सांगण्यापेक्षा अधिक विश्वासार्ह आहे.

अवकाशीय डेटा समजून घेणे

बहुतांश कृषी डेटा अवकाशीय असतो: प्रत्येक मापनाला एक समन्वय असतो. मातीचा नमुना "प्लॉट-3, वायव्य कोपरा, 39.12 N / 32.45 E" सारख्या स्थानाशी जोडलेला आहे. हे निर्देशांक सहसा अक्षांश/रेखांश (WGS84) किंवा UTM नावाच्या मेट्रिक प्रणालीमध्ये दिले जातात. AI सह काम करताना अवकाशीय डेटाचा अर्थ लावताना, तीन गोष्टींकडे लक्ष द्या: समन्वय प्रणाली सुसंगत आहे का, नमुना बिंदू फील्डचे प्रतिनिधित्व करण्यासाठी पुरेसे विखुरलेले आहेत का आणि बिंदूचे मूल्य संपूर्ण क्षेत्राशी संबंधित आहे की फक्त त्या बिंदूशी. NDVI सारखा नकाशा डेटा फील्डच्या प्रत्येक चौरस मीटरला व्यापतो; मातीचा नमुना फक्त तो बिंदू दर्शवतो जिथे तो घेतला होता. हा फरक गोंधळात टाकल्याने अर्थ लावण्यात गंभीर चुका होतील.

तीन मिनी प्रकरणे: संख्यांनुसार

केस 1 - असेंब्लीमध्ये वेळेची बचत. एक अभियंता 5 वेगवेगळ्या स्त्रोतांकडील डेटाच्या एकूण 4,200 पंक्ती (माती प्रयोगशाळा, उत्पन्नाचा नकाशा, सेन्सर, ड्रोन, फील्ड नोट्स) एका टेबलमध्ये एकत्र करत होता; हाताने अंदाजे 6 तास. एकदा आम्ही लक्ष्य स्कीमा आगाऊ परिभाषित केल्यावर आणि AI ला "या कॉलम्सवर या 5 फाइल्स मॅप करण्याचे कार्य दिले", पहिला मसुदा 25 मिनिटांत बाहेर आला; त्याने उर्वरित वेळ 40-ओळींच्या नमुन्यासह जुळणारी अचूकता तपासण्यासाठी दिला. एकूण वेळ सुमारे 2 तास घसरला.

केस 2 - युनिट ट्रॅप. उत्पादनाचा नकाशा किलो/हेक्टरी होता आणि खताची नोंद किलो/हेक्टरी होती. पहिल्या संयोजनात, AI ने एकाच स्तंभात दोघांचे गट केले आणि एका प्लॉटचे उत्पन्न 10 (1 ha = 10 da) च्या घटकाने कमी केले. अभियंत्याने विसंगती पकडली कारण त्याला ज्ञात पार्सलचे वास्तविक उत्पन्न आठवले; परिमाण तपासणीच्या क्रमाने युनिट त्रुटी उघड केली.

प्रकरण 3 - पार्सल नावाचा गोंधळ. तीन स्त्रोतांमध्ये त्याच शेताचा उल्लेख "डेरे", "डेरे_तरला" आणि "प्लॉट-7" असा होता. AI ला वाटले की हे तीन वेगळे पार्सल आहेत आणि त्यांनी क्षेत्र तीन भागात विभागले. जेव्हा अभियंताच्या लक्षात आले की एकूण लागवड केलेले क्षेत्र डीडमधील मूल्याशी जुळत नाही, तेव्हा त्याने जुळणारा शब्दकोश ("हे तीन नावे = प्लॉट -7") परिभाषित केले आणि एआयला ते पुन्हा एकत्र करण्यास सांगितले.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

हा कृषी डेटा आयोजित आणि एकत्र करा.[फाईल्स]

शक्तिशाली सूचना:

तुमची भूमिका: कृषी डेटा विश्लेषक. खालील 4 स्त्रोत एका टेबलमध्ये एकत्र करा. लक्ष्य योजना (या स्तंभ आणि युनिट्सच्या पलीकडे जाऊ नका):- parcel_id (मजकूर), तारीख (YYYY-MM-DD), उत्पादन (मजकूर),- माती_pH (संख्या), नायट्रोजन_kg_da (kg/da), yield_kg_daage (kg/da), yield_kg_daage (%-%) सर्व खत/उत्पन्न युनिट्स किलो/डे मध्ये रूपांतरित करा; तुम्ही अनुवादित करता त्या प्रत्येक ओळीवर खूण करा.- मी दिलेल्या शब्दकोशाशी पार्सलची नावे जुळवा: {"dere":"P7","dere_field":"P7"}.- गहाळ मूल्य रिक्त सोडा, अंदाजाने भरा.- तुम्ही भाषांतर करू शकत नसलेल्या किंवा अस्पष्ट असलेल्या ओळी वेगळ्या "check_required" सूचीमध्ये ठेवा. स्रोत:[डेटा]

शक्तिशाली प्रॉम्प्ट लक्ष्य स्कीमा, युनिट नियम, जुळणारा शब्दकोश आणि अस्पष्टतेसाठी एक स्वतंत्र बादली परिभाषित करते. अशाप्रकारे, अंदाज लावण्याऐवजी, एआय तुम्हाला जिथे अनिर्णित आहे तिथे पोहोचवते.

चार कॉपी करण्यायोग्य टेम्पलेट्स

1) लक्ष्य स्कीमावर मॅपिंग:

खालील कच्चा डेटा खालील स्कीमामध्ये मॅप करा: [स्तंभ + युनिट्स]. लक्ष्य स्तंभ प्रत्येक स्त्रोत स्तंभाला कोणता नकाशा बनवतो ते सारणीमध्ये दर्शवा. तुम्हाला खात्री नसल्यास, "?" वापरा. सह चिन्हांकित करा.

२) युनिट मानकीकरण आणि शोधण्यायोग्यता:

सर्व क्षेत्र युनिट्स डेकेअर (da) मध्ये रूपांतरित करा. एक "रूपांतर_नोट" स्तंभ जोडा; प्रत्येक रूपांतरित मूल्यासाठी मूळ एकक आणि गुणक लिहा (उदा: "1 ha=10 da"). आपण रूपांतरित करू शकत नाही ते युनिट सोडा आणि त्यास चिन्हांकित करा.

3) बाह्य स्कॅनिंग:

मी या संख्यात्मक स्तंभांसाठी अपेक्षित कृषिशास्त्रीय श्रेणी देतो: माती_pH 4-9, नायट्रोजन_kg_da 0-30, yield_kg_da 100-1200. श्रेणीबाहेरील प्रत्येक पंक्ती "आउटलायर" म्हणून चिन्हांकित करा; बदलू ​​नका, फक्त दाखवा.

4) व्यवस्थापन प्रदेश मसुदा:

खाली अवकाशीय माती आणि सुपीकता डेटा पाहून, समान वैशिष्ट्यांसह 2-4 उमेदवार व्यवस्थापन क्षेत्र सुचवा. प्रत्येक प्रदेशासाठी: तुम्ही विभक्त केलेले पॅरामीटर्स, सरासरी मूल्ये आणि फील्डमध्ये मला सत्यापित करण्यासाठी आवश्यक असलेली मर्यादा लिहा. स्पष्ट सीमा काढू नका; हे मसुदे आहेत.

तुलना चार्ट: क्लासिक वि प्रिसिजन फार्मिंग

आकार

शास्त्रीय शेती

अचूक शेती

व्यवस्थापन युनिट

संपूर्ण क्षेत्र एक आहे

प्रशासकीय क्षेत्रे

इनपुट वितरण

एकसमान (सपाट दर)

परिवर्तनीय दर (VRA)

डेटा स्रोत

शेतकरी निरीक्षण

सेन्सर, उपग्रह, ड्रोन, मशीन

निर्णयाचा आधार

अनुभव + कॅलेंडर

अनुभव + डेटा + मॉडेल

AI ची भूमिका

मर्यादित

डेटा एकत्रीकरण आणि प्रस्ताव मसुदा

धोका

अतिरिक्त/इनपुट अंतर्गत

चुकीचा डेटा → चुकीचा प्रदेश

सामान्य चुका

• AI ला स्कीमा परिभाषित करू द्या. आपण लक्ष्य स्तंभ आणि युनिट्स निर्दिष्ट न केल्यास, AI प्रत्येक वेळी भिन्न रचना तयार करेल आणि तुलना करणे अशक्य होईल.
• युनिट्सचा मागोवा ठेवत नाही. तुम्ही कोणते मूल्य भाषांतरित केले ते रेकॉर्ड न केल्यास, तुम्ही त्यानंतरच्या कोणत्याही त्रुटी शोधू शकत नाही.
• नकाशा डेटासाठी चुकीचा बिंदू डेटा. संपूर्ण प्रदेशासाठी एकाच मातीच्या नमुन्याचे सामान्यीकरण केल्याने प्रदेशाची सीमा चुकीच्या पद्धतीने काढली जाते.
• AI ला रिक्त जागा भरू द्या. गहाळ मूल्य अंदाजासह भरल्याने बनावट तयार होते जे वास्तविक डेटा म्हणून मास्करेड करते.
• पार्सलची नावे तपासत नाही. विसंगत नावे क्षेत्रफळ आणि उत्पन्न विभाजित करतात, संपूर्ण हंगामाचे विश्लेषण विकृत करतात.

लक्ष द्या: AI VRA प्रिस्क्रिप्शनची शिफारस करू शकते (कोणत्या क्षेत्रात किती गेले), परंतु अंतिम मान्यता अभियंत्याची आहे. चुकीची झोन ​​सीमा म्हणजे एखाद्या भागात पाण्याखाली किंवा खूप जास्त खत.

सारांशात

प्रिसिजन फार्मिंग ही शेतातील अंतर्गत फरकांनुसार व्यवस्थापन करण्याची कला आहे आणि ती दोन संकल्पनांवर आधारित आहे: परिवर्तनीय दर अनुप्रयोग आणि व्यवस्थापन क्षेत्र. हा दृष्टिकोन डेटाद्वारे चालतो; परंतु कृषी डेटा विखुरलेला, बहु-युनिट आणि बहु-स्रोत आहे. कृत्रिम बुद्धिमत्ता हा डेटा प्रमाणित स्कीमामध्ये अनुवादित करण्याच्या सर्वात सुरक्षित आणि सर्वात फायदेशीर क्षेत्रात कार्य करते - जोपर्यंत तुम्ही लक्ष्य स्कीमा परिभाषित करता, युनिट ट्रेस ठेवा, अंतर भरू नका आणि उदाहरणासह प्रत्येक परिवर्तनाची चाचणी घ्या. त्यानंतरच्या सर्व युनिट्ससाठी (NDVI, माती, सिंचन, उत्पन्न) स्वच्छ आणि एकत्रित डेटा हा ठोस आधार आहे.

अर्ज कार्य

दोन भिन्न स्त्रोतांकडून एक लहान नमुना घ्या (उदा. माती विश्लेषण तक्ता आणि उत्पन्न/खत रेकॉर्ड); युनिट्स आणि पार्सलची नावे मुद्दाम वेगळी आहेत. या युनिटमधील "लक्ष्य स्कीमासाठी मॅपिंग" आणि "युनिट मानकीकरण" टेम्पलेटसह AI एकत्र करा. नंतर 5 पंक्ती व्यक्तिचलितपणे सत्यापित करा: युनिट रूपांतरणे बरोबर आहेत का, पार्सल जुळणी बरोबर आहेत का, गहाळ मूल्ये अंदाजाने भरलेली आहेत का? तुम्हाला सापडलेल्या प्रत्येक बगची नोंद घ्या आणि AI ने कोणत्या नियमाचे उल्लंघन केले.

चेकलिस्ट

• [ ] मी AI ला देण्यापूर्वी लक्ष्य स्कीमा (स्तंभ + युनिट्स) परिभाषित केले.
• [ ] मी सर्व युनिट्स एका मानकात रूपांतरित केले आणि रूपांतरण ट्रॅक ठेवला.
• [ ] मी पार्सल नावातील विसंगती डिक्शनरीशी जुळवली आणि एकूण क्षेत्रफळ तपासले.
• [ ] मी ऍग्रोनॉमिक रेंजसह आउटलियर्स तपासले; मी ते बदलले नाही आणि चिन्हांकित केले.
• मी बिंदू डेटा आणि नकाशा डेटा विभक्त केला; मी अंदाजाने रिकाम्या जागा भरल्या नाहीत.