ලාභ:
- අස්වැන්න පුරෝකථනය කිරීමේදී භාවිතා කරන දත්ත මූලාශ්ර සහ යන්ත්ර ඉගෙනීම සහ යාන්ත්රික ආකෘති අතර වෙනස පැහැදිලි කිරීමේ හැකියාව
- AI සමඟ අස්වැන්න අනාවැකි සැකසීම, විශේෂාංග සහ අවිනිශ්චිතතා පරාසය වින්යාස කිරීමේ හැකියාව
- ඓතිහාසික අස්වැන්න, මිණුම් ලකුණ සහ ක්ෂේත්ර මිනුම් සමඟ ආදර්ශ නිමැවුම සත්යාපනය කිරීමේ හැකියාව සහ අධි විශ්වාසය වැළැක්වීම
"මට මේ ක්ෂේත්රයෙන් කොපමණ භාණ්ඩයක් ලැබේවිද?" කෘෂිකර්මාන්තයේ පැරණිතම සහ වටිනාම ප්රශ්නය මෙයයි. නිවැරදි පිළිතුර දැන ගැනීම; එයින් අදහස් කරන්නේ අස්වැන්න සේවකයා, ගබඩාව, ප්රවාහනය, විකුණුම් කොන්ත්රාත්තුව සහ මූල්යකරණය සැලසුම් කිරීමයි. එය වැරදි ලෙස දැන ගැනීම යනු සම්පත් නාස්ති කිරීම හෝ තබා ගැනීමට නොහැකි වීමයි. කෘත්රිම බුද්ධිය සහ යන්ත්ර ඉගෙනීම (ML, දත්තවල රටා ඉගෙන ගන්නා සහ නව තත්ත්වයන් පුරෝකථනය කරන ක්රමයක්) මෙම ප්රශ්නයට ප්රබල නමුත් භයානක ඒත්තු ගැන්වෙන පිළිතුරු නිපදවිය හැක. මෙම ඒකකය ඔබට අස්වැන්න පුරෝකථනය කිරීමේ දත්ත මූලාශ්ර, මූලික ප්රවේශයන් දෙක අතර වෙනස, යන්ත්ර ඉගෙනීම සහ යාන්ත්රික ආකෘති, අනාවැකියේ ඇති අවිනිශ්චිතතා පරාසය, සහ - වඩාත් වැදගත් ලෙස - අධි විශ්වාසය වළක්වා ගන්නේ කෙසේද යන්න ඔබට උගන්වයි.
කාර්යක්ෂමතාව රඳා පවතින්නේ කුමක් මතද? යෙදවුම්
අස්වැන්න එක් දෙයක් මත පමණක් රඳා නොපවතී; බොහෝ සාධකවල නිෂ්පාදනයකි. ප්රධාන ආදාන මූලාශ්ර:
- ශාක තත්ත්වය: NDVI/NDRE කාල ශ්රේණිය (ජෛව ස්කන්ධ සංවර්ධනය) සමය පුරා, ශාක ඝනත්වය, සෞඛ්යය.
- පස: pH, OM, KDK, ජලය රඳවා තබා ගැනීම, කළමනාකරණ කලාපය.
- කාලගුණය/දේශගුණය: GDD සමුච්චය වීම, තීරණාත්මක කාලපරිච්ඡේද වර්ෂාපතනය සහ උෂ්ණත්වය, තුහින / හිම කැට සිදුවීම්.
- කළමනාකරණය: විවිධත්වය, රෝපණ දිනය, පොහොර ප්රමාණය සහ වාරිමාර්ග, ඉසීම.
- ඉතිහාසය: එකම ක්ෂේත්රයේ පෙර වසරේ අස්වැන්න (ප්රබලම තනි දර්ශක වලින් එකකි).
AI මෙම යෙදවුම් (විශේෂාංග) ඒකාබද්ධ කර අනාවැකියක් නිපදවයි. නමුත් අමතක නොකළ යුතු දේ: ආකෘතිය දන්නේ එය පෝෂණය වන දත්ත සහ එම දත්තවල එය දකින රටා පමණි. ඔබ ඔක්තෝබර් දිනය ලබා නොදෙන්නේ නම්, එය එම සාධකය නොසලකා හරිනු ඇත.
ප්රවේශ දෙකක්: යන්ත්ර ඉගෙනීම එදිරිව යාන්ත්රික ආකෘතිය
යන්ත්ර ඉගෙනීමේ ආකෘතිය පසුගිය වසරවල "මෙම තත්වයන් තුළ අස්වැන්න මෙයයි" උදාහරණ වලින් සංඛ්යාන රටා ඉගෙන ගනී. එහි ශක්තිය: බොහෝ විචල්යයන් සහ සංකීර්ණ සම්බන්ධතා අල්ලා ගනී. දුර්වලතාවය: පුහුණු දත්ත ඉක්මවා ගිය විට විශ්වාසය බිඳ වැටේ (නව විවිධත්වය, පෙර නොවූ විරූ නියඟය, විවිධ කලාපය); ඇයි ("කළු පෙට්ටිය") පැහැදිලි කිරීමට අරගල කරයි.
යාන්ත්රික (ක්රියාවලිය මත පදනම් වූ) ආකෘතිය ශාක වර්ධන කායික විද්යාව සමීකරණ (ප්රභාසංස්ලේෂණය, ජල පෝෂක සමතුලිතතාවය) සමඟ අනුකරණය කරයි. ශක්තීන්: වඩා විශ්වාසදායක, නව තත්වයන් තුළ පැහැදිලි කළ හැකිය. දුර්වලතාවය: බොහෝ ආදාන සහ ක්රමාංකනය අවශ්ය වේ, සැකසීමට අපහසුය.
ප්රායෝගිකව මේ දෙක ඒකාබද්ධ වන අතර ක්ෂේත්ර මැනීම මගින් දෙකම සත්යාපනය කෙරේ. කෘතිම බුද්ධිය ප්රවේශ දෙකෙහිම සැකසීම, විශේෂාංග සහ වාර්තා කිරීම වේගවත් කරයි.
ප්රමාණය
යන්ත්ර ඉගෙනීම
යාන්ත්රික ආකෘතිය
මූලික
ඓතිහාසික දත්ත රටාව
කායික විද්යා සමීකරණ
නව තත්ත්වය
දුර්වල (පිටකිරීමේ අවදානම)
වඩා ශක්තිමත්
පැහැදිලි කිරීමේ හැකියාව
අඩු (කළු පෙට්ටිය)
ඉහළ
දත්ත අවශ්යතාවය
දිගු අතීත උදාහරණයක්
බහු පරාමිති / ක්රමාංකනය
AI හි කාර්යභාරය
විශේෂාංග+ආදර්ශ ප්රබන්ධ
ඇතුල්වීමේ සූදානම, අදහස් දැක්වීම
ඉඟිය: අස්වැන්න පුරෝකථනයක් විශ්වාස කිරීමට පෙර, අසන්න: "මෙම වසරේ කොන්දේසි ආකෘතිය ඉගෙන ගත් අතීතයට සමානද?" අසාමාන්ය නියඟයක්, නව ප්රභේදයක් හෝ වෙනත් කලාපයක් ML ඇස්තමේන්තුව විශ්වාස කළ නොහැකි කරයි. එවැනි අවස්ථාවලදී, අවිනිශ්චිතතා පරාසය පුළුල් කරන්න.
අවිනිශ්චිතතා පරාසය: අන්තරාලය සහ ලකුණු නොවන්නේ ඇයි?
හොඳ අස්වැන්නක් ඇස්තමේන්තුවක් "620 kg per decare" යනුවෙන් නොකියයි; ඔහු පවසන්නේ "ඩීකෙයාර් එකකට 560-680 kg, වඩාත්ම සම්භාවිතාව 620, විශ්වාසය මධ්යම වේ." මන්ද අනාගතය අවිනිශ්චිත වන අතර ඔත්තේ සංඛ්යාවක් ව්යාජ නිශ්චිතතාවයක් ඇති කරයි. දෙසැම්බර්; එය අවස්ථා (නරක/මධ්යම/හොඳ) සැකසීමට සහ සැලසුම් කිරීමේදී අවදානම් කළමනාකරණය කිරීමට ඉඩ සලසයි. AI පුරෝකථනය කිරීමේදී සෑම විටම පරාසය සහ විශ්වාස මට්ටම ඉල්ලා සිටින්න; ඔත්තේ අංකයක් ලබා දෙන ආකෘතියක් ගැන සැක කරන්න.
කුඩා අවස්ථා තුනක්: අංක අනුව
නඩුව 1 - අන්තර සැලසුම් කිරීම. තිරිඟු නිෂ්පාදකයෙකු තනි ලක්ෂ්ය ඇස්තමේන්තුවක් මත පදනම්ව අස්වනු නෙලීමේ ශ්රමය සහ ප්රවාහනය සංවිධානය කර ඇත (එක් ඩෙකෙක් එකකට කිලෝග්රෑම් 500). AI-සහාය දක්වන මාදිලිය 430-560 kg සහ "විවේචනාත්මක කාලපරිච්ඡේද වර්ෂාපතනයට සංවේදී" ශ්රේණිගත කිරීමක් ලබා දුන් විට, නිෂ්පාදකයා නම්යශීලී සේවක සැලැස්මක් සාදන ලදී. සැබෑ බර කිලෝ ග්රෑම් 445 කි; දෘඩ සැලසුම් කිරීම බොහෝ වියදම් නිර්මාණය කළ හැකි වුවද, පරතරය ඉතිරි කිරීම නම්යශීලී බවකි.
නඩුව 2 - නිස්සාරණ උගුල. එක් ආකෘතියක් පෙර නොවූ විරූ දරුණු නියඟ වසරක් තුළ ඓතිහාසික දත්ත මත පදනම්ව ඉහළ අස්වැන්නක් පුරෝකථනය කළේය. පුහුණු දත්ත වලට පරිබාහිර කොන්දේසි බව ඉංජිනේරුවරයා වටහා ගත් අතර අනාවැකිය ප්රතික්ෂේප කර ක්ෂේත්ර මිනුම් වෙත ආපසු ගියේය (ශාක ඝනත්වය, කන් ගණන). නිරූපිකාවට තනිවම සවන් දුන්නේ නම් එය බරපතල සැලසුම් දෝෂයක් වනු ඇත.
3 වන අවස්ථාව - විශේෂාංගය මග හැරී ඇත. එක් ඇස්තමේන්තුවක් බලාපොරොත්තු වූවාට වඩා වැඩි විය; පරීක්ෂා කළ විට පෙනුණේ මොඩලයට හිම කැට සිදුවීමක් ඇතුළු වී නැති බවයි. ආදානය අවසන් වූ පසු, අනාවැකිය යථාර්ථවාදීව වැටුණි. පාඩම: ආකෘතිය දන්නේ ඔබ දෙන තරමට පමණි; තීරණාත්මක සිදුවීමක් අමතක කිරීම ඇස්තමේන්තුව පුම්බා ඇත.
දුර්වල ක්ෂණික / ශක්තිමත් ක්ෂණික
දුර්වල ක්ෂණික:
මෙම ක්ෂේත්රයෙන් මට කොපමණ අස්වැන්නක් ලැබේද? මට නම්බර් එකක් දෙන්න.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: කෘෂිකාර්මික දත්ත විශ්ලේෂක. අස්වැන්න පුරෝකථනය සඳහා ප්රවේශයක් සැලසුම් කරන්න (ආකෘති ගොඩනැගීම නොව, ප්රබන්ධ සහ අර්ථ නිරූපණය). මා සතුව යෙදවුම් තිබේ: [NDVI මාලාව, පස, GDD, රෝපණ දිනය, ඓතිහාසික අස්වැන්න...]. කාර්යය:- මා භාවිතා කළ යුත්තේ කුමන අංගයන්ද, වඩාත්ම තීරණාත්මක ඒවාද යන්න පැහැදිලි කරන්න, - ඇස්තමේන්තුව INTERVAL සහ විශ්වාසනීය මට්ටමක් ලෙස ඉල්ලන්න, POINT ලෙස නොවේ.- මෙම වසරේ කොන්දේසි අතීතයට සමානද; පිටකිරීමේ අවදානමක් තිබේදැයි තක්සේරු කරන්න. - අතුරුදහන් විය හැකි තීරණාත්මක යෙදවුම් (හිම වැසි, හිම, රෝග) ගැන විමසන්න. - ඇස්තමේන්තුගත ක්ෂේත්ර මැනීම (කන්/පළතුරු ගණන) සත්යාපනය කරන්නේ කෙසේදැයි ලියන්න.
ප්රබල ප්රවේසමෙන් පරතරය, පිටකිරීම් පරීක්ෂා කිරීම, නැතිවූ ආදාන හඳුනාගැනීම සහ ක්ෂේත්ර සත්යාපනය බලාත්මක කරයි.
පිටපත් කළ හැකි සැකිලි හතරක්
1) විශේෂාංග ප්රමුඛතාවය:
පහත නිෂ්පාදන සඳහා අස්වැන්න ඇස්තමේන්තු කිරීමට භාවිතා කළ හැකි ලක්ෂණ නිර්ණය කිරීමේ අනුපිළිවෙලට ලැයිස්තුගත කරන්න; එක් එක් වැදගත් වන්නේ මන්දැයි කෙටියෙන් පැහැදිලි කරන්න. මා සතුව නැති නමුත් වටිනා දත්ත වෙන වෙනම සලකුණු කරන්න.
2) අවිනිශ්චිතතා පරාසය:
මෙම ඇස්තමේන්තුව ලක්ෂ්යයක් ලෙස නොව, පහළ-ඉහළ පරාසයක් සහ විශ්වාස මට්ටමක් (ඉහළ/මධ්යම/පහළ) ලෙස දෙන්න. පරාසය පටු සහ පුළුල් කරන සාධක ලියන්න.
3) නිස්සාරණ පරීක්ෂාව:
සාමාන්ය පසුගිය වසර සමඟ මෙම වසරේ තත්වයන් (කාලගුණය, විවිධත්වය, කළමනාකරණය) සසඳන්න. ආකෘතිය පුහුණු දත්ත වලින් බැහැර වේද? එසේ නම්, මම අනාවැකිය කොපමණ විශ්වාස කළ යුතුද?
4) ක්ෂේත්ර සත්යාපන සැලැස්ම:
අස්වැන්න නෙළීමට පෙර ක්ෂේත්රයේ මෙම අස්වැන්න ඇස්තමේන්තුව සත්යාපනය කිරීම සඳහා කුමන මිනුම (කෙතකට කන්/පලතුරු ගණන, ධාන්ය බර) ගන්නේ කෙසේද? නියැදි සැලැස්ම යෝජනා කරන්න.
පොදු වැරදි
- තනි අංකයක් විශ්වාස කිරීම. ලක්ෂ්ය ඇස්තමේන්තුවක් යනු ව්යාජ නිරවද්යතාවයකි; පරාසය සහ විශ්වාස මට්ටම සඳහා විමසන්න.
- Extrapolation නොසලකා හැරීම. අසාමාන්ය වසරක ML ඇස්තමේන්තුව විශ්වාස කළ නොහැකි ය; තත්වය අතීතය සමඟ සසඳන්න.
- විවේචනාත්මක ආදානය අමතක වීම. ඔබ හිම කැට, හිම සහ රෝග වැනි සිදුවීම් ඇතුළත් නොකරන්නේ නම්, අනාවැකිය පුම්බනු ඇත.
- ක්ෂේත්රයට ආකෘතිය වසා දැමීම. කරල්/පළතුරු ගණන් කිරීම වැනි සෘජු මිනුම් අවසාන නැංගුරම වේ; එය මඟ හරින්න එපා.
- කළු පෙට්ටිය අන්ධ ලෙස විශ්වාස කිරීම. හේතුව පැහැදිලි කළ නොහැකි අනාවැකියක් ප්රශ්න කිරීමකින් තොරව තීරණයක් නොවිය යුතුය.
අවවාදයයි: අස්වැන්න පුරෝකථනය මූල්ය සහ මෙහෙයුම් තීරණ (කොන්ත්රාත්, ණය, සේවක) අවුලුවයි. ඕනෑවට වඩා ශුභවාදී පුරෝකථනයක් මත පදනම් වූ කැපවීමක් එය සැබෑ නොවන්නේ නම් බරපතල හානියක් සිදු කරයි. ඇස්තමේන්තුව හැකියාවන් පරාසයක් ලෙස ඉදිරිපත් කරන්න සහ සුපරීක්ෂාකාරී තත්ත්වය මත පදනම්ව තීරණාත්මක කැපවීම් කරන්න.
සාරාංශයක් ලෙස
අස්වැන්න පුරෝකථනය බොහෝ යෙදවුම් (ශාක, පස, කාලගුණය, කළමනාකරණය, ඉතිහාසය) එකතුවකි. යන්ත්ර ඉගෙනීම සංකීර්ණ රටා ග්රහණය කරයි, නමුත් එය පුහුණු දත්ත ඉක්මවා ගිය විට එහි විශ්වාසය බිඳ වැටේ; යාන්ත්රික ආකෘතිය නව තත්ත්වය තුළ වඩාත් විශ්වසනීය වන නමුත් ස්ථාපිත කිරීමට අපහසු වේ. කෘතිම බුද්ධිය ප්රවේශයන් දෙකේම ඉදිකිරීම් වේගවත් කරයි. හොඳ ඇස්තමේන්තුවක් යනු විරාමයක් මිස ලක්ෂ්යයක් නොවේ, එය විශ්වාස මට්ටමක් සමඟ ඉදිරිපත් කර, පිටකිරීමේ අවදානම සඳහා පරීක්ෂා කර, ක්ෂේත්ර මැනීම මගින් තහවුරු කරයි. අධික විශ්වාසය යනු වඩාත්ම මිල අධික වැරැද්දයි; අනාවැකියක් යනු හැකියාවක් මිස කැපවීමක් නොවේ.
යෙදුම් කාර්යය
බෝගයක් සඳහා ඔබට ඇති (නියෝජිත) යෙදවුම් ලැයිස්තුගත කරන්න: වසර කිහිපයක ඓතිහාසික අස්වැන්නක්, NDVI ප්රවණතාවක්, රෝපණ දිනය, තීරණාත්මක කාලපරිච්ඡේද වර්ෂාපතනය. මෙම ඒකකයේ "විශේෂාංග ප්රමුඛතා" සහ "අවිනිශ්චිතතා පරතරය" සැකිලි සමඟින් අස්වැන්න පුරෝකථනය කිරීමට AI ලබා ගන්න. ඉන්පසුව හිතාමතාම තීරණාත්මක ආදානයක් (උදාහරණයක් ලෙස, හිම කැට සිදුවීමක්) ඉවත් කර නැවත විමසා අනාවැකිය වෙනස් වන ආකාරය නිරීක්ෂණය කරන්න. අස්වැන්න නෙළීමට පෙර ක්ෂේත්රයේ අනාවැකි සත්යාපනය කරන ආකාරය එක් ඡේදයක ලියන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මට අවශ්ය වූයේ ඇස්තමේන්තුගත ලක්ෂ්යය මිස පරාසය සහ විශ්වාස මට්ටම නොවේ.
- [ ] මම මේ වසරේ කොන්දේසි අතීතය සමඟ සංසන්දනය කර, පිටකිරීමේ අවදානම පරීක්ෂා කළෙමි.
- [ ] විවේචනාත්මක යෙදවුම් (හිම කැට, හිම, රෝග) අතුරුදහන් වී නැති බව මම පරීක්ෂා කළෙමි.
- [ ] මම ඇස්තමේන්තුගත ඓතිහාසික අස්වැන්න සහ මිණුම් ලකුණ සංසන්දනය කළෙමි.
- [ ] මම ක්ෂේත්ර මිනුම් (කන්/පළතුරු ගණන) සමඟ සත්යාපන සැලැස්මක් සකස් කළෙමි.