Faida:
- Uwezo wa kueleza vyanzo vya data vinavyotumika katika utabiri wa mavuno na tofauti kati ya ujifunzaji wa mashine na miundo ya kiufundi
- Uwezo wa kusanidi usanidi wa utabiri wa mavuno, huduma na anuwai ya kutokuwa na uhakika na AI
- Uwezo wa kuthibitisha pato la mfano na mavuno ya kihistoria, kipimo na kipimo cha shamba na kuzuia kujiamini kupita kiasi.
"Nitapata bidhaa ngapi kutoka kwa uwanja huu?" Hili ni swali kongwe na muhimu zaidi katika kilimo. Kujua jibu sahihi; Inamaanisha kupanga mfanyakazi wa mavuno, ghala, usafiri, mkataba wa mauzo na ufadhili. Kuijua vibaya inamaanisha kupoteza rasilimali au kutoweza kuendelea. Akili Bandia na kujifunza kwa mashine (ML, mbinu ambayo hujifunza ruwaza katika data na kutabiri hali mpya) inaweza kutoa majibu yenye nguvu lakini yenye hatari kwa swali hili. Kitengo hiki kinakufundisha vyanzo vya data vya utabiri wa mavuno, tofauti kati ya mbinu mbili za msingi, kujifunza kwa mashine na miundo ya kiufundi, aina mbalimbali za kutokuwa na uhakika katika utabiri, na - muhimu zaidi - jinsi ya kuepuka kujiamini kupita kiasi.
Je, Ufanisi Unategemea Nini? pembejeo
Mavuno hayategemei kitu kimoja tu; ni zao la mambo mengi. Vyanzo vikuu vya ingizo:
- Hali ya mmea: Mfululizo wa saa wa NDVI/NDRE (maendeleo ya majani) katika msimu mzima, msongamano wa mimea, afya.
- Udongo: pH, OM, KDK, uhifadhi wa maji, eneo la usimamizi.
- Hali ya hewa/hali ya hewa: Mkusanyiko wa GDD, hali muhimu ya kunyesha katika kipindi na halijoto, matukio ya theluji/mvua ya mawe.
- Usimamizi: Aina mbalimbali, tarehe ya kupanda, kiasi cha mbolea na umwagiliaji, kunyunyizia dawa.
- Historia: Mazao ya mwaka uliopita ya shamba moja (moja ya viashiria vikali zaidi).
AI inachanganya pembejeo hizi (sifa) na kutoa utabiri. Lakini ni nini kisichopaswa kusahaulika: mfano unajua tu data ambayo inalishwa na muundo unaona katika data hiyo. Ikiwa hautatoa tarehe ya Oktoba, itapuuza sababu hiyo.
Mbinu Mbili: Kujifunza kwa Mashine dhidi ya Muundo wa Kimechanisti
Muundo wa kujifunza kwa mashine hujifunza ruwaza za takwimu kutoka kwa mifano ya miaka iliyopita' "hili ndilo tija katika hali hizi". Nguvu zake: hukamata vigezo vingi na mahusiano magumu. Udhaifu: imani huporomoka wakati data ya mafunzo inapitwa (aina mpya, ukame usio na kifani, eneo tofauti); inajitahidi kueleza kwa nini ("sanduku nyeusi").
Muundo wa kimakanika (msingi wa mchakato) huiga fiziolojia ya ukuaji wa mimea kwa milinganyo (usanisinuru, usawa wa virutubishi vya maji). Nguvu: inaaminika zaidi, inaelezewa katika hali mpya. Udhaifu: inahitaji pembejeo nyingi na urekebishaji, ngumu kusanidi.
Katika mazoezi mbili ni pamoja na wote ni kuthibitishwa na kipimo shamba. Upelelezi wa Bandia huharakisha usanidi, vipengele na kuripoti kwa mbinu zote mbili.
Ukubwa
kujifunza mashine
Mfano wa mitambo
Msingi
Muundo wa data wa kihistoria
Milinganyo ya fiziolojia
hali mpya
Dhaifu (hatari ya extrapolation)
nguvu zaidi
Ufafanuzi
Chini (sanduku nyeusi)
juu
Data haja
mfano wa zamani
Multi-parameter/calibration
Jukumu la AI
Kipengele+kielelezo cha kubuni
Maandalizi ya kuingia, maoni
Kidokezo: Kabla ya kuamini utabiri wa mavuno, uliza: "Je, hali za mwaka huu ni sawa na siku zilizopita ambazo mtindo umejifunza kutoka?" Ukame usio wa kawaida, aina mpya, au eneo tofauti hufanya makadirio ya ML kutokuwa ya kuaminika. Katika hali kama hizi, panua safu ya kutokuwa na uhakika.
Safu ya Kutokuwa na uhakika: Kwa nini Muda na Sio Pointi?
Makadirio mazuri ya mavuno haisemi "kilo 620 kwa kutunza"; Anasema "kilo 560-680 kwa decare, kinachowezekana zaidi ni 620, kujiamini ni kati." Kwa sababu siku zijazo hazina uhakika na nambari isiyo ya kawaida hutengeneza uhakika wa uwongo. Desemba; Inawezesha kusanidi hali (mbaya/kati/nzuri) na kudhibiti hatari katika kupanga. Daima omba masafa na kiwango cha kujiamini unapofanya AI kutabiri; Uwe na shaka na mfano unaotoa nambari isiyo ya kawaida.
Kesi Tatu Ndogo: Kwa Nambari
Kesi ya 1 - Upangaji wa muda. Mzalishaji wa ngano alikuwa amepanga kazi ya kuvuna na usafirishaji kulingana na makadirio ya nukta moja (kilo 500 kwa decare). Wakati mtindo unaoungwa mkono na AI ulitoa rating ya kilo 430-560 na "nyeti kwa kipindi muhimu cha mvua", mtengenezaji alifanya mpango rahisi wa mfanyakazi. Uzito halisi ulikuwa kilo 445; Ingawa upangaji madhubuti ungeunda gharama nyingi, nafasi iliokoa unyumbufu.
Kesi ya 2 - Mtego wa kuzidisha. Mtindo mmoja ulitabiri mavuno mengi kulingana na data ya kihistoria wakati wa mwaka wa ukame wa ukali usio na kifani. Mhandisi aligundua kuwa masharti yalikuwa nje ya data ya mafunzo na alikataa utabiri na kurudi kwenye kipimo cha shamba (wiani wa mimea, hesabu ya sikio). Ingekuwa kosa kubwa la kupanga ikiwa mwanamitindo angesikilizwa peke yake.
Kesi ya 3 - Kipengele kinakosekana. Kadirio moja lilikuwa kubwa kuliko ilivyotarajiwa; Ilipochunguzwa, ilionekana kuwa tukio la mvua ya mawe halikuingizwa kwenye mfano. Mara tu pembejeo ilipokamilika, utabiri ulianguka kihalisia. Somo: mfano anajua tu kadri unavyotoa; Kusahau tukio muhimu huongeza makadirio.
Uhamasishaji dhaifu / Uhamasishaji Wenye Nguvu
Agizo dhaifu:
Je! nitapata mavuno kiasi gani kutoka kwa uwanja huu? Nipe namba.
Agizo lenye nguvu:
Jukumu lako: Mchambuzi wa data za Kilimo. BUNI mbinu ya utabiri wa mavuno (sio ujenzi wa kielelezo, lakini hadithi na tafsiri). Nina pembejeo: [Msururu wa NDVI, udongo, GDD, tarehe ya kupanda, mavuno ya kihistoria...]. Kazi:- Eleza ni vipengele vipi nitumie, ambavyo ni vya maamuzi zaidi, - Omba makadirio kama KIPINDI NA kiwango cha kujiamini, si kama HOJA.- Je, hali za mwaka huu zinafanana na zamani; Tathmini ikiwa kuna hatari ya extrapolation. - Uliza kuhusu pembejeo muhimu ambazo zinaweza kukosa (mvua ya mawe, barafu, ugonjwa). - Andika jinsi ya kuthibitisha kipimo cha shamba kilichokadiriwa (hesabu ya sikio/matunda).
Kidokezo chenye nguvu hutekeleza nafasi, ukaguzi wa ziada, ugunduzi wa pembejeo unaokosekana na uthibitishaji wa sehemu.
Violezo Vinne Vinakiliwa
1) Kuweka kipaumbele kwa kipengele:
Orodhesha, kwa mpangilio wa uamuzi, vipengele vinavyoweza kutumika kukadiria mavuno kwa bidhaa ifuatayo; Eleza kwa ufupi kwa nini kila moja ni muhimu. Weka alama kando data ambayo sina lakini itakuwa ya thamani.
2) Kiwango cha kutokuwa na uhakika:
Toa makadirio haya kama alama, lakini kama masafa ya chini-juu na kiwango cha kujiamini (juu/kati/chini). Andika vipengele vinavyopunguza na kupanua safu.
3) ukaguzi wa ziada:
Linganisha hali za mwaka huu (hali ya hewa, aina mbalimbali, usimamizi) na miaka ya kawaida iliyopita. Je, mfano huo hutoka kwenye data ya mafunzo? Ikiwa ndivyo, ninapaswa kuamini utabiri kwa kiasi gani?
4) Mpango wa uthibitishaji wa shamba:
Je, ninawezaje kuchukua kipimo (idadi ya masuke/tunda kwa kila shamba, uzito wa nafaka) ili kuthibitisha makadirio haya ya mavuno shambani kabla ya kuvuna? Pendekeza mpango wa sampuli.
Makosa ya kawaida
- Kuamini nambari moja. Makadirio ya uhakika ni usahihi wa uongo; Uliza anuwai na kiwango cha kujiamini.
- Kupuuza extrapolation. Makadirio ya ML katika mwaka usio wa kawaida sio ya kuaminika; Linganisha hali na siku za nyuma.
- Kusahau pembejeo muhimu. Usipoingiza matukio kama vile mvua ya mawe, barafu na magonjwa, utabiri utaongezeka.
- Kufunga mfano kwenye uwanja. Kipimo cha moja kwa moja kama vile kuhesabu spike/matunda ndio nanga ya mwisho; Usiruke.
- Kuamini kwa upofu kisanduku cheusi. Utabiri ambao sababu yake haiwezi kuelezwa haufai kuwa uamuzi bila kuhojiwa.
Tahadhari: Utabiri wa mavuno huchochea maamuzi ya kifedha na uendeshaji (mkataba, mkopo, mfanyakazi). Kujitolea kulingana na utabiri wa matumaini kupita kiasi husababisha uharibifu mkubwa ikiwa hautatimia. Wasilisha makadirio kama anuwai ya uwezekano na utoe ahadi muhimu kulingana na hali ya tahadhari.
Kwa muhtasari
Utabiri wa mavuno ni mchanganyiko wa pembejeo nyingi (mmea, udongo, hali ya hewa, usimamizi, historia). Kujifunza kwa mashine kunanasa mifumo changamano, lakini imani yake huporomoka inapozidi data ya mafunzo; Mtindo wa mekanika unaaminika zaidi katika hali mpya lakini ni vigumu kuanzisha. Akili ya bandia huharakisha ujenzi wa njia zote mbili. Kadirio nzuri ni muda, si uhakika, unaowasilishwa kwa kiwango cha kujiamini, kilichoangaliwa kwa hatari ya kuzidisha, na kuthibitishwa na kipimo cha uga. Kujiamini kupita kiasi ni kosa la gharama kubwa zaidi; Utabiri ni uwezekano, sio ahadi.
Jukumu la maombi
Orodhesha pembejeo (kiwakilishi) ulichonacho kwa mazao: miaka kadhaa ya mavuno ya kihistoria, mwelekeo wa NDVI, tarehe ya kupanda, mvua za kipindi muhimu. Pata AI itabiri mavuno kwa kutumia violezo vya "vipaumbele vya vipengele" na "pengo la kutokuwa na uhakika" katika kitengo hiki. Kisha uondoe kwa makusudi ingizo muhimu (kwa mfano, tukio la mvua ya mawe) na uulize tena na uangalie jinsi utabiri unavyobadilika. Andika katika aya moja jinsi utakavyothibitisha utabiri shambani kabla ya kuvuna.
orodha ya ukaguzi
- [ ] Nilitaka hatua iliyokadiriwa, si safu na kiwango cha kujiamini.
- [ ] Nililinganisha hali ya mwaka huu na siku za nyuma na kuangalia hatari ya kuhamishwa.
- [ ] Nilikagua kuwa nyenzo muhimu (mvua ya mawe, barafu, ugonjwa) hazikosekani.
- [ ] Nililinganisha makadirio ya mavuno ya kihistoria na kigezo.
- [ ] Niliweka mpango wa uthibitishaji na kipimo cha shamba (hesabu ya sikio/matunda).