ලාභ:
- නිරවද්ය කෘෂිකර්මාන්තයේ තර්කනය සහ විචල්ය අනුපාත යෙදීම් සහ කළමනාකරණ කලාප වැනි මූලික සංකල්ප පැහැදිලි කිරීමේ හැකියාව.
- AI සමඟින් විසිරුණු ක්ෂේත්ර, සංවේදක සහ යන්ත්ර දත්ත පිරිසිදු, සම්මත සහ සංයුක්ත වගු බවට පරිවර්තනය කිරීමේ හැකියාව
- අවකාශීය (සම්බන්ධීකරණ) දත්ත තේරුම් ගැනීමට සහ පාර්සලය සහ කළමනාකරණ ප්රදේශ පරිමාණයෙන් AI ප්රතිදානය සත්යාපනය කිරීමේ හැකියාව
සම්භාව්ය කෘෂිකර්මාන්තය සමස්තයක් ලෙස එකම ආකාරයකින් හැසිරෙන ක්ෂේත්රයක් කළමනාකරණය කරයි: මුළු බිම් කොටසටම එකම පොහොර, එකම ජලය, එකම පළිබෝධනාශක. කෙසේ වෙතත්, එම කෙතෙහිම එක් කෙළවරක පස මැටි විය හැකි අතර ජලය රඳවා තබා ගනී, අනෙක් කෙළවර වැලි සහිත විය හැකි අතර ඉක්මනින් ජලය අහිමි විය හැක; කොනක් අඩු නිසා සිසිල් සහ තෙත් විය හැකි අතර බෑවුමක් දකුණු දෙසට මුහුණලා ඇති නිසා උණුසුම් හා වියලි විය හැක. නිරවද්ය කෘෂිකර්මාන්තය යනු මෙම අභ්යන්තර වෙනස්කම් අනුව ක්ෂේත්රය කලාපවලට බෙදා එක් එක් කලාපයට අවශ්ය ප්රමාණයට යෙදවීම අරමුණු කරගත් ප්රවේශයකි. ඉලක්කය සරල නමුත් බලපෑම විශාලයි: නියම ස්ථානයට, නියම වේලාවට, නියම මුදලට. මෙම ඒකකය නිරවද්ය කෘෂිකර්මයේ තර්කනය සහ මෙම තර්කනය පෝෂණය කරන කෘෂිකාර්මික දත්ත කෘත්රිම බුද්ධිය සමඟ සංවිධානාත්මක, විශ්වාසදායක සහ සංයුක්ත කළ හැකි ආකාරය පැහැදිලි කරයි.
නිරවද්ය කෘෂිකර්මාන්තයේ හදවතේ සංකල්ප දෙකක් තිබේ. පළමුවැන්න විචල්ය අනුපාත යෙදීම (VRA): ට්රැක්ටරය හෝ උපකරණ ක්ෂේත්රයේ පිහිටීම අනුව පොහොර, බීජ හෝ ජලය ප්රමාණය ස්වයංක්රීයව වෙනස් කරයි. දෙවැන්න කළමනාකරණ කලාපයයි: එය සමාන පස සහ ඵලදායිතා ලක්ෂණ ඇති සහ වෙන වෙනම කළමනාකරණය කළ හැකි උප කොටස් වලට ක්ෂේත්රය බෙදීමයි. කෘතිම බුද්ධිය මෙම සංකල්ප දෙකම ස්පර්ශ කරයි: එය විසුරුවා හරින ලද දත්ත ඒකාබද්ධ කිරීමෙන් කලාප නිර්වචනය කිරීමට උපකාරී වන අතර එක් එක් කලාපය සඳහා කෙටුම්පත් වට්ටෝරු යෝජනා කරයි. නමුත් ක්ෂේත්රය දන්නා ඉංජිනේරුවරයා තමයි අවසානයේ ප්රාදේශීය මායිම සහ බෙහෙත් වට්ටෝරුව අනුමත කරන්නේ.
කෘෂිකාර්මික දත්තවල ස්වභාවය: එය අවුල් සහගත වන්නේ ඇයි?
ගොවිපලක, දත්ත දුසිම් ගනනක් නොදන්නා මූලාශ්ර වලින් ලැබෙන අතර, ඔවුන්ගෙන් කිසිවෙක් අනෙකා මෙන් එකම භාෂාව කතා නොකරයි. පාංශු රසායනාගාරය එක්සෙල් යවයි; ඒකාබද්ධ අස්වනු නෙලන යන්ත්රය එහි අස්වැන්න සිතියම වෙනත් ආකෘතියකින් සුරකියි; ආර්ද්රතා සංවේදකය පැයකට CSV ජනනය කරයි; Drone නිමැවුම් JPEG සහ සම්බන්ධීකරණ ගොනුව; ගොවියාගේම සටහන් සටහන් පොතක අතින් ලියා තිබුණි. මෙම දත්තවල ඒකක වෙනස් (kg/da, kg/ha, ppm, %), දින ආකෘති වෙනස්, ස්ථාන පද්ධති වෙනස්, සහ බොහෝ විට නිෂ්පාදන/පාර්සල් නම් නොගැලපේ ("ප්රවාහ ක්ෂේත්රය", "dere parcel", "Plot-7" එකම ස්ථානය විය හැක). කෘතිම බුද්ධියට පෙර, මෙම සංයෝජන කාර්යය ඉංජිනේරුවෙකුගේ වඩාත්ම කරදරකාරී සහ කාලය ගතවන කොටස විය.
කෘතිම බුද්ධිය ක්රියාත්මක වන අතර එය ආරක්ෂිතම තැන හරියටම ක්රියා කරයි: දත්ත සම්මත ක්රමයකට පරිවර්තනය කිරීම (එනම් පොදු තීරු සහ ඒකක ව්යුහයක්). නමුත් ප්රවේශම් වන්න: ඒකක පරිවර්තනය කිරීමේදී AI හට වැරදීමක් සිදු විය හැකි අතර, මෙම වැරැද්ද නිශ්ශබ්දව සමස්ත විශ්ලේෂණය විනාශ කරනු ඇත. එබැවින් දත්ත ව්යුහගත කිරීමේ ස්වර්ණමය රීතිය වන්නේ කුඩා සාම්පලයක් සමඟ එක් එක් පරිවර්තනය අතින් වලංගු කිරීමයි.
ඉඟිය: AI වෙත දත්ත පෝෂණය කිරීමට පෙර, ඔබේ ඉලක්ක ක්රමය ඔබම නිර්වචනය කරන්න: කුමන තීරු, කුමන ඒකක, කුමන දින ආකෘතිය. AI හට “මෙය එම රූප සටහනට පරිවර්තනය කරන්න” යැයි පැවසීම “මෙම දත්ත සකසන්න” යැයි පැවසීමට වඩා විශ්වාසදායකය.
අවකාශීය දත්ත අවබෝධ කර ගැනීම
බොහෝ කෘෂිකාර්මික දත්ත අවකාශීය වේ: සෑම මිනුමකටම ඛණ්ඩාංකයක් ඇත. පාංශු සාම්පලයක් "Plot-3, වයඹ කෙළවර, 39.12 N / 32.45 E" වැනි ස්ථානයකට සම්බන්ධ කර ඇත. මෙම ඛණ්ඩාංක සාමාන්යයෙන් ලබා දෙන්නේ අක්ෂාංශ/දේශාංශ (WGS84) හෝ UTM ලෙස හැඳින්වෙන මෙට්රික් පද්ධතියක ය. AI සමඟ වැඩ කරන විට අවකාශීය දත්ත පරිවර්ථනය කරන විට, කරුණු තුනකට අවධානය යොමු කරන්න: ඛණ්ඩාංක පද්ධතිය අනුකූලද, ක්ෂේත්රය නියෝජනය කිරීමට ප්රමාණවත් නියැදි ලක්ෂ්ය විසිරී තිබේද, සහ ලක්ෂ්යයක අගය මුළු කලාපයටම හෝ එම ලක්ෂ්යයටම අදාළද යන්න. NDVI වැනි සිතියම් දත්ත ක්ෂේත්රයේ සෑම වර්ග මීටරයක්ම ආවරණය කරයි; පාංශු සාම්පලයෙන් නියෝජනය වන්නේ එය ගත් ස්ථානය පමණි. මෙම වෙනස ව්යාකූල කිරීම අර්ථ නිරූපණයේ බරපතල දෝෂ වලට තුඩු දෙනු ඇත.
කුඩා අවස්ථා තුනක්: අංක අනුව
නඩුව 1 - එකලස් කිරීමේදී කාලය ඉතිරි කිරීම. ඉංජිනේරුවෙකු විවිධ මූලාශ්ර 5කින් (පාංශු විද්යාගාරය, අස්වැන්න සිතියම, සංවේදකය, ඩ්රෝන්, ක්ෂේත්ර සටහන්) දත්ත පේළි 4,200ක් එක් වගුවකට ඒකාබද්ධ කරමින් සිටියේය; අතින් පැය 6 ක් පමණ. අපි ඉලක්ක ක්රමය කල්තියා නිර්වචනය කර "මෙම ගොනු 5 මෙම තීරු වෙත සිතියම්ගත කිරීම" AI වෙත ලබා දුන් පසු, පළමු කෙටුම්පත මිනිත්තු 25 කින් නිකුත් විය; ඔහු ඉතිරි කාලය කැප කළේ පේළි 40ක සාම්පලයක් සමඟ ගැළපෙන නිරවද්යතාව පරීක්ෂා කිරීමටය. මුළු කාලය පැය 2ක් පමණ දක්වා අඩු විය.
නඩුව 2 - ඒකක උගුල. අස්වැන්න සිතියම කි.ග්රෑ./හෙක්ටයාරයකින් වූ අතර පොහොර වාර්තාව හෙක්ටයාර්/කි. පළමු සංයෝජනයේ දී, AI විසින් එම තීරු දෙකෙහිම කාණ්ඩගත කර එක් බිම් කොටසක අස්වැන්න 10 (හෙක්ටයාර 1 = 10 da) ගුණයකින් අවතක්සේරු කළේය. දන්නා පාර්සලයක සත්ය අස්වැන්න සිහිපත් වූ නිසා ඉංජිනේරුවාට විෂමතාව හසු විය. විශාලත්වය පරීක්ෂා කිරීමේ අනුපිළිවෙලෙහි ඒකක දෝෂයක් අනාවරණය විය.
නඩුව 3 - පාර්සලයේ නම ව්යාකූලත්වය. මූලාශ්ර තුනක, එකම ක්ෂේත්රය "Dere", "dere_tarla" සහ "Plot-7" ලෙස සඳහන් කර ඇත. AI මේවා වෙනම පාර්සල් තුනක් යැයි සිතූ අතර ප්රදේශය තුනකට බෙදා ඇත. මුළු වගා කරන ලද ප්රදේශය ඔප්පුවේ වටිනාකමට නොගැලපෙන බව ඉංජිනේරුවරයාට වැටහුණු විට, ඔහු ගැලපෙන ශබ්දකෝෂය ("මෙම නම් තුන = Plot-7") නිර්වචනය කර එය සමඟ නැවත ඒකාබද්ධ කරන ලෙස AI ට පැවසීය.
දුර්වල ක්ෂණික / ශක්තිමත් ක්ෂණික
දුර්වල ක්ෂණික:
මෙම කෘෂිකාර්මික දත්ත සංවිධානය කර ඒකාබද්ධ කරන්න.[files]
බලවත් විමසුම:
ඔබේ කාර්යභාරය: කෘෂිකාර්මික දත්ත විශ්ලේෂක. පහත මූලාශ්ර 4 එක වගුවකට ඒකාබද්ධ කරන්න.ඉලක්ක ක්රමය (මෙම තීරු සහ ඒකක වලින් ඔබ්බට නොයන්න):- parcel_id (පෙළ), දිනය (YYYY-MM-DD), නිෂ්පාදන (පෙළ),- පස_pH (අංකය), නයිට්රජන්_kg_da (kg/da), අස්වැන්න_kg_da (සියලු ප්රතිශතය) (සියලු ප්රතිශතය) පොහොර/අස්වැන්න ඒකක kg/da දක්වා; ඔබ පරිවර්තනය කරන සෑම පේළියක්ම සලකුණු කරන්න.- මා ලබා දුන් ශබ්දකෝෂය සමඟ පාර්සලයේ නම් ගළපන්න: {"dere":"P7","dere_field":"P7"}.- නැතිවූ අගය හිස්ව තබන්න, අනුමානයකින් එය පුරවන්න.- ඔබට පරිවර්තනය කළ නොහැකි හෝ අපැහැදිලි රේඛා වෙනම "check_required" ලැයිස්තුවකට දමන්න. මූලාශ්ර:[දත්ත]
බලවත් ප්රේරකය ඉලක්ක ක්රමය, ඒකක රීතිය, ගැළපෙන ශබ්දකෝෂය සහ අපැහැදිලි බව සඳහා වෙනම බාල්දියක් අර්ථ දක්වයි. මේ අනුව, අනුමාන කරනවා වෙනුවට, AI එය තීරණය නොකළ තැන් ඔබට ලබා දෙයි.
පිටපත් කළ හැකි සැකිලි හතරක්
1) ඉලක්ක යෝජනා ක්රමයට සිතියම්ගත කිරීම:
පහත සඳහන් අමු දත්ත පහත යෝජනා ක්රමයට සිතියම්ගත කරන්න: [තීරු + ඒකක]. එක් එක් මූලාශ්ර තීරුව සිතියම්ගත කරන ඉලක්ක තීරුව වගුවක පෙන්වන්න. ඔබට විශ්වාස නැත්නම්, "?" භාවිතා කරන්න සමඟ ලකුණු කරන්න.
2) ඒකක ප්රමිතිකරණය සහ සොයා ගැනීමේ හැකියාව:
සියලුම ප්රදේශ ඒකක decares (da) බවට පරිවර්තනය කරන්න. "conversion_note" තීරුවක් එක් කරන්න; එක් එක් පරිවර්තනය කළ අගය සඳහා මුල් ඒකකය සහ ගුණකය ලියන්න (උදා: "1 ha=10 da"). ඔබට පරිවර්තනය කළ නොහැකි ඒකකය එලෙසම තබා එය සලකුණු කරන්න.
3) පිටත ස්කෑන් කිරීම:
මම මෙම සංඛ්යාත්මක තීරු සඳහා අපේක්ෂිත කෘෂි විද්යාත්මක පරාසය ලබා දෙමි: පස_pH 4-9, නයිට්රජන්_kg_da 0-30, අස්වැන්න_kg_da 100-1200. පරාසයෙන් පිටත සෑම පේළියක්ම "පිටතට" ලෙස සලකුණු කරන්න; වෙනස් නොකරන්න, පෙන්වන්න.
4) කළමනාකරණ කලාප කෙටුම්පත:
පහත අවකාශීය පස සහ සාරවත් දත්ත බැලීමෙන්, සමාන ලක්ෂණ සහිත අපේක්ෂක කළමනාකරණ ක්ෂේත්ර 2-4ක් යෝජනා කරන්න. එක් එක් කලාපය සඳහා: ඔබ විසින් වෙන් කරන ලද පරාමිතීන්, සාමාන්ය අගයන් සහ ක්ෂේත්රයේ මට සත්යාපනය කිරීමට අවශ්ය සීමාව ලියන්න. පැහැදිලි මායිම් අඳින්න එපා; මේවා කෙටුම්පත් වේ.
සංසන්දනාත්මක සටහන: ක්ලැසික් එදිරිව නිරවද්ය ගොවිතැන
ප්රමාණය
සම්භාව්ය කෘෂිකර්මය
නිරවද්ය කෘෂිකර්මය
කළමනාකරණ ඒකකය
මුළු ක්ෂේත්රයම එකයි
පරිපාලන කලාප
ආදාන බෙදා හැරීම
නිල ඇඳුම (පැතලි අනුපාතය)
විචල්ය අනුපාතය (VRA)
දත්ත මූලාශ්රය
ගොවි නිරීක්ෂණ
සංවේදකය, චන්ද්රිකාව, ඩ්රෝන්, යන්ත්රය
තීරණ පදනම
පළපුරුද්ද + දින දර්ශනය
පළපුරුද්ද + දත්ත + ආකෘතිය
AI හි කාර්යභාරය
සීමිතයි
දත්ත ඒකාබද්ධ කිරීම සහ යෝජනා කෙටුම්පත
අවදානම
අතිරික්තය/ආදානය යටතේ
වැරදි දත්ත → වැරදි කලාපය
පොදු වැරදි
- AI හට යෝජනා ක්රමය නිර්වචනය කිරීමට ඉඩ දෙන්න. ඔබ ඉලක්ක තීරු සහ ඒකක සඳහන් නොකරන්නේ නම්, AI සෑම අවස්ථාවකදීම වෙනස් ව්යුහයක් නිපදවන අතර සංසන්දනය කළ නොහැක.
- ඒකක පිළිබඳ වාර්තාවක් තබා නොගැනීම. ඔබ පරිවර්තනය කළේ කුමන අගයද යන්න වාර්තා නොකරන්නේ නම්, ඔබට කිසිදු පසුකාලීන දෝෂයක් නැවත සොයා ගත නොහැක.
- සිතියම් දත්ත සඳහා ලක්ෂ්ය දත්ත වැරදියි. මුළු කලාපයටම තනි පස් සාම්පලයක් සාමාන්යකරණය කිරීමෙන් කලාප මායිම වැරදි ලෙස ඇද දමයි.
- AI හි හිඩැස් පිරවීමට ඉඩ දෙන්න. නැතිවූ අගය අනුමානයකින් පිරවීමෙන් සැබෑ දත්ත ලෙස වෙස්වළාගත් ප්රබන්ධයක් ඇතිවේ.
- පාර්සල් නම් පරීක්ෂා නොකරයි. නොගැලපෙන නම් ප්රදේශය සහ අස්වැන්න බෙදීම, සමස්ත කන්න විශ්ලේෂණය විකෘති කරයි.
අවධානය: AI විසින් VRA බෙහෙත් වට්ටෝරුව නිර්දේශ කළ හැක (කොයි ප්රදේශයට කොපමණ ප්රමාණයක් ගියාද යන්න), නමුත් අවසාන අනුමැතිය ඉංජිනේරුවරයා සතු වේ. වැරදි කලාප සීමාවක් යනු යම් ප්රදේශයක ජලය යට හෝ අධික පොහොර ප්රමාණයකි.
සාරාංශයකින්
නිරවද්ය ගොවිතැන යනු එහි අභ්යන්තර වෙනස්කම් අනුව ක්ෂේත්රය කළමනාකරණය කිරීමේ කලාව වන අතර එය සංකල්ප දෙකක් මත පදනම් වේ: විචල්ය අනුපාත යෙදීම් සහ කළමනාකරණ කලාප. මෙම ප්රවේශය දත්ත මගින් පෝෂණය වේ; නමුත් කෘෂිකාර්මික දත්ත විසුරුවා හරිනු ලැබේ, බහු ඒකක සහ බහු මූලාශ්ර වේ. කෘත්රිම බුද්ධිය ක්රියා කරන්නේ මෙම දත්ත සම්මත ක්රමයකට පරිවර්තනය කිරීමේ ආරක්ෂිතම සහ වඩාත්ම ලාභදායී ක්ෂේත්රය තුළයි - ඔබ ඉලක්ක ක්රමය නිර්වචනය කරන තාක් කල්, ඒකක හෝඩුවාවක් තබා ගන්න, හිඩැස් පුරවන්න එපා සහ එක් එක් පරිවර්තනය උදාහරණයක් සමඟ පරීක්ෂා කරන්න. පිරිසිදු සහ ඒකාබද්ධ දත්ත යනු සියලුම පසුකාලීන ඒකක සඳහා ශක්තිමත් පදනමකි (NDVI, පස, වාරිමාර්ග, අස්වැන්න).
යෙදුම් කාර්යය
විවිධ මූලාශ්ර දෙකකින් කුඩා සාම්පලයක් ගන්න (උදා. පාංශු විශ්ලේෂණ වගුවක් සහ අස්වැන්න/පොහොර වාර්තාවක්); ඒකක සහ පාර්සල් නම් හිතාමතාම වෙනස් වේ. මෙම ඒකකයෙන් "ඉලක්ක ක්රමලේඛනයට සිතියම්ගත කිරීම" සහ "ඒකක ප්රමිතිකරණය" සැකිලි සමඟ AI ඒකාබද්ධ කරන්න. ඉන්පසු පේළි 5 අතින් සත්යාපනය කරන්න: ඒකක පරිවර්තන නිවැරදිද, පාර්සල් ගැලපීම් නිවැරදිද, නැතිවූ අගයන් අනුමානයෙන් පුරවා තිබේද? ඔබ සොයා ගන්නා සෑම දෝෂයක්ම සහ AI උල්ලංඝනය කළ රීතිය සටහන් කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම එය AI වෙත ලබා දීමට පෙර ඉලක්ක ක්රමය (තීරු + ඒකක) නිර්වචනය කළෙමි.
- [ ] මම සියලුම ඒකක තනි ප්රමිතියකට පරිවර්තනය කර පරිවර්තන පථය තබා ගත්තෙමි.
- [ ] මම ශබ්දකෝෂයට එරෙහිව පාර්සලයේ නාම විෂමතා ගළපා මුළු ප්රදේශය සත්යාපනය කළෙමි.
- [ ] මම කෘෂි විද්යාත්මක පරාසයක් සහිත පිටස්තරයන් තිරගත කළෙමි; මම එය වෙනස් කර ලකුණු කර නැත.
- [ ] මම ලක්ෂ්ය දත්ත සහ සිතියම් දත්ත වෙන් කළෙමි; මම අනුමානවලින් හිස් තැන් පුරවා ගත්තේ නැහැ.