துல்லியமான விவசாயம் மற்றும் விவசாயத் தரவுகளின் கட்டமைப்பு

ஆதாயங்கள்:

• துல்லியமான விவசாயத்தின் தர்க்கத்தை விளக்கும் திறன் மற்றும் மாறி விகித பயன்பாடு மற்றும் மேலாண்மை மண்டலங்கள் போன்ற அடிப்படைக் கருத்துகள்.
• AI உடன் சிதறிய புலம், சென்சார் மற்றும் இயந்திரத் தரவை சுத்தமான, நிலையான மற்றும் தொகுக்கக்கூடிய அட்டவணைகளாக மாற்றும் திறன்
• இடஞ்சார்ந்த (ஒருங்கிணைந்த) தரவைப் புரிந்துகொள்ளும் திறன் மற்றும் AI வெளியீட்டை பார்சல் மற்றும் மேலாண்மை பகுதி அளவில் சரிபார்க்கும் திறன்

கிளாசிக்கல் விவசாயம் ஒட்டுமொத்தமாக ஒரு துறையை நிர்வகிக்கிறது, அது ஒரே வழியில் செயல்படுகிறது: முழு நிலத்திற்கும் ஒரே உரம், அதே நீர், அதே பூச்சிக்கொல்லி. இருப்பினும், அதே வயலின் ஒரு முனையில் உள்ள மண் களிமண்ணாகவும், தண்ணீரைத் தக்கவைத்துக்கொள்ளும் அதே வேளையில், மறுமுனை மணலாகவும், விரைவாக நீரை இழந்துவிடும்; ஒரு மூலையில் குளிர்ச்சியாகவும் ஈரப்பதமாகவும் இருக்கலாம், ஏனெனில் அது குறைவாக இருக்கும், அதே சமயம் ஒரு சாய்வு வெப்பமாகவும் உலர்ந்ததாகவும் இருக்கலாம், ஏனெனில் அது தெற்கே உள்ளது. துல்லிய வேளாண்மை என்பது இந்த உள் வேறுபாடுகளுக்கு ஏற்ப புலத்தை பகுதிகளாகப் பிரித்து ஒவ்வொரு பகுதிக்கும் தேவையான அளவு உள்ளீடுகளை வழங்குவதை நோக்கமாகக் கொண்ட அணுகுமுறையாகும். இலக்கு எளிதானது ஆனால் தாக்கம் பெரியது: சரியான இடத்திற்கு, சரியான நேரத்தில், சரியான அளவில். இந்த அலகு துல்லியமான விவசாயத்தின் தர்க்கத்தையும், இந்த தர்க்கத்திற்கு உணவளிக்கும் விவசாயத் தரவை எவ்வாறு ஒழுங்கமைக்க, நம்பகமான மற்றும் செயற்கை நுண்ணறிவுடன் உருவாக்குவது என்பதை விளக்குகிறது.

துல்லியமான விவசாயத்தின் மையத்தில் இரண்டு கருத்துக்கள் உள்ளன. முதலாவது மாறி விகித பயன்பாடு (VRA): டிராக்டர் அல்லது உபகரணங்கள் வயலின் இருப்பிடத்திற்கு ஏற்ப உரம், விதை அல்லது தண்ணீரின் அளவை தானாகவே மாற்றும். இரண்டாவது மேலாண்மை மண்டலம்: இது ஒரே மாதிரியான மண் மற்றும் உற்பத்தித்திறன் பண்புகளைக் கொண்ட துணைப் பகுதிகளாக வயலைப் பிரிப்பது மற்றும் தனித்தனியாக நிர்வகிக்கப்படும். செயற்கை நுண்ணறிவு இந்த இரண்டு கருத்துகளையும் தொடுகிறது: இது சிதறிய தரவுகளை இணைப்பதன் மூலம் மண்டலங்களை வரையறுக்க உதவுகிறது மற்றும் ஒவ்வொரு மண்டலத்திற்கும் வரைவு மருந்துகளை பரிந்துரைக்கிறது. ஆனால் புலம் தெரிந்த பொறியாளர்தான் இறுதியில் பிராந்திய எல்லையையும் மருந்துச் சீட்டையும் அங்கீகரிப்பவர்.

விவசாய தரவுகளின் தன்மை: இது ஏன் குழப்பமாக உள்ளது?

ஒரு பண்ணையில், தரவுகள் டஜன் கணக்கான அறியாத மூலங்களிலிருந்து வருகிறது, மேலும் அவை எதுவும் மற்ற மொழியின் அதே மொழியைப் பேசுவதில்லை. மண் ஆய்வகம் ஒரு எக்செல் அனுப்புகிறது; ஒருங்கிணைந்த அறுவடை இயந்திரம் அதன் மகசூல் வரைபடத்தை மற்றொரு வடிவத்தில் சேமிக்கிறது; ஈரப்பதம் சென்சார் மணிநேர CSV ஐ உருவாக்குகிறது; ட்ரோன் வெளியீடுகள் JPEG மற்றும் ஒருங்கிணைப்பு கோப்பு; விவசாயியின் சொந்த குறிப்புகள் ஒரு குறிப்பேட்டில் கையால் எழுதப்பட்டன. இந்தத் தரவின் அலகுகள் வேறுபட்டவை (kg/da, kg/ha, ppm, %), தேதி வடிவங்கள் வேறுபட்டவை, இருப்பிட அமைப்புகள் வேறுபட்டவை, மேலும் பெரும்பாலும் தயாரிப்பு/பார்சல் பெயர்கள் சீரற்றதாக இருக்கும் ("ஸ்ட்ரீம் புலம்", "டெரே பார்சல்", "Plot-7" ஒரே இடமாக இருக்கலாம்). செயற்கை நுண்ணறிவுக்கு முன், இந்த கூட்டு வேலை ஒரு பொறியாளரின் மிகவும் எரிச்சலூட்டும் மற்றும் நேரத்தை எடுத்துக்கொள்ளும் பகுதியாக இருந்தது.

இங்குதான் செயற்கை நுண்ணறிவு செயல்படும் மற்றும் அது பாதுகாப்பான இடத்தில் சரியாக வேலை செய்கிறது: தரவை ஒரு நிலையான திட்டமாக மொழிபெயர்த்தல் (அதாவது ஒரு பொதுவான நெடுவரிசை மற்றும் அலகு அமைப்பு). ஆனால் கவனமாக இருங்கள்: அலகுகளை மாற்றும்போது AI தவறு செய்யலாம், மேலும் இந்த தவறு முழு பகுப்பாய்வையும் அமைதியாக அழிக்கும். எனவே ஒவ்வொரு மாற்றத்தையும் ஒரு சிறிய மாதிரியுடன் கைமுறையாக சரிபார்ப்பதே தரவு கட்டமைப்பில் உள்ள தங்க விதி.

உதவிக்குறிப்பு: AIக்கு தரவை வழங்குவதற்கு முன், உங்கள் இலக்கு திட்டத்தை நீங்களே வரையறுக்கவும்: எந்த நெடுவரிசைகள், எந்த அலகுகள், எந்த தேதி வடிவம். "இந்தத் தரவை ஒழுங்குபடுத்து" என்று சொல்வதை விட, "இதை அந்த வரைபடத்தில் மொழிபெயர்" என்று AI யிடம் கூறுவது மிகவும் நம்பகமானது.

இடஞ்சார்ந்த தரவைப் புரிந்துகொள்வது

பெரும்பாலான விவசாயத் தரவுகள் இடஞ்சார்ந்தவை: ஒவ்வொரு அளவீடுக்கும் ஒரு ஒருங்கிணைப்பு உள்ளது. ஒரு மண் மாதிரியானது "பிளாட்-3, வடமேற்கு மூலையில், 39.12 N / 32.45 E" போன்ற இடத்துடன் இணைக்கப்பட்டுள்ளது. இந்த ஆயத்தொலைவுகள் பொதுவாக அட்சரேகை/ தீர்க்கரேகை (WGS84) அல்லது UTM எனப்படும் மெட்ரிக் அமைப்பில் வழங்கப்படுகின்றன. AI உடன் பணிபுரியும் போது ஸ்பேஷியல் தரவை விளக்கும்போது, ​​மூன்று விஷயங்களுக்கு கவனம் செலுத்துங்கள்: ஒருங்கிணைப்பு அமைப்பு சீரானதா, புலத்தைப் பிரதிநிதித்துவப்படுத்தும் அளவுக்கு மாதிரிப் புள்ளிகள் சிதறடிக்கப்பட்டுள்ளதா, மற்றும் ஒரு புள்ளியின் மதிப்பு முழுப் பகுதிக்கும் பொருந்துமா அல்லது அந்த புள்ளியில் உள்ளதா. NDVI போன்ற வரைபடத் தரவு புலத்தின் ஒவ்வொரு சதுர மீட்டரையும் உள்ளடக்கியது; மண் மாதிரி அது எடுக்கப்பட்ட இடத்தை மட்டுமே குறிக்கிறது. இந்த வேறுபாட்டைக் குழப்புவது விளக்கத்தில் கடுமையான பிழைகளுக்கு வழிவகுக்கும்.

மூன்று சிறிய வழக்குகள்: எண்கள் மூலம்

வழக்கு 1 - சட்டசபையில் நேர சேமிப்பு. ஒரு பொறியாளர் 5 வெவ்வேறு மூலங்களிலிருந்து (மண் ஆய்வகம், மகசூல் வரைபடம், சென்சார், ட்ரோன், புலக் குறிப்புகள்) மொத்தம் 4,200 வரிசை தரவுகளை ஒரு அட்டவணையில் இணைத்தார்; கையால் சுமார் 6 மணி நேரம். நாங்கள் இலக்கு திட்டத்தை முன்கூட்டியே வரையறுத்து, AI க்கு "இந்த 5 கோப்புகளை இந்த நெடுவரிசைகளுக்கு வரைபடமாக்கும்" பணியை வழங்கியவுடன், முதல் வரைவு 25 நிமிடங்களில் வெளிவந்தது; 40-வரி மாதிரியுடன் பொருந்தக்கூடிய துல்லியத்தை சரிபார்க்க மீதமுள்ள நேரத்தை அவர் ஒதுக்கினார். மொத்த நேரம் சுமார் 2 மணிநேரமாக குறைந்தது.

வழக்கு 2 - அலகு பொறி. மகசூல் வரைபடம் கிலோ/எக்டராகவும், உரப் பதிவு கிலோ/எக்டராகவும் இருந்தது. முதல் கலவையில், AI இரண்டையும் ஒரே நெடுவரிசையில் தொகுத்து, ஒரு நிலத்தின் விளைச்சலை 10 (1 ஹெக்டேர் = 10 டா) என்ற காரணியால் குறைத்து மதிப்பிட்டது. தெரிந்த பார்சலின் உண்மையான விளைச்சலை அவர் நினைவில் வைத்திருந்ததால், பொறியாளர் முரண்பாட்டைப் பிடித்தார்; அளவு சரிபார்ப்பின் வரிசை அலகு பிழையை வெளிப்படுத்தியது.

வழக்கு 3 - பார்சல் பெயர் குழப்பம். மூன்று ஆதாரங்களில், அதே புலம் "டெரே", "டெரே_டர்லா" மற்றும் "ப்ளாட்-7" என்று குறிப்பிடப்பட்டுள்ளது. AI இவை மூன்று தனித்தனி பார்சல்கள் என்று நினைத்து அந்த பகுதியை மூன்றாகப் பிரித்தது. பயிரிடப்பட்ட மொத்த நிலப்பரப்பு பத்திரத்தில் உள்ள மதிப்புடன் பொருந்தவில்லை என்பதை பொறியாளர் உணர்ந்தபோது, ​​அவர் பொருந்தும் அகராதியை ("இந்த மூன்று பெயர்கள் = ப்ளாட்-7") வரையறுத்து, அதனுடன் மீண்டும் இணைக்கும்படி AI-யிடம் கூறினார்.

பலவீனமான ப்ராம்ட் / ஸ்ட்ராங் ப்ராம்ட்

பலவீனமான உடனடி:

இந்த விவசாயத் தரவை ஒழுங்கமைத்து இணைக்கவும்.[கோப்புகள்]

சக்திவாய்ந்த தூண்டுதல்:

உங்கள் பங்கு: வேளாண் தரவு ஆய்வாளர். பின்வரும் 4 ஆதாரங்களை ஒரு அட்டவணையில் இணைக்கவும். இலக்கு திட்டம் (இந்த நெடுவரிசைகள் மற்றும் அலகுகளுக்கு அப்பால் செல்ல வேண்டாம்):- parcel_id (உரை), தேதி (YYYY-MM-DD), தயாரிப்பு (உரை),- மண்_pH (எண்), நைட்ரஜன்_கிகி_டா (கிலோ/டா), விளைச்சல்_kg_da (அனைத்து சதவிகிதம்-சதவீதம்) உரம்/மகசூல் அலகுகள் கிலோ/டா வரை; நீங்கள் மொழிபெயர்க்கும் ஒவ்வொரு வரியையும் குறிக்கவும்.- நான் கொடுத்த அகராதியுடன் பார்சல் பெயர்களை பொருத்தவும்: {"dere":"P7","dere_field":"P7"}.- விடுபட்ட மதிப்பை காலியாக விட்டுவிட்டு, யூகத்துடன் நிரப்பவும்.- உங்களால் மொழிபெயர்க்க முடியாத அல்லது தெளிவாகத் தெரியாத வரிகளை தனி "check_required" பட்டியலில் வைக்கவும். ஆதாரங்கள்:[தரவு]

சக்திவாய்ந்த ப்ராம்ட் இலக்கு திட்டம், அலகு விதி, பொருந்தக்கூடிய அகராதி மற்றும் தெளிவின்மைக்கான தனி வாளி ஆகியவற்றை வரையறுக்கிறது. எனவே, யூகிப்பதற்குப் பதிலாக, AI தீர்மானிக்கப்படாத இடத்தில் உங்களுக்கு வழங்குகிறது.

நான்கு நகலெடுக்கக்கூடிய டெம்ப்ளேட்கள்

1) இலக்கு திட்டத்திற்கு மேப்பிங்:

பின்வரும் மூலத் தரவை பின்வரும் திட்டத்திற்கு வரைபடமாக்குக: [நெடுவரிசைகள் + அலகுகள்]. ஒவ்வொரு மூல நெடுவரிசையையும் எந்த இலக்கு நெடுவரிசை வரைபடமாக்குகிறது என்பதை அட்டவணையில் காட்டு. உங்களுக்கு உறுதியாக தெரியவில்லை என்றால், "?" உடன் குறிக்கவும்.

2) யூனிட் தரப்படுத்தல் மற்றும் கண்டறியும் தன்மை:

அனைத்து பகுதி அலகுகளையும் decares (da) ஆக மாற்றவும். "conversion_note" நெடுவரிசையைச் சேர்க்கவும்; ஒவ்வொரு மாற்றப்பட்ட மதிப்புக்கும் அசல் அலகு மற்றும் பெருக்கி எழுதவும் (எ.கா: "1 ஹெக்டர்=10 டா"). உங்களால் மாற்ற முடியாத யூனிட்டை அப்படியே விட்டுவிட்டு அதைக் குறிக்கவும்.

3) அவுட்லியர் ஸ்கேனிங்:

இந்த எண் நெடுவரிசைகளுக்கு நான் எதிர்பார்க்கும் வேளாண் வரம்பைத் தருகிறேன்: மண்_pH 4-9, நைட்ரஜன்_கிலோ_டா 0-30, விளைச்சல்_கிலோ_டா 100-1200. வரம்பிற்கு வெளியே உள்ள ஒவ்வொரு வரிசையையும் "அவுட்லியர்" எனக் குறிக்கவும்; மாற்ற வேண்டாம், காட்டு.

4) மேலாண்மை மண்டல வரைவு:

கீழே உள்ள இடஞ்சார்ந்த மண் மற்றும் கருவுறுதல் தரவைப் பார்த்து, ஒத்த குணாதிசயங்களைக் கொண்ட 2-4 வேட்பாளர் மேலாண்மைப் பகுதிகளைப் பரிந்துரைக்கவும். ஒவ்வொரு பிராந்தியத்திற்கும்: நீங்கள் பிரித்துள்ள அளவுருக்கள், சராசரி மதிப்புகள் மற்றும் புலத்தில் நான் சரிபார்க்க வேண்டிய வரம்பு ஆகியவற்றை எழுதுங்கள். தெளிவான எல்லைகளை வரைய வேண்டாம்; இவை வரைவுகள்.

ஒப்பீட்டு விளக்கப்படம்: கிளாசிக் vs துல்லிய விவசாயம்

அளவு

பாரம்பரிய விவசாயம்

துல்லியமான விவசாயம்

மேலாண்மை அலகு

முழுத் துறையும் ஒன்றுதான்

நிர்வாகப் பகுதிகள்

உள்ளீடு விநியோகம்

சீருடை (தட்டை விகிதம்)

மாறி விகிதம் (VRA)

தரவு ஆதாரம்

விவசாயி கவனிப்பு

சென்சார், செயற்கைக்கோள், ட்ரோன், இயந்திரம்

முடிவு அடிப்படை

அனுபவம் + காலண்டர்

அனுபவம் + தரவு + மாதிரி

AI இன் பங்கு

வரையறுக்கப்பட்ட

தரவு ஒருங்கிணைப்பு மற்றும் முன்மொழிவு வரைவு

ஆபத்து

அதிகப்படியான / உள்ளீடு

தவறான தரவு → தவறான பகுதி

பொதுவான தவறுகள்

• AI திட்டத்தை வரையறுக்கட்டும். இலக்கு நெடுவரிசைகள் மற்றும் அலகுகளை நீங்கள் குறிப்பிடவில்லை என்றால், AI ஒவ்வொரு முறையும் வெவ்வேறு கட்டமைப்பை உருவாக்கும் மற்றும் ஒப்பிடுவது சாத்தியமற்றது.
• அலகுகளைக் கண்காணிக்கவில்லை. எந்த மதிப்பு மொழிபெயர்க்கப்பட்டது என்பதை நீங்கள் பதிவு செய்யவில்லை என்றால், அடுத்தடுத்த பிழைகளை உங்களால் கண்டறிய முடியாது.
• வரைபடத் தரவிற்கான தவறான புள்ளி தரவு. ஒரு மண் மாதிரியை முழுப் பகுதிக்கும் பொதுமைப்படுத்துவது, பிராந்திய எல்லையை தவறாக வரையலாம்.
• AI இடைவெளிகளை நிரப்பட்டும். ஒரு யூகத்துடன் விடுபட்ட மதிப்பை நிரப்புவது, உண்மையான தரவு போல் தோற்றமளிக்கும் புனைகதையை உருவாக்குகிறது.
• பார்சல் பெயர்களை சரிபார்க்கவில்லை. சீரற்ற பெயர்கள் பகுதி மற்றும் விளைச்சலைப் பிரித்து, முழு பருவப் பகுப்பாய்வையும் சிதைக்கிறது.

கவனம்: VRA மருந்துச் சீட்டை AI பரிந்துரைக்கலாம் (எந்தப் பகுதிக்கு எவ்வளவு சென்றது), ஆனால் இறுதி ஒப்புதல் பொறியாளருக்குச் சொந்தமானது. ஒரு தவறான மண்டல எல்லை என்பது நீருக்கடியில் அல்லது ஒரு பகுதியில் அதிக உரம் என்று பொருள்.

சுருக்கமாக

துல்லியமான விவசாயம் என்பது புலத்தை அதன் உள் வேறுபாடுகளுக்கு ஏற்ப நிர்வகிக்கும் கலையாகும், மேலும் இது இரண்டு கருத்துகளை அடிப்படையாகக் கொண்டது: மாறி விகிதம் பயன்பாடு மற்றும் மேலாண்மை மண்டலங்கள். இந்த அணுகுமுறை தரவுகளால் தூண்டப்படுகிறது; ஆனால் விவசாய தரவு சிதறடிக்கப்படுகிறது, பல அலகுகள் மற்றும் பல ஆதாரங்கள். செயற்கை நுண்ணறிவு இந்தத் தரவை நிலையான திட்டமாக மொழிபெயர்ப்பதில் பாதுகாப்பான மற்றும் அதிக லாபம் தரும் பகுதியில் செயல்படுகிறது - நீங்கள் இலக்கு திட்டத்தை வரையறுத்து, யூனிட் ட்ரேஸை வைத்திருக்கும் வரை, இடைவெளிகளை நிரப்ப வேண்டாம் மற்றும் ஒவ்வொரு மாற்றத்தையும் ஒரு எடுத்துக்காட்டுடன் சோதிக்கவும். சுத்தமான மற்றும் ஒருங்கிணைந்த தரவு அனைத்து அடுத்தடுத்த அலகுகளுக்கும் (NDVI, மண், நீர்ப்பாசனம், மகசூல்) உறுதியான அடிப்படையாகும்.

விண்ணப்ப பணி

இரண்டு வெவ்வேறு ஆதாரங்களில் இருந்து ஒரு சிறிய மாதிரியை எடுக்கவும் (எ.கா. ஒரு மண் பகுப்பாய்வு அட்டவணை மற்றும் ஒரு மகசூல்/உரம் பதிவு); அலகுகள் மற்றும் பார்சல் பெயர்கள் வேண்டுமென்றே வேறுபட்டவை. இந்த யூனிட்டிலிருந்து "மேப்பிங் டு டார்கெட் ஸ்கீமா" மற்றும் "யூனிட் ஸ்டாண்டர்டைசேஷன்" டெம்ப்ளேட்களுடன் AI ஐ இணைக்கவும். பின்னர் 5 வரிசைகளை கைமுறையாக சரிபார்க்கவும்: யூனிட் மாற்றங்கள் சரியாக உள்ளதா, பார்சல் பொருத்தங்கள் சரியாக உள்ளதா, விடுபட்ட மதிப்புகள் யூகத்துடன் நிரப்பப்பட்டுள்ளனவா? நீங்கள் கண்டறியும் ஒவ்வொரு பிழையையும் மற்றும் AI மீறப்பட்ட விதிகளையும் குறித்துக்கொள்ளவும்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் அதை AI க்கு வழங்குவதற்கு முன் இலக்கு திட்டத்தை (நெடுவரிசைகள் + அலகுகள்) வரையறுத்தேன்.
• [ ] நான் அனைத்து அலகுகளையும் ஒரே தரநிலைக்கு மாற்றி, மாற்றும் பாதையை வைத்தேன்.
• [ ] பார்சல் பெயர் முரண்பாடுகளை அகராதியுடன் பொருத்தி மொத்த பரப்பளவையும் சரிபார்த்தேன்.
• [ ] நான் வேளாண் வரம்பில் வெளியில் திரையிட்டேன்; நான் அதை மாற்றவில்லை மற்றும் குறியிட்டேன்.
• [ ] புள்ளித் தரவு மற்றும் வரைபடத் தரவைப் பிரித்தேன்; நான் யூகங்களுடன் வெற்றிடங்களை நிரப்பவில்லை.