Zyski:
- Umiejętność wyjaśnienia logiki rolnictwa precyzyjnego i podstawowych pojęć, takich jak stosowanie zmiennej dawki i strefy zarządzania.
- Możliwość przekształcania rozproszonych danych z pola, czujników i maszyn w czyste, standardowe i łatwe do komponowania tabele za pomocą sztucznej inteligencji
- Umiejętność zrozumienia (skoordynowanych) danych przestrzennych i weryfikacji wyników AI w skali działki i obszaru zarządzanego
Rolnictwo klasyczne zarządza polem jako całością, która zachowuje się w jeden jedyny sposób: ten sam nawóz, ta sama woda, ten sam pestycyd na całej działce. Jednakże, podczas gdy gleba na jednym końcu tego samego pola może być gliniasta i zatrzymywać wodę, drugi koniec może być piaszczysty i szybko tracić wodę; Narożnik może być chłodny i wilgotny, ponieważ jest niski, natomiast zbocze może być gorące i suche, ponieważ jest skierowane na południe. Rolnictwo precyzyjne to podejście, które ma na celu podzielenie pola na regiony zgodnie z tymi wewnętrznymi różnicami i zapewnienie każdemu regionowi tyle wkładu, ile potrzebuje. Cel jest prosty, ale efekt duży: we właściwe miejsce, we właściwym czasie, we właściwej ilości. W tej części wyjaśniono logikę rolnictwa precyzyjnego oraz sposób, w jaki dane rolnicze stanowiące podstawę tej logiki są zorganizowane, niezawodne i możliwe do komponowania za pomocą sztucznej inteligencji.
U podstaw rolnictwa precyzyjnego leżą dwie koncepcje. Pierwszym z nich jest aplikacja ze zmiennym dawkowaniem (VRA): ciągnik lub sprzęt automatycznie zmienia ilość nawozu, nasion lub wody w zależności od położenia pola. Druga to strefa zarządzania: jest to podział pola na podczęści, które mają podobne cechy gleby i produktywności i które można zagospodarować oddzielnie. Sztuczna inteligencja dotyka obu tych koncepcji: pomaga zdefiniować strefy, łącząc rozproszone dane i sugeruje projekty recept dla każdej strefy. Ale ostatecznie inżynier, który zna się na tej dziedzinie, zatwierdza granicę regionalną i receptę.
Charakter danych rolniczych: dlaczego są nieuporządkowane?
W gospodarstwie dane pochodzą z kilkudziesięciu nieświadomych źródeł i żadne z nich nie mówi tym samym językiem co drugie. Laboratorium gleby wysyła Excel; Kombajn zapisuje mapę plonów w innym formacie; czujnik wilgotności generuje co godzinę CSV; dron wysyła plik JPEG i plik współrzędnych; Własne notatki rolnika spisano odręcznie w notatniku. Jednostki tych danych są różne (kg/da, kg/ha, ppm, %), różne formaty dat, różne systemy lokalizacji, a często nazwy produktów/paczek są niespójne („Pole strumienia”, „dere paczka”, „Działka-7” może oznaczać to samo miejsce). Przed sztuczną inteligencją ta kombinacja pracy była najbardziej irytującą i czasochłonną częścią pracy inżyniera.
I tu z pomocą przychodzi sztuczna inteligencja, która działa dokładnie tam, gdzie jest najbezpieczniej: tłumaczy dane na standardowy schemat (czyli wspólną strukturę kolumn i jednostek). Ale bądź ostrożny: sztuczna inteligencja może popełnić błąd podczas konwersji jednostek, a ten błąd po cichu zrujnuje całą analizę. Zatem złotą zasadą w strukturyzowaniu danych jest ręczne sprawdzanie poprawności każdej transformacji na małej próbce.
Wskazówka: zanim przekażesz dane AI, sam zdefiniuj schemat docelowy: które kolumny, jakie jednostki, jaki format daty. Nakazanie sztucznej inteligencji, aby „przełożyła to na ten diagram”, jest znacznie bardziej niezawodne niż nakazanie jej, aby „uporządkowała te dane”.
Zrozumienie danych przestrzennych
Większość danych rolniczych ma charakter przestrzenny: każdy pomiar ma współrzędną. Próbka gleby jest powiązana z lokalizacją taką jak „Działka-3, północno-zachodni róg, 39,12 N / 32,45 E”. Współrzędne te są zwykle podawane w systemie metrycznym zwanym szerokością/długością geograficzną (WGS84) lub UTM. Interpretując dane przestrzenne podczas pracy z AI, należy zwrócić uwagę na trzy rzeczy: czy układ współrzędnych jest spójny, czy punkty próbkowania są wystarczająco rozproszone, aby reprezentować pole oraz czy wartość punktu dotyczy całego regionu, czy tylko tego punktu. Dane mapowe takie jak NDVI obejmują każdy metr kwadratowy pola; Próbka gleby reprezentuje jedynie punkt, w którym została pobrana. Mylenie tego rozróżnienia prowadziłoby do poważnych błędów interpretacyjnych.
Trzy mini etui: w liczbach
Przypadek 1 – Oszczędność czasu przy montażu. Inżynier połączył łącznie 4200 wierszy danych z 5 różnych źródeł (laboratorium glebowe, mapa plonów, czujnik, dron, notatki terenowe) w jedną tabelę; ręcznie około 6 godzin. Kiedy już zdefiniowaliśmy docelowy schemat i daliśmy AI zadanie „zmapowania tych 5 plików na te kolumny”, pierwszy szkic wyszedł w 25 minut; Pozostały czas poświęcił na sprawdzenie dokładności dopasowania na próbce 40-liniowej. Całkowity czas skrócił się do około 2 godzin.
Przypadek 2 – Pułapka na jednostki. Mapa plonów była w kg/ha, a zapis nawozów w kg/ha. W pierwszej kombinacji AI zgrupowała je w tej samej kolumnie i zaniżyła plon z jednego poletka 10-krotnie (1 ha = 10 da). Inżynier zauważył tę rozbieżność, ponieważ pamiętał rzeczywistą wydajność znanej paczki; Kontrola rzędu wielkości ujawniła błąd jednostkowy.
Przypadek 3 – Pomyłka w nazwie przesyłki. W trzech źródłach to samo pole było wymieniane jako „Dere”, „dere_tarla” i „Plot-7”. AI pomyślała, że to trzy oddzielne działki i podzieliła obszar na trzy. Kiedy inżynier zdał sobie sprawę, że całkowity obszar upraw nie odpowiada wartości w akcie, zdefiniował pasujący słownik („te trzy nazwy = Działka-7”) i polecił sztucznej inteligencji, aby ponownie z nim połączyła.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Organizuj i łącz te dane rolnicze. [pliki]
Potężny monit:
Twoja rola: Analityk danych rolniczych. Połącz następujące 4 źródła w JEDNĄ tabelę. Schemat docelowy (nie wykraczaj poza te kolumny i jednostki): - identyfikator_paczki (tekst), data (RRRR-MM-DD), produkt (tekst), - pH gleby (liczba), azot_kg_da (kg/da), plon_kg_da (kg/da), procent_wilgotności (%) Zasady: - Konwertuj wszystkie jednostki nawozu/plonu na kg/dzień; Zaznacz każdą tłumaczoną linię.- Dopasuj nazwy paczek do podanego przeze mnie słownika: {"dere":"P7","dere_field":"P7"}.- Pozostaw brakującą wartość PUSTA, uzupełnij ją zgadywaniem.- Umieść linie, których nie możesz przetłumaczyć lub które są niejasne, na osobnej liście "check_required". Źródła: [dane]
Potężny monit definiuje schemat docelowy, regułę jednostki, słownik dopasowywania i oddzielny segment dla niejednoznaczności. Dlatego zamiast zgadywać, sztuczna inteligencja dostarcza informacje tam, gdzie jest niezdecydowana.
Cztery szablony do kopiowania
1) Mapowanie do schematu docelowego:
Zamapuj następujące surowe dane na następujący schemat: [kolumny + jednostki]. Pokaż w tabeli, do której kolumny docelowej przypisane są poszczególne kolumny źródłowe. Jeżeli nie jesteś pewien, użyj znaku „?” Zaznacz za pomocą .
2) Standaryzacja jednostek i identyfikowalność:
Zamień wszystkie jednostki powierzchni na dekary (da). Dodaj kolumnę „conversion_note”; wpisz pierwotną jednostkę i mnożnik dla każdej przeliczonej wartości (np.: „1 ha=10 da”). Pozostaw jednostkę, której nie możesz przekonwertować, tak jak jest i oznacz ją.
3) Skanowanie wartości odstających:
Podaję oczekiwany zakres agronomiczny dla tych kolumn liczbowych: gleba_pH 4-9, azot_kg_da 0-30, plon_kg_da 100-1200. Oznacz każdy wiersz poza zakresem jako „odstający”; NIE ZMIENIAJ SIĘ, tylko pokaż.
4) Projekt regionu zarządzającego:
Analizując poniższe dane przestrzenne dotyczące gleby i żyzności, zasugeruj 2-4 kandydujące obszary zarządzania o podobnych cechach. Dla każdego regionu: zapisz parametry, którymi się rozdzielasz, wartości średnie i limit, który muszę zweryfikować w terenie. Nie rysuj wyraźnych granic; to są projekty.
Tabela porównawcza: rolnictwo klasyczne i precyzyjne
Rozmiar
rolnictwo klasyczne
rolnictwo precyzyjne
jednostka zarządzająca
Całe pole jest jednym
Regiony administracyjne
Dystrybucja wejściowa
Jednolite (stawka ryczałtowa)
Zmienna stawka (VRA)
Źródło danych
obserwacja rolników
czujnik, satelita, dron, maszyna
Podstawa decyzji
Doświadczenie + kalendarz
Doświadczenie + dane + model
Rola sztucznej inteligencji
ograniczone
Konsolidacja danych i projekt propozycji
Ryzyko
Nadmiar/niedobór wkładu
Złe dane → zły region
Typowe błędy
- Niech sztuczna inteligencja zdefiniuje schemat. Jeśli nie określisz docelowych kolumn i jednostek, sztuczna inteligencja za każdym razem utworzy inną strukturę i porównanie stanie się niemożliwe.
- Brak śledzenia jednostek. Jeśli nie zarejestrujesz, która wartość została przetłumaczona, nie będziesz mógł prześledzić żadnych późniejszych błędów.
- Mylenie danych punktów z danymi mapy. Uogólnienie pojedynczej próbki gleby na cały region powoduje nieprawidłowe narysowanie granicy regionu.
- Pozwól AI wypełnić luki. Wypełnianie brakującej wartości poprzez domysły powoduje fabrykację udającą prawdziwe dane.
- Nie sprawdzanie nazw działek. Niespójne nazwy dzielą obszar i plony, zniekształcając analizę całego sezonu.
Uwaga: AI może zalecić receptę VRA (ile poszło na jaki obszar), ale ostateczna akceptacja należy do inżyniera. Nieprawidłowa granica strefy oznacza podwodność lub zbyt dużo nawozu na danym obszarze.
Podsumowując
Rolnictwo precyzyjne to sztuka zarządzania polem zgodnie z jego wewnętrznymi różnicami i opiera się na dwóch koncepcjach: stosowania zmiennej dawki i stref zarządzania. Podejście to opiera się na danych; Jednak dane rolnicze są rozproszone, obejmują wiele jednostek i wielu źródeł. Sztuczna inteligencja działa w najbezpieczniejszym i najbardziej dochodowym obszarze przekładania tych danych na standardowy schemat – pod warunkiem, że zdefiniujesz docelowy schemat, zachowasz ślad jednostki, nie będziesz uzupełniać luk i każdą transformację przetestujesz na przykładzie. Czyste i ujednolicone dane stanowią solidną podstawę dla wszystkich kolejnych jednostek (NDVI, gleba, nawadnianie, plon).
Zadanie aplikacji
Pobrać małą próbkę z dwóch różnych źródeł (np. tabeli analizy gleby i zapisu plonów/nawozów); nazwy jednostek i działek są celowo różne. Połącz sztuczną inteligencję z szablonami „mapowania do schematu docelowego” i „standaryzacji jednostek” z tej jednostki. Następnie ręcznie sprawdź 5 wierszy: czy konwersje jednostek są prawidłowe, czy paczki są zgodne, czy brakujące wartości są uzupełnione domysłami? Zanotuj każdy znaleziony błąd i zasadę, którą naruszyła sztuczna inteligencja.
lista kontrolna
- [ ] Zdefiniowałem schemat docelowy (kolumny + jednostki) przed przekazaniem go AI.
- [ ] Przekonwertowałem wszystkie jednostki na jeden standard i zachowałem ścieżkę konwersji.
- [ ] Porównałem rozbieżności w nazwach działek ze słownikiem i zweryfikowałem powierzchnię całkowitą.
- [ ] Przeszukałem wartości odstające pod kątem zakresu agronomicznego; Nie zmieniłem tego i zaznaczyłem.
- [ ] Oddzieliłem dane punktowe od danych mapowych; Nie wypełniałem pustych miejsc domysłami.