Winst:
- Mogelijkheid om meteorologische gegevens (temperatuur, neerslag, GDD, vorstrisico, vochtigheid) te koppelen aan het agrarische beslissingsvenster
- Mogelijkheid om weersvoorspelling en fenologie te combineren met AI om een ontwerp van een spuit-/oogst-/vorstbeschermingsschema te produceren
- Vermogen om voorspelde onzekerheid en probabilistische uitdrukkingen correct te interpreteren en risico's te beheren met het oordeel van een agronoom
Bijna elke beslissing in de landbouw is verweven met het weer: wanneer moet je planten, wanneer moet je sproeien, wanneer moet je water geven, wanneer moet je oogsten, komt er 's nachts vorst? Een ervaren boer leest veel door naar de lucht te kijken, maar het weer kan nu ook numeriek worden afgelezen: temperatuur, neerslag, luchtvochtigheid, wind, zonnestraling en hun voorspellingen. In dit onderdeel leert u meteorologische gegevens koppelen aan het besluitvormingsvenster voor de landbouw, weersvoorspellingen en plantontwikkeling combineren met kunstmatige intelligentie om tijdschema's te maken, en - het meest kritische probleem - voorspellingsonzekerheid correct lezen. Omdat weersvoorspellingen probabilistisch zijn; Het als zekerheid gebruiken is een van de duurste fouten.
Kritieke meteorologische variabelen voor de landbouw
Temperatuur is niet slechts een getal; Het is de motor van de ontwikkeling van planten. Om dit te meten wordt gebruik gemaakt van GDD (Growing Degree Days): de daggemiddelde temperatuur wordt afgetrokken van de basistemperatuur van het product en opgeteld. GDD is een betrouwbaardere ‘biologische klok’ dan de kalender; Het voorspelt op basis van warmteaccumulatie in welk stadium de plant zich bevindt en wanneer er ongedierte zal verschijnen.
Neerslag en vochtigheid bepalen zowel het waterbudget als het ziekterisico. Langdurige bladnatheid en hoge luchtvochtigheid zijn triggers voor veel schimmelziekten; Daarom monitoren sommige ziektewaarschuwingssystemen direct de combinatie van vochtigheid en temperatuur.
Het risico op vorst is voor boomgaarden van levensbelang, vooral tijdens de bloeiperiode; Een paar uur onderkoeling kan het hele product vernietigen. Vorstvoorspelling is essentieel voor het tijdig invoeren van beschermingsmaatregelen (vorstbescherming met irrigatie, windmachine).
Wind heeft een directe invloed op de beslissing om te spuiten: bij harde wind drijft het pesticide af, bereikt het het doel niet en beschadigt het aangrenzende perceel/milieu.
Variabel
afhankelijk besluit
AI-bijdrage
GDD (warmteaccumulatie)
Fenologie, opkomst van plagen
Voorspelling van stadium/opkomsttijd
Neerslag + bladnat
Ziekterisico, irrigatie
Waarschuwing voor risicovenster
Vorst (min. temperatuur)
Trigger voor vorstbeveiliging
Riskante nacht vooruit teken
wind
Spuittijd
Geschikt raamadvies
vochtigheid + temperatuur
ziektemodel
Combinatie van kritieke omstandigheden
Voorspellingsonzekerheid lezen
Het belangrijkste idee van dit apparaat: weersvoorspellingen zijn een mogelijkheid, geen belofte. De zin "70% van de regen morgen" betekent niet "het zal zeker regenen"; Dit betekent dat in 7 van de 10 vergelijkbare omstandigheden sprake is van neerslag. De betrouwbaarheid van de voorspelling neemt snel af met de tijd: de 1-2-daagse voorspelling is redelijk betrouwbaar, de 7-daagse voorspelling is een ruwe trend, de 14-daagse voorspelling is bijna het klimaatgemiddelde. Kunstmatige intelligentie kan deze dubbelzinnigheid verhullen met mooie zinnen; het is jouw taak om het zichtbaar te houden.
Tip: Als je de AI om een op het weer gebaseerde beslissing vraagt, zeg dan: "Neem de waarschijnlijkheid en de betrouwbaarheidsperiode mee, wees niet specifiek." In plaats van "het spuiten uitstellen tot morgen", is een uitkomst als "windwind morgen waarschijnlijk X% laag, maar er is 2 dagen onzekerheid" veel nuttiger.
Drie mini-hoesjes: volgens de cijfers
Geval 1 - Timing met GDD. De opkomst van een plaag in een appelboomgaard werd volgens de kalender "half mei" verwacht. Uit GDD-monitoring bleek dat de warmteaccumulatie dat jaar laat plaatsvond; De release werd 11 dagen later uitgesteld. Monitoringvallen bevestigden de GDD-voorspelling en het spuiten werd niet voortijdig verspild, maar werd precies op het moment van opkomst uitgevoerd.
Geval 2 - Waarschijnlijkheid van verkeerd lezen. Eén producent vertrouwde op een voorspelling van "60% regenval" en annuleerde de irrigatie; De regen bleef uit en de plant leed twee dagen onder stress. Les: 60% was niet "zeker". De volgende keer werd de beslissing genomen door samen met de bodemvochtsensor de voorspellingskans te evalueren; Als er een lage luchtvochtigheid was, werd lichte irrigatie toegepast zonder op regen te wachten.
Geval 3 - Vorstbescherming. De AI liet de komende drie dagen een lage kans op vorst zien, maar de ingenieur hield ook de radar en het lokale station in de gaten, op de hoogte van de onzekerheid van vijf dagen. Naarmate de kritieke nacht naderde, werden de voorspellingen strenger; De vorstbeschermingsirrigatie werd tijdig geactiveerd en de bloemen bleven gespaard. Als je blindelings vertrouwde op een verre voorspelling, zou je onvoorbereid betrapt worden.
Zwakke prompt/sterke prompt
Zwakke prompt:
Wanneer moet ik deze week spuiten?
Krachtige prompt:
Jouw rol: Agronoom ter ondersteuning van de landbouwmeteorologie. Interpreteer de onderstaande 7-daagse voorspelling (dag, min/max temperatuur, kans op neerslag, wind, vochtigheid). Taak: - Maak een lijst van GESCHIKTE ramen om te spuiten; rechtvaardigen de beperkingen op het gebied van wind en neerslag. - Voeg aan elke suggestie de MOGELIJKHEID van de voorspelling toe en hoeveel dagen van onzekerheid deze met zich meebrengt. - Gebruik van precieze taal; Druk het uit als "zeer waarschijnlijk/onzeker". - Geef aan of er een combinatie van vochtigheid en temperatuur is die risicovol is voor schimmelziekten. - Houd er rekening mee dat ik de beslissing samen met de sensor/het veld moet nemen. Voorspelling: [7 dagen aan gegevens]
De sterke prompt dwingt waarschijnlijkheid en onzekerheid af, verbiedt nauwkeurig taalgebruik en schrijft beslissingen niet toe aan één enkele bron.
Vier kopieerbare sjablonen
1) GDD-calculator en fenologie:
Product [..], basistemperatuur [..]°C. Huidig daggemiddelde. accumuleer GDD met temperaturen en voorspel het mogelijke ontwikkelingsstadium op basis van de huidige accumulatie. Vermeld de onzekerheid; schrijf dat bevestiging door veldobservatie vereist is.
2) Spuitvenster:
Beveel de 2 meest geschikte vensters aan om te spuiten op basis van de 7-daagse wind-/neervalvoorspelling. Noteer voor elk de windsnelheid, de neerslagkans en het driftrisico. Als er geen geschikt raam is, zeg dit dan duidelijk.
3) Vroegtijdige waarschuwing over vorstrisico:
De komende nachten zullen min. Beoordeel de temperatuur en de kans op vorst. Markeer de nachten waarin het risico bestaat dat de kritische drempel wordt overschreden (~0°C tijdens de bloei) en noteer de onzekerheid van de voorspelling. Geef bovendien aan welke lokale bron ik moet bekijken.
4) Ziekterisicovenster:
Markeer vensters waar het risico op schimmelziekten toeneemt op basis van de bladnatduur en vochtigheids-/temperatuurgegevens voor dit gewas. Het stellen van een diagnose; alleen waarschuwen op het niveau "omstandigheden zijn geschikt, verhoog de monitoring".
Veel voorkomende fouten
- Waarschijnlijkheid verwarren met zekerheid. “60% neerslag” is geen garantie; Baseer uw beslissing niet op één enkele gok.
- Vertrouwen op verre voorspellingen. 7 dagen vooruit is de trend; Neem de cruciale beslissing terwijl de voorspelling wordt bijgewerkt naarmate deze dichterbij komt.
- GDD mengbasistemperatuur. De basis van elk product is anders; de verkeerde basis zal alle accumulatie verschuiven.
- De wind negerend. Spuiten bij harde wind betekent drift en milieuschade.
- Vertrouwen op één enkele bron. Satelliet, radar, lokaal station en veld zijn samen betrouwbaarder.
Let op: blind vertrouwen op voorspellingen op afstand bij timingbeslissingen zoals vorstbescherming, spuiten en oogsten is kostbaar. Lees de voorspelling als een waarschijnlijkheidsverdeling en update de beslissing naarmate u dichter bij de kritieke nacht/dag komt.
Samengevat
Meteorologische gegevens vormen de tijdas van landbouwbeslissingen: GDD bepaalt de fenologie en het ontstaan van plagen, het ziekterisico bij vochtigheid en temperatuur, min. Temperatuur bepaalt vorstrisico, wind bepaalt sproeivenster. AI is krachtig in het combineren van deze gegevens en het produceren van planningsoverzichten, maar de voorspelling is probabilistisch en het vertrouwen neemt in de loop van de tijd af. Houd AI uit de buurt van precieze taal, maak waarschijnlijkheid en onzekerheid zichtbaar, neem de beslissing met de sensor en het veld, en leun op kritieke momenten op de huidige voorspelling.
Applicatie taak
Bereid een representatieve 7-daagse weersvoorspellingstabel voor (min./max. temperatuur, kans op neerslag, wind, vochtigheid). Geef het aan AI met de sjablonen 'sproeivenster' en 'vroegtijdige waarschuwing voor vorstrisico' in dit apparaat. Overweeg in de output of de AI met zekerheid of waarschijnlijkheid spreekt, of hij de onzekerheidsperiode specificeert, en of hij dat eerlijk zegt als er geen venster beschikbaar is. Schrijf op welke aanvullende bronnen je gaat gebruiken om een beslissing te nemen, en niet alleen maar giswerk.
controlelijst
- [ ] Ik interpreteerde de mogelijkheid van regen/vorst als een mogelijkheid, niet als een zekerheid.
- [ ] Ik heb rekening gehouden met de betrouwbaarheidsperiode van de voorspelling (wordt bijgewerkt naarmate deze dichterbij komt).
- [ ] Ik heb de GDD-basistemperatuur correct gebruikt volgens het product.
- [ ] In de spuitbeslissing heb ik het wind-/driftrisico gecontroleerd.
- [ ] Ik heb de cruciale timingbeslissing genomen met het oordeel van een ingenieur, ondersteund door vele bronnen en vakgebieden.