zisky:
- Schopnosť vysvetliť logiku presného poľnohospodárstva a základné pojmy, ako je aplikácia variabilnej dávky a zóny riadenia.
- Schopnosť transformovať dáta z rozptýleného poľa, senzorov a strojov na čisté, štandardné a zostaviteľné tabuľky pomocou AI
- Schopnosť porozumieť priestorovým (koordinovaným) údajom a overiť výstup AI na úrovni pozemku a oblasti správy
Klasické poľnohospodárstvo obhospodaruje pole ako celok, ktorý sa správa jediným spôsobom: rovnaké hnojivo, rovnaká voda, rovnaký pesticíd pre celý pozemok. Avšak zatiaľ čo pôda na jednom konci toho istého poľa môže byť ílovitá a zadržiava vodu, druhý koniec môže byť piesčitý a rýchlo stráca vodu; Roh môže byť chladný a vlhký, pretože je nízky, zatiaľ čo svah môže byť horúci a suchý, pretože je orientovaný na juh. Presné poľnohospodárstvo je prístup, ktorého cieľom je rozdeliť pole na regióny podľa týchto vnútorných rozdielov a poskytnúť každému regiónu toľko vstupov, koľko potrebuje. Cieľ je jednoduchý, ale dosah je veľký: na správne miesto, v správnom čase a v správnom množstve. Táto jednotka vysvetľuje logiku presného poľnohospodárstva a ako zabezpečiť, aby boli poľnohospodárske údaje, ktoré túto logiku napĺňajú, organizované, spoľahlivé a komponovateľné pomocou umelej inteligencie.
V srdci presného poľnohospodárstva sú dva koncepty. Prvým je aplikácia s variabilnou dávkou (VRA): traktor alebo zariadenie automaticky mení množstvo hnojiva, osiva alebo vody podľa polohy poľa. Druhou oblasťou je hospodárska zóna: je to rozdelenie poľa na podčasti, ktoré majú podobné pôdne a produktívne charakteristiky a možno ich spravovať samostatne. Umelá inteligencia sa dotýka oboch týchto pojmov: pomáha definovať zóny kombináciou rozptýlených údajov a navrhuje návrhy receptov pre každú zónu. Ale inžinier, ktorý sa v odbore vyzná, je ten, kto v konečnom dôsledku schvaľuje regionálnu hranicu a predpis.
Povaha poľnohospodárskych údajov: Prečo sú chaotické?
Na farme pochádzajú údaje z desiatok neznámych zdrojov a žiadny z nich nehovorí rovnakým jazykom ako ten druhý. Pôdne laboratórium pošle excel; Kombajn si uloží mapu výnosov v inom formáte; snímač vlhkosti generuje každú hodinu CSV; výstup z dronu JPEG a súradnicový súbor; Vlastné poznámky farmára boli písané rukou do zošita. Jednotky týchto údajov sú rôzne (kg/da, kg/ha, ppm, %), formáty dátumu sú odlišné, lokalizačné systémy sú odlišné a názvy produktov/pariel sú často nekonzistentné ("Pole prúdu", "dere parcel", "Plot-7" môže byť rovnaké miesto). Pred umelou inteligenciou bola táto kombinovaná práca najnepríjemnejšia a časovo najnáročnejšia časť inžiniera.
Tu vstupuje do hry umelá inteligencia a funguje presne tam, kde je to najbezpečnejšie: prekladá dáta do štandardnej schémy (t. j. spoločnej štruktúry stĺpcov a jednotiek). Ale buďte opatrní: AI môže urobiť chybu pri konverzii jednotiek a táto chyba ticho zničí celú analýzu. Takže zlatým pravidlom pri štruktúrovaní údajov je manuálne overiť každú transformáciu pomocou malej vzorky.
Tip: Pred odovzdaním údajov do AI si sami definujte cieľovú schému: ktoré stĺpce, ktoré jednotky, aký formát dátumu. Povedať AI, aby to „preložila do toho diagramu“, je oveľa spoľahlivejšie, ako povedať, aby „usporiadala tieto údaje“.
Pochopenie priestorových údajov
Väčšina poľnohospodárskych údajov je priestorová: každé meranie má súradnicu. Vzorka pôdy je prepojená s miestom ako "Pozemok-3, severozápadný roh, 39,12 N / 32,45 E". Tieto súradnice sú zvyčajne uvedené v metrickom systéme nazývanom zemepisná šírka/dĺžka (WGS84) alebo UTM. Pri interpretácii priestorových údajov pri práci s AI venujte pozornosť trom veciam: či je súradnicový systém konzistentný, či sú vzorové body dostatočne rozptýlené, aby reprezentovali pole, a či sa hodnota bodu týka celej oblasti alebo len tohto bodu. Mapové údaje ako NDVI pokrývajú každý štvorcový meter poľa; Vzorka pôdy predstavuje iba miesto, kde bola odobratá. Zamieňanie tohto rozlíšenia by viedlo k závažným chybám vo výklade.
Tri mini prípady: Podľa čísel
Prípad 1 - Úspora času pri montáži. Inžinier kombinoval celkovo 4 200 riadkov údajov z 5 rôznych zdrojov (pôdne laboratórium, mapa výnosov, senzor, dron, terénne poznámky) do jednej tabuľky; približne 6 hodín ručne. Keď sme vopred definovali cieľovú schému a dali sme AI úlohu „namapovať týchto 5 súborov do týchto stĺpcov“, prvý návrh vyšiel za 25 minút; Zvyšný čas venoval kontrole presnosti zhody pomocou 40-riadkovej vzorky. Celkový čas klesol na približne 2 hodiny.
Prípad 2 - Jednotková pasca. Výnosová mapa bola v kg/ha a záznam hnojiva bol v kg/ha. V prvej kombinácii AI zoskupil dva do rovnakého stĺpca a podhodnotil výnos jedného pozemku o faktor 10 (1 ha = 10 da). Inžinier zachytil nezrovnalosť, pretože si pamätal skutočný výnos známej parcely; Kontrola rádovej veľkosti odhalila chybu jednotky.
Prípad 3 – Zámena názvu balíka. V troch zdrojoch bolo rovnaké pole uvedené ako „Dere“, „dere_tarla“ a „Plot-7“. AI si myslela, že ide o tri samostatné pozemky a rozdelila oblasť na tri. Keď si inžinier uvedomil, že celková obrábaná plocha nezodpovedá hodnote v listine, definoval zodpovedajúci slovník ("tieto tri mená = Plot-7") a povedal AI, aby sa s ním rekombinovala.
Slabá výzva / silná výzva
Slabá výzva:
Usporiadajte a kombinujte tieto poľnohospodárske údaje.[súbory]
Výkonná výzva:
Vaša úloha: Analytik poľnohospodárskych údajov. Skombinujte nasledujúce 4 zdroje do JEDNEJ tabuľky.Cieľová schéma (neprekračujte tieto stĺpce a jednotky):- parcel_id (text), dátum (RRRR-MM-DD), produkt (text),- soil_pH (číslo), dusík_kg_da (kg/da), výnos_kg_da (kg/da), percento vlhkosti (%) Pravidlá:- Previesť všetky jednotky hnojiva/den; Označte každý riadok, ktorý preložíte.- Porovnajte názvy balíkov so slovníkom, ktorý som dal: {"dere":"P7","dere_field":"P7"}.- Chýbajúcu hodnotu nechajte prázdnu, doplňte ju odhadom.- Riadky, ktoré neviete preložiť alebo sú nejasné, vložte do samostatného zoznamu „vyžaduje sa kontrola“. Zdroje: [údaje]
Výkonná výzva definuje cieľovú schému, jednotkové pravidlo, porovnávací slovník a samostatný segment pre nejednoznačnosť. Umelá inteligencia vám teda namiesto hádania dodáva tam, kde nie je rozhodnuté.
Štyri kopírovateľné šablóny
1) Mapovanie na cieľovú schému:
Mapujte nasledujúce nespracované údaje do nasledujúcej schémy: [stĺpce + jednotky]. Zobrazte v tabuľke, ktorý cieľový stĺpec mapuje každý zdrojový stĺpec. Ak si nie ste istí, použite znak "?" Označte pomocou .
2) Štandardizácia a sledovateľnosť jednotiek:
Preveďte všetky jednotky plochy na decares (da). Pridajte stĺpec „conversion_note“; napíšte pôvodnú jednotku a násobiteľ pre každú prepočítanú hodnotu (napr.: "1 ha=10 da"). Jednotku, ktorú nemôžete previesť, nechajte tak, ako je, a označte ju.
3) Skenovanie odľahlých hodnôt:
Pre tieto číselné stĺpce uvádzam predpokladaný agronomický rozsah: pH pôdy 4-9, dusík_kg_da 0-30, výnos_kg_da 100-1200. Označte každý riadok mimo rozsahu ako „odľahlý“; NEMEŇTE, len ukážte.
4) Návrh regiónu manažmentu:
Pri pohľade na priestorové údaje o pôde a úrodnosti nižšie navrhnite 2-4 kandidátske oblasti manažmentu s podobnými charakteristikami. Pre každý región: zapíšte si parametre, ktorými ste oddelili, priemerné hodnoty a limit, ktorý musím v poli overiť. Nevykresľujte jasné hranice; toto sú koncepty.
Porovnávacia tabuľka: klasické vs precízne poľnohospodárstvo
Veľkosť
klasické poľnohospodárstvo
presné poľnohospodárstvo
riadiacou jednotkou
Celé pole je jedno
Administratívne regióny
Distribúcia vstupu
Uniforma (paušálna sadzba)
Variabilná sadzba (VRA)
Zdroj údajov
farmárske pozorovanie
senzor, satelit, dron, stroj
Rozhodovací základ
Skúsenosti + kalendár
Skúsenosti + údaje + model
Úloha AI
obmedzené
Konsolidácia údajov a návrh návrhu
Riziko
Nadmerný/nedostatočný vstup
Nesprávne údaje → nesprávny región
Časté chyby
- Nechajte AI definovať schému. Ak nešpecifikujete cieľové stĺpce a jednotky, AI vytvorí zakaždým inú štruktúru a porovnanie nebude možné.
- Nesledovanie jednotiek. Ak nezaznamenáte, ktorá hodnota bola preložená, nemôžete spätne vysledovať žiadne následné chyby.
- Chybné údaje bodu s údajmi mapy. Zovšeobecnenie jedinej vzorky pôdy na celý región vykresľuje hranicu regiónu nesprávne.
- Nechajte AI vyplniť medzery. Doplnenie chýbajúcej hodnoty odhadom vytvorí výmysel, ktorý sa vydáva za skutočné údaje.
- Nekontrolujem názvy balíkov. Nejednotné názvy rozdeľujú plochu a výnos, čo skresľuje celú analýzu sezóny.
Upozornenie: AI môže odporučiť predpis VRA (koľko išlo do ktorej oblasti), ale konečné schválenie patrí inžinierovi. Nesprávne ohraničenie zóny znamená pod vodou alebo príliš veľa hnojív v oblasti.
V súhrne
Presné poľnohospodárstvo je umením riadiť pole podľa jeho vnútorných rozdielov a je založené na dvoch konceptoch: variabilná aplikácia a zóny manažmentu. Tento prístup je založený na údajoch; Poľnohospodárske údaje sú však rozptýlené, z viacerých jednotiek az viacerých zdrojov. Umelá inteligencia funguje v najbezpečnejšej a najziskovejšej oblasti prekladu týchto údajov do štandardnej schémy – pokiaľ definujete cieľovú schému, udržiavate stopu jednotky, nevypĺňate medzery a testujete každú transformáciu na príklade. Čisté a jednotné údaje sú pevným základom pre všetky nasledujúce jednotky (NDVI, pôda, závlaha, výnos).
Aplikačná úloha
Odoberte malú vzorku z dvoch rôznych zdrojov (napr. z tabuľky analýzy pôdy a zo záznamu výnosu/hnojiva); názvy jednotiek a parciel sú zámerne odlišné. Skombinujte AI so šablónami „mapovania na cieľovú schému“ a „štandardizácie jednotiek“ z tejto jednotky. Potom manuálne skontrolujte 5 riadkov: sú prevody jednotiek správne, zhody balíkov správne, chýbajúce hodnoty sú vyplnené odhadom? Poznačte si každú chybu, ktorú nájdete a ktoré pravidlo AI porušila.
kontrolný zoznam
- [ ] Pred odovzdaním AI som definoval cieľovú schému (stĺpce + jednotky).
- [ ] Previedol som všetky jednotky na jeden štandard a ponechal som si konverznú stopu.
- [ ] Porovnal som nezrovnalosti v názve parcely so slovníkom a overil som celkovú plochu.
- [ ] Preveril som odľahlé hodnoty s agronomickým rozsahom; Nemenil som a označil.
- [ ] Oddelil som bodové údaje a mapové údaje; Nedopĺňal som prázdne miesta hádaním.