Dobički:
- Sposobnost razlage logike preciznega kmetijstva in osnovnih konceptov, kot so spremenljive količine uporabe in območja upravljanja.
- Sposobnost preoblikovanja razpršenih podatkov o polju, senzorjih in strojih v čiste, standardne in sestavljive tabele z AI
- Sposobnost razumevanja prostorskih (koordiniranih) podatkov in preverjanja rezultatov umetne inteligence na ravni parcele in območja upravljanja
Klasično poljedelstvo upravlja polje kot celoto, ki se obnaša na en in edini način: isto gnojilo, ista voda, isti pesticid za celotno parcelo. Medtem ko so tla na enem koncu istega polja lahko ilovnata in zadržujejo vodo, je lahko drugi konec peščen in hitro izgublja vodo; Vogal je lahko hladen in vlažen, ker je nizek, medtem ko je pobočje lahko vroče in suho, ker je obrnjeno proti jugu. Precizno kmetijstvo je pristop, katerega cilj je razdeliti polje na regije glede na te notranje razlike in dati vsaki regiji toliko vnosa, kot ga potrebuje. Cilj je preprost, a učinek velik: na pravo mesto, ob pravem času, v pravi količini. Ta enota razlaga logiko preciznega kmetijstva in kako narediti kmetijske podatke, ki hranijo to logiko, organizirane, zanesljive in sestavljive z umetno inteligenco.
V središču preciznega kmetijstva sta dva koncepta. Prva je variabilna količina vnosa (VRA): traktor ali oprema samodejno spremeni količino gnojila, semena ali vode glede na lokacijo njive. Drugo je cona upravljanja: gre za razdelitev njive na poddele, ki imajo podobne značilnosti tal in produktivnosti in jih je mogoče upravljati ločeno. Umetna inteligenca se dotika obeh konceptov: pomaga definirati cone s kombiniranjem razpršenih podatkov in predlaga osnutke predpisov za vsako cono. Inženir, ki pozna področje, je tisti, ki na koncu potrdi regionalno mejo in predpis.
Narava kmetijskih podatkov: zakaj so neurejeni?
Na kmetiji podatki prihajajo iz več deset neznanih virov in nobeden od njih ne govori istega jezika kot drugi. Laboratorij za tla pošlje Excel; Kombajn shrani zemljevid pridelka v drugi obliki; senzor vlažnosti ustvari urni CSV; dron oddaja JPEG in koordinatno datoteko; Zabeležke kmeta so bile ročno napisane v zvezek. Enote teh podatkov so različne (kg/da, kg/ha, ppm, %), formati datumov so različni, lokacijski sistemi so različni in pogosto so imena proizvodov/parcel nedosledna ("Stream field", "dere parcela", "Plot-7" je lahko isti kraj). Pred umetno inteligenco je bilo to kombinirano delo najbolj nadležen in dolgotrajen del inženirja.
Tu nastopi umetna inteligenca in deluje točno tam, kjer je najbolj varno: prevajanje podatkov v standardno shemo (tj. skupno strukturo stolpcev in enot). Vendar bodite previdni: umetna inteligenca se lahko zmoti pri pretvorbi enot in ta napaka bo tiho uničila celotno analizo. Torej je zlato pravilo pri strukturiranju podatkov ročno preverjanje vsake transformacije z majhnim vzorcem.
Namig: preden podate podatke v AI, sami določite ciljno shemo: kateri stolpci, katere enote, kateri format datuma. Umetni inteligenci povedati, naj to »prevede v tisti diagram«, je veliko bolj zanesljivo kot reči, naj »razporedi te podatke«.
Razumevanje prostorskih podatkov
Večina kmetijskih podatkov je prostorskih: vsaka meritev ima koordinato. Vzorec tal je povezan z lokacijo, kot je "Parcela-3, severozahodni kot, 39,12 S / 32,45 V". Te koordinate so običajno podane v metričnem sistemu, imenovanem zemljepisna širina/dolžina (WGS84) ali UTM. Pri interpretaciji prostorskih podatkov pri delu z umetno inteligenco bodite pozorni na tri stvari: ali je koordinatni sistem skladen, ali so vzorčne točke dovolj razpršene, da predstavljajo polje, in ali se vrednost točke nanaša na celotno regijo ali samo na to točko. Kartografski podatki, kot je NDVI, pokrivajo vsak kvadratni meter polja; Vzorec tal predstavlja samo točko, kjer je bil odvzet. Zamešavanje tega razlikovanja bi povzročilo resne napake pri razlagi.
Trije mini kovčki: po številkah
Primer 1 – Prihranek časa pri montaži. Inženir je združeval skupno 4200 vrstic podatkov iz 5 različnih virov (zemeljski laboratorij, zemljevid pridelka, senzor, dron, terenski zapiski) v eno samo tabelo; približno 6 ur ročno. Ko smo vnaprej definirali ciljno shemo in dali AI nalogo, da "preslika teh 5 datotek v te stolpce", je prvi osnutek izšel v 25 minutah; Preostali čas je posvetil preverjanju točnosti ujemanja s 40-vrstičnim vzorcem. Skupni čas se je zmanjšal na približno 2 uri.
2. primer – past enote. Karta pridelka je bila v kg/ha, zapis gnojil pa v kg/ha. V prvi kombinaciji je AI oba združil v isti stolpec in zmanjšal pridelek ene parcele za faktor 10 (1 ha = 10 da). Inženir je ujel neskladje, ker se je spomnil dejanskega donosa znane parcele; Preverjanje reda velikosti je pokazalo napako enote.
Primer 3 – Zamenjavanje imena parcele. V treh virih je isto polje omenjeno kot "Dere", "dere_tarla" in "Plot-7". Umetna inteligenca je mislila, da so to tri ločene parcele, in območje razdelila na tri. Ko je inženir ugotovil, da se skupna obdelovalna površina ne ujema z vrednostjo v listini, je definiral ujemajoči se slovar ("ta tri imena = Plot-7") in AI naročil, naj ga ponovno združi.
Šibek poziv / močan poziv
Šibek poziv:
Organizirajte in združite te kmetijske podatke.[datoteke]
Močan poziv:
Vaša vloga: Analitik kmetijskih podatkov. Združite naslednje 4 vire v ENO tabelo. Ciljna shema (ne prekoračite te stolpce in enote): - parcel_id (besedilo), datum (LLLL-MM-DD), izdelek (besedilo), - soil_pH (število), nitrogen_kg_da (kg/da), yield_kg_da (kg/da), vlage_percentage (%) Pravila: - Pretvorite vse enote gnojila/donosa v kg/da; Označite vsako vrstico, ki jo prevajate.- Povežite imena parcel s slovarjem, ki sem ga dal: {"dere":"P7","dere_field":"P7"}.- Pustite manjkajočo vrednost PRAZNO, izpolnite jo z ugibanjem.- Vrstice, ki jih ne morete prevesti ali so nejasne, postavite na ločen seznam "check_required". Viri:[podatki]
Zmogljiv poziv definira ciljno shemo, pravilo enote, ujemajoči se slovar in ločeno vedro za dvoumnost. Tako vam umetna inteligenca namesto ugibanja posreduje, če ni odločena.
Štiri kopirane predloge
1) Preslikava v ciljno shemo:
Preslikaj naslednje neobdelane podatke v naslednjo shemo: [stolpci + enote]. V tabeli pokažite, kateri ciljni stolpec preslika posamezni izvorni stolpec. Če niste prepričani, uporabite "?" Označi z.
2) Standardizacija enote in sledljivost:
Pretvorite vse površinske enote v dekare (da). Dodajte stolpec »conversion_note«; za vsako pretvorjeno vrednost zapišite izvirno enoto in množitelj (npr.: "1 ha=10 da"). Enoto, ki je ne morete pretvoriti, pustite tako, kot je, in jo označite.
3) Skeniranje izstopajočih vrednosti:
Navajam pričakovano agronomsko območje za te številčne stolpce: soil_pH 4-9, nitrogen_kg_da 0-30, yield_kg_da 100-1200. Vsako vrstico zunaj obsega označite kot "izstopajočo"; NE SPREMENI, samo pokaži.
4) Osnutek regije upravljanja:
Z ogledom prostorskih podatkov o tleh in rodovitnosti spodaj predlagajte 2-4 možna območja upravljanja s podobnimi lastnostmi. Za vsako regijo: zapišite parametre, ki ste jih ločili, povprečne vrednosti in mejo, ki jo moram preveriti v polju. Ne postavljajte jasnih meja; to so osnutki.
Primerjalna tabela: klasično in natančno kmetovanje
Velikost
klasično poljedelstvo
precizno kmetijstvo
enota upravljanja
Celotno polje je eno
Upravne regije
Porazdelitev vnosa
Enotna (pavšalna)
Spremenljiva stopnja (VRA)
Vir podatkov
opazovanje kmeta
senzor, satelit, dron, stroj
Osnova odločitve
Doživetje + koledar
Izkušnje + podatki + model
Vloga AI
omejeno
Konsolidacija podatkov in osnutek predloga
Tveganje
Presežek/premalo vnosa
Napačni podatki → napačna regija
Pogoste napake
- Naj AI definira shemo. Če ne določite ciljnih stolpcev in enot, bo AI vsakič ustvaril drugačno strukturo in primerjava postane nemogoča.
- Ne spremljanje enot. Če ne zabeležite, katera vrednost je bila prevedena, ne morete izslediti kasnejših napak.
- Podatki o točkah se zamenjujejo s podatki zemljevida. Posploševanje enega vzorca tal na celotno regijo nepravilno nariše mejo regije.
- Naj AI zapolni vrzeli. Zapolnitev manjkajoče vrednosti z ugibanjem povzroči izmišljotino, ki se maskira kot resnične podatke.
- Ne preverjam imen parcel. Neskladna imena ločujejo površino in pridelek, kar izkrivlja analizo celotne sezone.
Pozor: AI lahko priporoči recept VRA (koliko je šlo na katero področje), vendar končna odobritev pripada inženirju. Nepravilna meja cone pomeni podvodnost ali preveč gnojila na območju.
Če povzamem
Precizno kmetijstvo je umetnost upravljanja njive glede na njene notranje razlike in temelji na dveh konceptih: variabilna količina uporabe in območja upravljanja. Ta pristop temelji na podatkih; Toda kmetijski podatki so razpršeni, sestavljeni iz več enot in virov. Umetna inteligenca deluje na najvarnejšem in najdonosnejšem področju prevajanja teh podatkov v standardno shemo – dokler definirate ciljno shemo, obdržite sled enote, ne zapolnite vrzeli in preizkusite vsako transformacijo s primerom. Čisti in enotni podatki so trdna osnova za vse nadaljnje enote (NDVI, tla, namakanje, pridelek).
Aplikacijska naloga
Vzemite majhen vzorec iz dveh različnih virov (npr. tabela za analizo tal in zapis o donosu/gnojilu); enote in imena parcel namenoma razlikujejo. Združite AI s predlogama »preslikava v ciljno shemo« in »standardizacija enote« iz te enote. Nato ročno preverite 5 vrstic: ali so pretvorbe enot pravilne, ali so parcele pravilne, ali so manjkajoče vrednosti izpolnjene z ugibanjem? Zabeležite si vsako napako, ki jo najdete, in katero pravilo je umetna inteligenca kršila.
kontrolni seznam
- [] Definiral sem ciljno shemo (stolpci + enote), preden sem jo dal AI.
- [ ] Vse enote sem pretvoril v en sam standard in ohranil pretvorbeno sled.
- [ ] Razlike med imeni parcel sem primerjal s slovarjem in preveril skupno površino.
- [ ] Pregledal sem odstopanja z agronomskim razponom; Nisem ga spremenil in označil.
- [ ] Ločil sem podatke o točkah in podatke zemljevida; Nisem zapolnila praznin z ugibanji.