ਸ਼ੁੱਧਤਾ ਖੇਤੀਬਾੜੀ ਅਤੇ ਖੇਤੀਬਾੜੀ ਡੇਟਾ ਦੀ ਬਣਤਰ

ਲਾਭ:

• ਸ਼ੁੱਧਤਾ ਖੇਤੀਬਾੜੀ ਦੇ ਤਰਕ ਅਤੇ ਬੁਨਿਆਦੀ ਸੰਕਲਪਾਂ ਜਿਵੇਂ ਕਿ ਵੇਰੀਏਬਲ ਦਰ ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਪ੍ਰਬੰਧਨ ਜ਼ੋਨ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ।
• ਏਆਈ ਦੇ ਨਾਲ ਖਿੰਡੇ ਹੋਏ ਫੀਲਡ, ਸੈਂਸਰ ਅਤੇ ਮਸ਼ੀਨ ਡੇਟਾ ਨੂੰ ਸਾਫ਼, ਸਟੈਂਡਰਡ ਅਤੇ ਕੰਪੋਸੇਬਲ ਟੇਬਲ ਵਿੱਚ ਬਦਲਣ ਦੀ ਸਮਰੱਥਾ
• ਸਥਾਨਿਕ (ਤਾਲਮੇਲ) ਡੇਟਾ ਨੂੰ ਸਮਝਣ ਅਤੇ ਪਾਰਸਲ ਅਤੇ ਪ੍ਰਬੰਧਨ ਖੇਤਰ ਦੇ ਪੈਮਾਨੇ 'ਤੇ AI ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਕਲਾਸੀਕਲ ਖੇਤੀਬਾੜੀ ਇੱਕ ਪੂਰੇ ਖੇਤਰ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦੀ ਹੈ ਜੋ ਇੱਕ ਅਤੇ ਇੱਕੋ ਤਰੀਕੇ ਨਾਲ ਵਿਹਾਰ ਕਰਦੀ ਹੈ: ਉਹੀ ਖਾਦ, ਉਹੀ ਪਾਣੀ, ਉਹੀ ਕੀਟਨਾਸ਼ਕ ਪੂਰੇ ਪਲਾਟ ਲਈ। ਹਾਲਾਂਕਿ, ਜਦੋਂ ਕਿ ਉਸੇ ਖੇਤ ਦੇ ਇੱਕ ਸਿਰੇ ਦੀ ਮਿੱਟੀ ਮਿੱਟੀ ਵਾਲੀ ਹੋ ਸਕਦੀ ਹੈ ਅਤੇ ਪਾਣੀ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੀ ਹੈ, ਦੂਜਾ ਸਿਰਾ ਰੇਤਲੀ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਪਾਣੀ ਤੇਜ਼ੀ ਨਾਲ ਖਤਮ ਹੋ ਸਕਦਾ ਹੈ; ਇੱਕ ਕੋਨਾ ਠੰਡਾ ਅਤੇ ਨਮੀ ਵਾਲਾ ਹੋ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਘੱਟ ਹੈ, ਜਦੋਂ ਕਿ ਇੱਕ ਢਲਾਨ ਗਰਮ ਅਤੇ ਖੁਸ਼ਕ ਹੋ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਦੱਖਣ ਵੱਲ ਹੈ। ਸ਼ੁੱਧਤਾ ਖੇਤੀਬਾੜੀ ਇੱਕ ਪਹੁੰਚ ਹੈ ਜਿਸਦਾ ਉਦੇਸ਼ ਖੇਤਰ ਨੂੰ ਇਹਨਾਂ ਅੰਦਰੂਨੀ ਅੰਤਰਾਂ ਦੇ ਅਨੁਸਾਰ ਖੇਤਰਾਂ ਵਿੱਚ ਵੰਡਣਾ ਅਤੇ ਹਰੇਕ ਖੇਤਰ ਨੂੰ ਲੋੜ ਅਨੁਸਾਰ ਇੰਪੁੱਟ ਦੇਣਾ ਹੈ। ਟੀਚਾ ਸਧਾਰਨ ਹੈ ਪਰ ਪ੍ਰਭਾਵ ਵੱਡਾ ਹੈ: ਸਹੀ ਜਗ੍ਹਾ 'ਤੇ, ਸਹੀ ਸਮੇਂ 'ਤੇ, ਸਹੀ ਮਾਤਰਾ ਵਿੱਚ। ਇਹ ਇਕਾਈ ਸ਼ੁੱਧ ਖੇਤੀ ਦੇ ਤਰਕ ਦੀ ਵਿਆਖਿਆ ਕਰਦੀ ਹੈ ਅਤੇ ਇਸ ਤਰਕ ਨੂੰ ਸੰਗਠਿਤ, ਭਰੋਸੇਮੰਦ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਸੰਯੋਜਿਤ ਕਰਨ ਵਾਲੇ ਖੇਤੀਬਾੜੀ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ।

ਸ਼ੁੱਧ ਖੇਤੀ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਦੋ ਧਾਰਨਾਵਾਂ ਹਨ। ਪਹਿਲਾ ਵੇਰੀਏਬਲ ਰੇਟ ਐਪਲੀਕੇਸ਼ਨ (VRA): ਟਰੈਕਟਰ ਜਾਂ ਉਪਕਰਨ ਖੇਤ ਦੀ ਸਥਿਤੀ ਦੇ ਅਨੁਸਾਰ ਖਾਦ, ਬੀਜ ਜਾਂ ਪਾਣੀ ਦੀ ਮਾਤਰਾ ਨੂੰ ਆਪਣੇ ਆਪ ਬਦਲਦਾ ਹੈ। ਦੂਜਾ ਪ੍ਰਬੰਧਨ ਜ਼ੋਨ ਹੈ: ਇਹ ਖੇਤਰ ਨੂੰ ਉਪ-ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਣਾ ਹੈ ਜਿਸ ਵਿੱਚ ਮਿੱਟੀ ਅਤੇ ਉਤਪਾਦਕਤਾ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਇੱਕੋ ਜਿਹੀਆਂ ਹਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਪ੍ਰਬੰਧਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਇਹਨਾਂ ਦੋਵਾਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਛੂਹਦੀ ਹੈ: ਇਹ ਖਿੰਡੇ ਹੋਏ ਡੇਟਾ ਨੂੰ ਜੋੜ ਕੇ ਜ਼ੋਨਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਅਤੇ ਹਰੇਕ ਜ਼ੋਨ ਲਈ ਡਰਾਫਟ ਨੁਸਖੇ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ। ਪਰ ਇੰਜੀਨੀਅਰ ਜੋ ਖੇਤਰ ਨੂੰ ਜਾਣਦਾ ਹੈ ਉਹ ਹੈ ਜੋ ਆਖਿਰਕਾਰ ਖੇਤਰੀ ਸਰਹੱਦ ਅਤੇ ਨੁਸਖੇ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦਿੰਦਾ ਹੈ।

ਖੇਤੀਬਾੜੀ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਤੀ: ਇਹ ਗੜਬੜ ਕਿਉਂ ਹੈ?

ਇੱਕ ਫਾਰਮ 'ਤੇ, ਡੇਟਾ ਦਰਜਨਾਂ ਅਣਜਾਣ ਸਰੋਤਾਂ ਤੋਂ ਆਉਂਦਾ ਹੈ, ਅਤੇ ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਦੂਜੀ ਭਾਸ਼ਾ ਵਾਂਗ ਨਹੀਂ ਬੋਲਦਾ। ਮਿੱਟੀ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਇੱਕ ਐਕਸਲ ਭੇਜਦੀ ਹੈ; ਕੰਬਾਈਨ ਹਾਰਵੈਸਟਰ ਆਪਣੇ ਝਾੜ ਦੇ ਨਕਸ਼ੇ ਨੂੰ ਕਿਸੇ ਹੋਰ ਫਾਰਮੈਟ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕਰਦਾ ਹੈ; ਨਮੀ ਸੈਂਸਰ ਪ੍ਰਤੀ ਘੰਟਾ CSV ਤਿਆਰ ਕਰਦਾ ਹੈ; ਡਰੋਨ ਆਉਟਪੁੱਟ ਜੇਪੀਈਜੀ ਅਤੇ ਕੋਆਰਡੀਨੇਟ ਫਾਈਲ; ਕਿਸਾਨ ਦੇ ਆਪਣੇ ਨੋਟ ਇੱਕ ਨੋਟਬੁੱਕ ਵਿੱਚ ਹੱਥੀਂ ਲਿਖੇ ਹੋਏ ਸਨ। ਇਸ ਡੇਟਾ ਦੀਆਂ ਇਕਾਈਆਂ ਵੱਖਰੀਆਂ ਹਨ (kg/da, kg/ha, ppm, %), ਮਿਤੀ ਫਾਰਮੈਟ ਵੱਖਰੇ ਹਨ, ਟਿਕਾਣਾ ਪ੍ਰਣਾਲੀਆਂ ਵੱਖ-ਵੱਖ ਹਨ, ਅਤੇ ਅਕਸਰ ਉਤਪਾਦ/ਪਾਰਸਲ ਦੇ ਨਾਮ ਅਸੰਗਤ ਹੁੰਦੇ ਹਨ ("ਸਟ੍ਰੀਮ ਫੀਲਡ", "ਡੇਰੇ ਪਾਰਸਲ", "ਪਲਾਟ-7" ਇੱਕੋ ਥਾਂ ਹੋ ਸਕਦਾ ਹੈ)। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਤੋਂ ਪਹਿਲਾਂ, ਇਹ ਸੁਮੇਲ ਕੰਮ ਕਿਸੇ ਇੰਜੀਨੀਅਰ ਦਾ ਸਭ ਤੋਂ ਤੰਗ ਕਰਨ ਵਾਲਾ ਅਤੇ ਸਮਾਂ ਬਰਬਾਦ ਕਰਨ ਵਾਲਾ ਹਿੱਸਾ ਸੀ।

ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਖੇਡ ਵਿੱਚ ਆਉਂਦੀ ਹੈ ਅਤੇ ਬਿਲਕੁਲ ਉੱਥੇ ਕੰਮ ਕਰਦੀ ਹੈ ਜਿੱਥੇ ਇਹ ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਹੈ: ਇੱਕ ਮਿਆਰੀ ਸਕੀਮਾ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਆਮ ਕਾਲਮ ਅਤੇ ਯੂਨਿਟ ਬਣਤਰ) ਵਿੱਚ ਡੇਟਾ ਦਾ ਅਨੁਵਾਦ ਕਰਨਾ। ਪਰ ਸਾਵਧਾਨ ਰਹੋ: ਇਕਾਈਆਂ ਨੂੰ ਬਦਲਣ ਵੇਲੇ AI ਗਲਤੀ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਇਹ ਗਲਤੀ ਚੁੱਪਚਾਪ ਪੂਰੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਵਿਗਾੜ ਦੇਵੇਗੀ। ਇਸ ਲਈ ਡੇਟਾ ਸਟ੍ਰਕਚਰਿੰਗ ਵਿੱਚ ਸੁਨਹਿਰੀ ਨਿਯਮ ਇੱਕ ਛੋਟੇ ਨਮੂਨੇ ਦੇ ਨਾਲ ਹਰ ਇੱਕ ਤਬਦੀਲੀ ਨੂੰ ਹੱਥੀਂ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਹੈ।

ਸੰਕੇਤ: AI ਨੂੰ ਡੇਟਾ ਫੀਡ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਆਪਣੀ ਟੀਚਾ ਸਕੀਮਾ ਨੂੰ ਖੁਦ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ: ਕਿਹੜੇ ਕਾਲਮ, ਕਿਹੜੀਆਂ ਇਕਾਈਆਂ, ਕਿਹੜਾ ਮਿਤੀ ਫਾਰਮੈਟ। AI ਨੂੰ "ਇਸ ਨੂੰ ਉਸ ਚਿੱਤਰ ਵਿੱਚ ਅਨੁਵਾਦ" ਕਰਨ ਲਈ ਕਹਿਣਾ "ਇਸ ਡੇਟਾ ਦਾ ਪ੍ਰਬੰਧ" ਕਰਨ ਲਈ ਕਹਿਣ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਭਰੋਸੇਯੋਗ ਹੈ।

ਸਥਾਨਿਕ ਡੇਟਾ ਨੂੰ ਸਮਝਣਾ

ਜ਼ਿਆਦਾਤਰ ਖੇਤੀਬਾੜੀ ਡੇਟਾ ਸਥਾਨਿਕ ਹੁੰਦਾ ਹੈ: ਹਰੇਕ ਮਾਪ ਦਾ ਇੱਕ ਤਾਲਮੇਲ ਹੁੰਦਾ ਹੈ। ਮਿੱਟੀ ਦਾ ਨਮੂਨਾ "ਪਲਾਟ-3, ਉੱਤਰ-ਪੱਛਮੀ ਕੋਨਾ, 39.12 N / 32.45 E" ਵਰਗੇ ਸਥਾਨ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ। ਇਹ ਕੋਆਰਡੀਨੇਟ ਆਮ ਤੌਰ 'ਤੇ ਅਕਸ਼ਾਂਸ਼/ਲੰਬਕਾਰ (WGS84) ਜਾਂ UTM ਨਾਮਕ ਮੈਟ੍ਰਿਕ ਸਿਸਟਮ ਵਿੱਚ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ। AI ਨਾਲ ਕੰਮ ਕਰਦੇ ਸਮੇਂ ਸਥਾਨਿਕ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ, ਤਿੰਨ ਗੱਲਾਂ ਵੱਲ ਧਿਆਨ ਦਿਓ: ਕੀ ਕੋਆਰਡੀਨੇਟ ਸਿਸਟਮ ਇਕਸਾਰ ਹੈ, ਕੀ ਨਮੂਨਾ ਬਿੰਦੂ ਖੇਤਰ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਕਾਫ਼ੀ ਖਿੰਡੇ ਹੋਏ ਹਨ, ਅਤੇ ਕੀ ਇੱਕ ਬਿੰਦੂ ਦਾ ਮੁੱਲ ਪੂਰੇ ਖੇਤਰ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ ਜਾਂ ਸਿਰਫ਼ ਉਸ ਬਿੰਦੂ ਨਾਲ। ਨਕਸ਼ਾ ਡੇਟਾ ਜਿਵੇਂ ਕਿ NDVI ਖੇਤਰ ਦੇ ਹਰ ਵਰਗ ਮੀਟਰ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ; ਮਿੱਟੀ ਦਾ ਨਮੂਨਾ ਸਿਰਫ਼ ਉਸ ਬਿੰਦੂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਇਹ ਲਿਆ ਗਿਆ ਸੀ। ਇਸ ਅੰਤਰ ਨੂੰ ਉਲਝਾਉਣ ਨਾਲ ਵਿਆਖਿਆ ਵਿੱਚ ਗੰਭੀਰ ਤਰੁਟੀਆਂ ਹੋ ਜਾਣਗੀਆਂ।

ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ

ਕੇਸ 1 - ਅਸੈਂਬਲੀ ਵਿੱਚ ਸਮੇਂ ਦੀ ਬਚਤ। ਇੱਕ ਇੰਜੀਨੀਅਰ 5 ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ (ਮਿੱਟੀ ਪ੍ਰਯੋਗਸ਼ਾਲਾ, ਉਪਜ ਦਾ ਨਕਸ਼ਾ, ਸੈਂਸਰ, ਡਰੋਨ, ਫੀਲਡ ਨੋਟ) ਤੋਂ ਕੁੱਲ 4,200 ਕਤਾਰਾਂ ਨੂੰ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਜੋੜ ਰਿਹਾ ਸੀ; ਹੱਥ ਨਾਲ ਲਗਭਗ 6 ਘੰਟੇ. ਇੱਕ ਵਾਰ ਜਦੋਂ ਅਸੀਂ ਟਾਰਗੇਟ ਸਕੀਮਾ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਅਤੇ AI ਨੂੰ "ਇਹਨਾਂ ਕਾਲਮਾਂ ਵਿੱਚ ਇਹਨਾਂ 5 ਫਾਈਲਾਂ ਨੂੰ ਮੈਪ ਕਰਨ" ਦਾ ਕੰਮ ਦਿੱਤਾ, ਪਹਿਲਾ ਡਰਾਫਟ 25 ਮਿੰਟਾਂ ਵਿੱਚ ਸਾਹਮਣੇ ਆਇਆ; ਉਸਨੇ ਬਾਕੀ ਬਚਿਆ ਸਮਾਂ 40-ਲਾਈਨ ਨਮੂਨੇ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਸਮਰਪਿਤ ਕੀਤਾ। ਕੁੱਲ ਸਮਾਂ ਘਟ ਕੇ 2 ਘੰਟੇ ਰਹਿ ਗਿਆ।

ਕੇਸ 2 - ਯੂਨਿਟ ਟ੍ਰੈਪ। ਝਾੜ ਦਾ ਨਕਸ਼ਾ ਕਿਲੋ / ਹੈਕਟੇਅਰ ਵਿੱਚ ਸੀ ਅਤੇ ਖਾਦ ਰਿਕਾਰਡ ਕਿਲੋ / ਹੈਕਟੇਅਰ ਵਿੱਚ ਸੀ। ਪਹਿਲੇ ਸੁਮੇਲ ਵਿੱਚ, AI ਨੇ ਦੋਨਾਂ ਨੂੰ ਇੱਕੋ ਕਾਲਮ ਵਿੱਚ ਗਰੁੱਪ ਕੀਤਾ ਅਤੇ 10 (1 ha = 10 da) ਦੇ ਗੁਣਕ ਦੁਆਰਾ ਇੱਕ ਪਲਾਟ ਦੀ ਉਪਜ ਨੂੰ ਘੱਟ ਕੀਤਾ। ਇੰਜੀਨੀਅਰ ਨੇ ਅੰਤਰ ਨੂੰ ਫੜ ਲਿਆ ਕਿਉਂਕਿ ਉਸਨੂੰ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਪਾਰਸਲ ਦੀ ਅਸਲ ਪੈਦਾਵਾਰ ਯਾਦ ਸੀ; ਤੀਬਰਤਾ ਦੀ ਜਾਂਚ ਦੇ ਕ੍ਰਮ ਨੇ ਯੂਨਿਟ ਦੀ ਗਲਤੀ ਦਾ ਖੁਲਾਸਾ ਕੀਤਾ।

ਕੇਸ 3 - ਪਾਰਸਲ ਨਾਮ ਉਲਝਣ। ਤਿੰਨ ਸਰੋਤਾਂ ਵਿੱਚ, "ਡੇਰੇ", "ਡੇਰੇ_ਤਰਲਾ" ਅਤੇ "ਪਲਾਟ-7" ਵਜੋਂ ਇੱਕੋ ਖੇਤ ਦਾ ਜ਼ਿਕਰ ਕੀਤਾ ਗਿਆ ਸੀ. ਏਆਈ ਨੇ ਸੋਚਿਆ ਕਿ ਇਹ ਤਿੰਨ ਵੱਖਰੇ ਪਾਰਸਲ ਸਨ ਅਤੇ ਖੇਤਰ ਨੂੰ ਤਿੰਨ ਵਿੱਚ ਵੰਡਿਆ। ਜਦੋਂ ਇੰਜੀਨੀਅਰ ਨੇ ਮਹਿਸੂਸ ਕੀਤਾ ਕਿ ਕੁੱਲ ਕਾਸ਼ਤ ਵਾਲਾ ਖੇਤਰ ਡੀਡ ਵਿੱਚ ਮੁੱਲ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ, ਤਾਂ ਉਸਨੇ ਮੇਲ ਖਾਂਦਾ ਸ਼ਬਦਕੋਸ਼ ("ਇਹ ਤਿੰਨ ਨਾਮ = ਪਲਾਟ-7") ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਅਤੇ ਏਆਈ ਨੂੰ ਇਸ ਨਾਲ ਦੁਬਾਰਾ ਜੋੜਨ ਲਈ ਕਿਹਾ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਇਸ ਖੇਤੀਬਾੜੀ ਡੇਟਾ ਨੂੰ ਸੰਗਠਿਤ ਅਤੇ ਜੋੜੋ।[ਫਾਇਲਾਂ]

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਖੇਤੀਬਾੜੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ। ਨਿਮਨਲਿਖਤ 4 ਸਰੋਤਾਂ ਨੂੰ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਜੋੜੋ। ਟਾਰਗੇਟ ਸਕੀਮਾ (ਇਨ੍ਹਾਂ ਕਾਲਮਾਂ ਅਤੇ ਯੂਨਿਟਾਂ ਤੋਂ ਅੱਗੇ ਨਾ ਜਾਓ):- ਪਾਰਸਲ_ਆਈਡੀ (ਟੈਕਸਟ), ਮਿਤੀ (YYYY-MM-DD), ਉਤਪਾਦ (ਟੈਕਸਟ),- ਮਿੱਟੀ_ਪੀਐਚ (ਨੰਬਰ), ਨਾਈਟ੍ਰੋਜਨ_kg_da (kg/da), yield_kg_da (kg/da), yield_kg_daage (%-kg_perules) (%-kg_dage) ਸਾਰੀਆਂ ਖਾਦ/ਉਪਜ ਯੂਨਿਟਾਂ ਨੂੰ ਕਿਲੋਗ੍ਰਾਮ/ਡਾ ਵਿੱਚ ਬਦਲੋ; ਤੁਹਾਡੇ ਦੁਆਰਾ ਅਨੁਵਾਦ ਕੀਤੀ ਗਈ ਹਰੇਕ ਲਾਈਨ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ।- ਪਾਰਸਲ ਦੇ ਨਾਮ ਮੇਰੇ ਦਿੱਤੇ ਸ਼ਬਦਕੋਸ਼ ਨਾਲ ਮਿਲਾਓ: {"dere":"P7","dere_field":"P7"}।- ਗੁੰਮ ਹੋਏ ਮੁੱਲ ਨੂੰ ਖਾਲੀ ਛੱਡੋ, ਇਸ ਨੂੰ ਅੰਦਾਜ਼ੇ ਨਾਲ ਭਰੋ।- ਉਹਨਾਂ ਲਾਈਨਾਂ ਨੂੰ ਰੱਖੋ ਜੋ ਤੁਸੀਂ ਅਨੁਵਾਦ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹੋ ਜਾਂ ਇੱਕ ਵੱਖਰੀ "ਚੈੱਕ_ਲੋੜੀਂਦੀ" ਸੂਚੀ ਵਿੱਚ ਅਸਪਸ਼ਟ ਹਨ। ਸਰੋਤ: [ਡਾਟਾ]

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਟੀਚਾ ਸਕੀਮਾ, ਯੂਨਿਟ ਨਿਯਮ, ਮੇਲ ਖਾਂਦਾ ਸ਼ਬਦਕੋਸ਼, ਅਤੇ ਅਸਪਸ਼ਟਤਾ ਲਈ ਇੱਕ ਵੱਖਰੀ ਬਾਲਟੀ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੀ ਬਜਾਏ, AI ਤੁਹਾਨੂੰ ਪਹੁੰਚਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਇਹ ਫੈਸਲਾ ਨਹੀਂ ਹੁੰਦਾ.

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ

1) ਨਿਸ਼ਾਨਾ ਸਕੀਮਾ ਲਈ ਮੈਪਿੰਗ:

ਹੇਠਾਂ ਦਿੱਤੇ ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਹੇਠਾਂ ਦਿੱਤੀ ਸਕੀਮਾ ਨਾਲ ਮੈਪ ਕਰੋ: [ਕਾਲਮ + ਯੂਨਿਟਾਂ]। ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਦਿਖਾਓ ਜਿਸ ਵਿੱਚ ਨਿਸ਼ਾਨਾ ਕਾਲਮ ਹਰੇਕ ਸਰੋਤ ਕਾਲਮ ਨੂੰ ਮੈਪ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਤੁਹਾਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੈ, ਤਾਂ "?" ਨਾਲ ਮਾਰਕ ਕਰੋ।

2) ਯੂਨਿਟ ਮਾਨਕੀਕਰਨ ਅਤੇ ਖੋਜਯੋਗਤਾ:

ਸਾਰੀਆਂ ਏਰੀਆ ਇਕਾਈਆਂ ਨੂੰ ਡੇਕੇਅਰ (da) ਵਿੱਚ ਬਦਲੋ। ਇੱਕ "conversion_note" ਕਾਲਮ ਸ਼ਾਮਲ ਕਰੋ; ਹਰੇਕ ਪਰਿਵਰਤਿਤ ਮੁੱਲ ਲਈ ਮੂਲ ਇਕਾਈ ਅਤੇ ਗੁਣਕ ਲਿਖੋ (ਉਦਾਹਰਨ ਲਈ: "1 ha=10 da")। ਉਸ ਯੂਨਿਟ ਨੂੰ ਛੱਡੋ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਬਦਲ ਨਹੀਂ ਸਕਦੇ ਹੋ ਅਤੇ ਇਸ 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ।

3) ਬਾਹਰੀ ਸਕੈਨਿੰਗ:

ਮੈਂ ਇਹਨਾਂ ਸੰਖਿਆਤਮਕ ਕਾਲਮਾਂ ਲਈ ਸੰਭਾਵਿਤ ਖੇਤੀ-ਵਿਗਿਆਨਕ ਰੇਂਜ ਦਿੰਦਾ ਹਾਂ: ਮਿੱਟੀ_pH 4-9, ਨਾਈਟ੍ਰੋਜਨ_kg_da 0-30, ਉਪਜ_kg_da 100-1200। ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਹਰ ਕਤਾਰ ਨੂੰ "ਆਊਟਲੀਅਰ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰੋ; ਬਦਲੋ ਨਾ, ਸਿਰਫ ਦਿਖਾਓ।

4) ਪ੍ਰਬੰਧਨ ਖੇਤਰ ਡਰਾਫਟ:

ਹੇਠਾਂ ਦਿੱਤੇ ਸਥਾਨਿਕ ਮਿੱਟੀ ਅਤੇ ਉਪਜਾਊ ਸ਼ਕਤੀ ਦੇ ਅੰਕੜਿਆਂ ਨੂੰ ਦੇਖ ਕੇ, ਸਮਾਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ 2-4 ਉਮੀਦਵਾਰ ਪ੍ਰਬੰਧਨ ਖੇਤਰਾਂ ਦਾ ਸੁਝਾਅ ਦਿਓ। ਹਰੇਕ ਖੇਤਰ ਲਈ: ਤੁਹਾਡੇ ਦੁਆਰਾ ਵੱਖ ਕੀਤੇ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਲਿਖੋ, ਔਸਤ ਮੁੱਲ ਅਤੇ ਸੀਮਾ ਜੋ ਮੈਨੂੰ ਖੇਤਰ ਵਿੱਚ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਸਪੱਸ਼ਟ ਸੀਮਾਵਾਂ ਨਾ ਖਿੱਚੋ; ਇਹ ਡਰਾਫਟ ਹਨ।

ਤੁਲਨਾ ਚਾਰਟ: ਕਲਾਸਿਕ ਬਨਾਮ ਸ਼ੁੱਧਤਾ ਖੇਤੀ

ਆਕਾਰ

ਕਲਾਸੀਕਲ ਖੇਤੀਬਾੜੀ

ਸ਼ੁੱਧ ਖੇਤੀ

ਪ੍ਰਬੰਧਨ ਯੂਨਿਟ

ਸਾਰਾ ਖੇਤਰ ਇੱਕ ਹੈ

ਪ੍ਰਬੰਧਕੀ ਖੇਤਰ

ਇੰਪੁੱਟ ਵੰਡ

ਯੂਨੀਫਾਰਮ (ਫਲੈਟ ਰੇਟ)

ਪਰਿਵਰਤਨਸ਼ੀਲ ਦਰ (VRA)

ਡਾਟਾ ਸਰੋਤ

ਕਿਸਾਨ ਨਿਰੀਖਣ

ਸੈਂਸਰ, ਸੈਟੇਲਾਈਟ, ਡਰੋਨ, ਮਸ਼ੀਨ

ਫੈਸਲੇ ਦਾ ਆਧਾਰ

ਅਨੁਭਵ + ਕੈਲੰਡਰ

ਅਨੁਭਵ + ਡਾਟਾ + ਮਾਡਲ

ਏਆਈ ਦੀ ਭੂਮਿਕਾ

ਸੀਮਿਤ

ਡੇਟਾ ਇਕਸਾਰਤਾ ਅਤੇ ਪ੍ਰਸਤਾਵ ਦਾ ਖਰੜਾ

ਜੋਖਮ

ਵਾਧੂ/ਅੰਡਰ ਇਨਪੁੱਟ

ਗਲਤ ਡੇਟਾ → ਗਲਤ ਖੇਤਰ

ਆਮ ਗਲਤੀਆਂ

• AI ਨੂੰ ਸਕੀਮਾ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਦਿਓ। ਜੇਕਰ ਤੁਸੀਂ ਟਾਰਗੇਟ ਕਾਲਮ ਅਤੇ ਯੂਨਿਟਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਨਹੀਂ ਕਰਦੇ ਹੋ, ਤਾਂ AI ਹਰ ਵਾਰ ਇੱਕ ਵੱਖਰੀ ਬਣਤਰ ਪੈਦਾ ਕਰੇਗਾ ਅਤੇ ਤੁਲਨਾ ਅਸੰਭਵ ਹੋ ਜਾਂਦੀ ਹੈ।
• ਯੂਨਿਟਾਂ ਦਾ ਰਿਕਾਰਡ ਨਹੀਂ ਰੱਖਣਾ. ਜੇਕਰ ਤੁਸੀਂ ਇਹ ਰਿਕਾਰਡ ਨਹੀਂ ਕਰਦੇ ਕਿ ਕਿਹੜੇ ਮੁੱਲ ਦਾ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਤੁਸੀਂ ਅਗਲੀਆਂ ਕਿਸੇ ਵੀ ਤਰੁੱਟੀਆਂ ਦਾ ਪਤਾ ਨਹੀਂ ਲਗਾ ਸਕਦੇ ਹੋ।
• ਨਕਸ਼ੇ ਦੇ ਡੇਟਾ ਲਈ ਗਲਤ ਪੁਆਇੰਟ ਡੇਟਾ. ਪੂਰੇ ਖੇਤਰ ਲਈ ਇੱਕ ਮਿੱਟੀ ਦੇ ਨਮੂਨੇ ਨੂੰ ਆਮ ਬਣਾਉਣਾ ਖੇਤਰ ਦੀ ਸੀਮਾ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਖਿੱਚਦਾ ਹੈ।
• AI ਨੂੰ ਖਾਲੀ ਥਾਂ ਭਰਨ ਦਿਓ। ਇੱਕ ਅੰਦਾਜ਼ੇ ਨਾਲ ਗੁੰਮ ਹੋਏ ਮੁੱਲ ਨੂੰ ਭਰਨਾ ਮਨਘੜਤ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਅਸਲ ਡੇਟਾ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਸਕਰੇਡ ਕਰਦਾ ਹੈ।
• ਪਾਰਸਲ ਦੇ ਨਾਵਾਂ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ। ਅਸੰਗਤ ਨਾਮ ਖੇਤਰ ਅਤੇ ਉਪਜ ਨੂੰ ਵੰਡਦੇ ਹਨ, ਪੂਰੇ ਸੀਜ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਵਿਗਾੜਦੇ ਹਨ।

ਧਿਆਨ ਦਿਓ: AI VRA ਨੁਸਖ਼ੇ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰ ਸਕਦਾ ਹੈ (ਕਿੰਨਾ ਖੇਤਰ ਵਿੱਚ ਗਿਆ), ਪਰ ਅੰਤਮ ਪ੍ਰਵਾਨਗੀ ਇੰਜੀਨੀਅਰ ਦੀ ਹੈ। ਇੱਕ ਗਲਤ ਜ਼ੋਨ ਸੀਮਾ ਦਾ ਮਤਲਬ ਹੈ ਪਾਣੀ ਦੇ ਅੰਦਰ ਜਾਂ ਇੱਕ ਖੇਤਰ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਖਾਦ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਸ਼ੁੱਧਤਾ ਖੇਤੀ ਖੇਤਰ ਨੂੰ ਇਸਦੇ ਅੰਦਰੂਨੀ ਅੰਤਰਾਂ ਅਨੁਸਾਰ ਪ੍ਰਬੰਧਨ ਕਰਨ ਦੀ ਕਲਾ ਹੈ ਅਤੇ ਇਹ ਦੋ ਧਾਰਨਾਵਾਂ 'ਤੇ ਅਧਾਰਤ ਹੈ: ਵੇਰੀਏਬਲ ਰੇਟ ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਪ੍ਰਬੰਧਨ ਜ਼ੋਨ। ਇਹ ਪਹੁੰਚ ਡੇਟਾ ਦੁਆਰਾ ਵਧਾਇਆ ਜਾਂਦਾ ਹੈ; ਪਰ ਖੇਤੀਬਾੜੀ ਡੇਟਾ ਖਿੰਡਿਆ ਹੋਇਆ ਹੈ, ਬਹੁ-ਇਕਾਈ ਅਤੇ ਬਹੁ-ਸਰੋਤ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇਸ ਡੇਟਾ ਨੂੰ ਇੱਕ ਮਿਆਰੀ ਸਕੀਮਾ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨ ਦੇ ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਲਾਭਕਾਰੀ ਖੇਤਰ ਵਿੱਚ ਕੰਮ ਕਰਦੀ ਹੈ - ਜਿੰਨਾ ਚਿਰ ਤੁਸੀਂ ਟੀਚਾ ਸਕੀਮਾ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹੋ, ਯੂਨਿਟ ਟਰੇਸ ਰੱਖੋ, ਅੰਤਰ ਨੂੰ ਨਾ ਭਰੋ ਅਤੇ ਇੱਕ ਉਦਾਹਰਨ ਦੇ ਨਾਲ ਹਰੇਕ ਪਰਿਵਰਤਨ ਦੀ ਜਾਂਚ ਕਰੋ। ਸਾਫ਼ ਅਤੇ ਏਕੀਕ੍ਰਿਤ ਡੇਟਾ ਸਾਰੀਆਂ ਅਗਲੀਆਂ ਇਕਾਈਆਂ (ਐਨਡੀਵੀਆਈ, ਮਿੱਟੀ, ਸਿੰਚਾਈ, ਉਪਜ) ਲਈ ਠੋਸ ਆਧਾਰ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਦੋ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਤੋਂ ਇੱਕ ਛੋਟਾ ਨਮੂਨਾ ਲਓ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਮਿੱਟੀ ਵਿਸ਼ਲੇਸ਼ਣ ਸਾਰਣੀ ਅਤੇ ਇੱਕ ਝਾੜ/ਖਾਦ ਰਿਕਾਰਡ); ਇਕਾਈਆਂ ਅਤੇ ਪਾਰਸਲ ਦੇ ਨਾਮ ਜਾਣਬੁੱਝ ਕੇ ਵੱਖਰੇ ਹਨ। ਏਆਈ ਨੂੰ ਇਸ ਯੂਨਿਟ ਤੋਂ "ਟਾਰਗੇਟ ਸਕੀਮਾ ਲਈ ਮੈਪਿੰਗ" ਅਤੇ "ਯੂਨਿਟ ਮਾਨਕੀਕਰਨ" ਟੈਂਪਲੇਟਸ ਨਾਲ ਜੋੜੋ। ਫਿਰ ਹੱਥੀਂ 5 ਕਤਾਰਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ: ਕੀ ਯੂਨਿਟ ਪਰਿਵਰਤਨ ਸਹੀ ਹਨ, ਕੀ ਪਾਰਸਲ ਮੇਲ ਸਹੀ ਹਨ, ਕੀ ਗੁੰਮ ਮੁੱਲ ਅਨੁਮਾਨ ਨਾਲ ਭਰੇ ਹੋਏ ਹਨ? ਹਰ ਇੱਕ ਬੱਗ ਨੂੰ ਨੋਟ ਕਰੋ ਜੋ ਤੁਸੀਂ ਲੱਭਦੇ ਹੋ ਅਤੇ AI ਨੇ ਕਿਹੜੇ ਨਿਯਮ ਦੀ ਉਲੰਘਣਾ ਕੀਤੀ ਹੈ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ AI ਨੂੰ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਟਾਰਗੇਟ ਸਕੀਮਾ (ਕਾਲਮ + ਯੂਨਿਟਾਂ) ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਸਾਰੀਆਂ ਇਕਾਈਆਂ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਸਟੈਂਡਰਡ ਵਿੱਚ ਬਦਲਿਆ ਅਤੇ ਪਰਿਵਰਤਨ ਟਰੈਕ ਰੱਖਿਆ।
• [ ] ਮੈਂ ਡਿਕਸ਼ਨਰੀ ਦੇ ਵਿਰੁੱਧ ਪਾਰਸਲ ਨਾਮ ਦੀ ਮਤਭੇਦ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹਾਂ ਅਤੇ ਕੁੱਲ ਖੇਤਰ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਐਗਰੋਨੋਮਿਕ ਰੇਂਜ ਦੇ ਨਾਲ ਬਾਹਰਲੇ ਲੋਕਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ; ਮੈਂ ਇਸਨੂੰ ਨਹੀਂ ਬਦਲਿਆ ਅਤੇ ਇਸਨੂੰ ਮਾਰਕ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਪੁਆਇੰਟ ਡੇਟਾ ਅਤੇ ਮੈਪ ਡੇਟਾ ਨੂੰ ਵੱਖ ਕੀਤਾ; ਮੈਂ ਅਨੁਮਾਨਾਂ ਨਾਲ ਖਾਲੀ ਥਾਂ ਨਹੀਂ ਭਰੀ।