மகசூல் மதிப்பீடு மற்றும் விவசாய மாடலிங்

ஆதாயங்கள்:

• மகசூல் முன்கணிப்பில் பயன்படுத்தப்படும் தரவு மூலங்கள் மற்றும் இயந்திர கற்றல் மற்றும் இயந்திர மாதிரிகளுக்கு இடையிலான வேறுபாட்டை விளக்கும் திறன்
• AI உடன் விளைச்சல் முன்கணிப்பு அமைப்பு, அம்சங்கள் மற்றும் நிச்சயமற்ற வரம்பை உள்ளமைக்கும் திறன்
• வரலாற்று விளைச்சல், அளவுகோல் மற்றும் புல அளவீடுகளுடன் மாதிரி வெளியீட்டை சரிபார்க்கும் திறன் மற்றும் அதிக நம்பிக்கையைத் தடுக்கும் திறன்

"இந்தத் துறையில் இருந்து எனக்கு எவ்வளவு தயாரிப்பு கிடைக்கும்?" இது விவசாயத்தில் மிகவும் பழமையான மற்றும் மதிப்புமிக்க கேள்வி. சரியான பதிலை அறிந்திருத்தல்; இதன் பொருள் அறுவடைத் தொழிலாளி, கிடங்கு, போக்குவரத்து, விற்பனை ஒப்பந்தம் மற்றும் நிதியுதவி திட்டமிடல். தவறாகத் தெரிந்துகொள்வது என்பது வளங்களை வீணாக்குவது அல்லது தொடர முடியாமல் போவது. செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றல் (ML, தரவுகளில் உள்ள வடிவங்களைக் கற்று புதிய சூழ்நிலைகளைக் கணிக்கும் ஒரு முறை) இந்தக் கேள்விக்கு சக்திவாய்ந்த ஆனால் ஆபத்தான உறுதியான பதில்களை உருவாக்க முடியும். இந்த அலகு மகசூல் கணிப்புக்கான தரவு ஆதாரங்கள், இரண்டு அடிப்படை அணுகுமுறைகளுக்கு இடையேயான வேறுபாடு, இயந்திர கற்றல் மற்றும் இயந்திர மாதிரிகள், கணிப்பில் உள்ள நிச்சயமற்ற வரம்பு மற்றும் - மிக முக்கியமாக - அதீத நம்பிக்கையைத் தவிர்ப்பது எப்படி என்பதை உங்களுக்குக் கற்பிக்கிறது.

செயல்திறன் எதைப் பொறுத்தது? உள்ளீடுகள்

மகசூல் ஒன்றை மட்டும் சார்ந்து இல்லை; பல காரணிகளின் விளைபொருளாகும். முக்கிய உள்ளீடு ஆதாரங்கள்:

• தாவர நிலை: NDVI/NDRE நேரத் தொடர் (பயோமாஸ் வளர்ச்சி) பருவம் முழுவதும், தாவர அடர்த்தி, ஆரோக்கியம்.
• மண்: pH, OM, KDK, நீர் தக்கவைப்பு, மேலாண்மை மண்டலம்.
• வானிலை/காலநிலை: GDD குவிப்பு, முக்கியமான கால மழைப்பொழிவு மற்றும் வெப்பநிலை, உறைபனி/ஆலங்கட்டி நிகழ்வுகள்.
• மேலாண்மை: பல்வேறு, நடவு தேதி, உர அளவு மற்றும் நீர்ப்பாசனம், தெளித்தல்.
• வரலாறு: இதே துறையில் முந்தைய ஆண்டு விளைச்சல்கள் (வலிமையான ஒற்றை குறிகாட்டிகளில் ஒன்று).

AI இந்த உள்ளீடுகளை (அம்சங்கள்) ஒருங்கிணைத்து ஒரு கணிப்பை உருவாக்குகிறது. ஆனால் மறந்துவிடக் கூடாது: மாதிரியானது அது அளிக்கப்பட்ட தரவு மற்றும் அந்தத் தரவில் பார்க்கும் வடிவங்களை மட்டுமே அறிந்திருக்கிறது. நீங்கள் அக்டோபர் தேதியை வழங்கவில்லை என்றால், அது அந்த காரணியை புறக்கணிக்கும்.

இரண்டு அணுகுமுறைகள்: இயந்திர கற்றல் vs இயந்திரவியல் மாதிரி

இயந்திர கற்றல் மாதிரியானது கடந்த ஆண்டுகளின் "இந்த நிலைமைகளின் விளைச்சல்" உதாரணங்களிலிருந்து புள்ளிவிவர வடிவங்களைக் கற்றுக்கொள்கிறது. அதன் வலிமை: பல மாறிகள் மற்றும் சிக்கலான உறவுகளைப் பிடிக்கிறது. பலவீனம்: பயிற்சி தரவு மீறப்படும்போது நம்பிக்கை சரிகிறது (புதிய வகை, முன்னோடியில்லாத வறட்சி, வெவ்வேறு பகுதி); ஏன் ("கருப்பு பெட்டி") என்பதை விளக்க போராடுகிறது.

இயந்திரவியல் (செயல்முறை அடிப்படையிலான) மாதிரியானது தாவர வளர்ச்சி உடலியலை சமன்பாடுகளுடன் (ஒளிச்சேர்க்கை, நீர்-ஊட்டச்சத்து சமநிலை) பிரதிபலிக்கிறது. பலம்: மிகவும் நம்பகமான, புதிய நிலைமைகளில் விளக்கக்கூடியது. பலவீனம்: நிறைய உள்ளீடு மற்றும் அளவுத்திருத்தம் தேவை, அமைப்பது கடினம்.

நடைமுறையில் இரண்டும் இணைக்கப்பட்டு இரண்டும் புல அளவீடு மூலம் சரிபார்க்கப்படுகின்றன. செயற்கை நுண்ணறிவு இரண்டு அணுகுமுறைகளின் அமைவு, அம்சங்கள் மற்றும் அறிக்கையிடலை துரிதப்படுத்துகிறது.

அளவு

இயந்திர கற்றல்

இயந்திர மாதிரி

அடிப்படை

வரலாற்று தரவு முறை

உடலியல் சமன்பாடுகள்

புதிய நிபந்தனை

பலவீனமான (வெளியேற்றத்தின் ஆபத்து)

வலுவான

விளக்கக்கூடிய தன்மை

குறைந்த (கருப்பு பெட்டி)

உயர்

தரவு தேவை

நீண்ட கடந்த உதாரணம்

பல அளவுரு / அளவுத்திருத்தம்

AI இன் பங்கு

அம்சம்+மாடல் புனைகதை

நுழைவு தயாரிப்பு, கருத்து

உதவிக்குறிப்பு: மகசூல் முன்னறிவிப்பை நம்புவதற்கு முன், "இந்த ஆண்டின் நிலைமைகள் கடந்த காலத்தைப் போலவே உள்ளதா?" என்று கேளுங்கள். அசாதாரண வறட்சி, ஒரு புதிய வகை அல்லது வேறு பகுதி ML மதிப்பீட்டை நம்பமுடியாததாக ஆக்குகிறது. இதுபோன்ற சந்தர்ப்பங்களில், நிச்சயமற்ற வரம்பை விரிவாக்குங்கள்.

நிச்சயமற்ற வரம்பு: ஏன் இடைவெளி மற்றும் புள்ளி இல்லை?

ஒரு நல்ல மகசூல் மதிப்பீடு "620 கிலோ ஒரு டிகேர்" என்று கூறவில்லை; அவர் கூறுகிறார், "ஒரு டிகேருக்கு 560-680 கிலோ, மிகவும் சாத்தியமானது 620, நம்பிக்கை நடுத்தரமானது." ஏனெனில் எதிர்காலம் நிச்சயமற்றது மற்றும் ஒற்றைப்படை எண் தவறான உறுதியை உருவாக்குகிறது. டிசம்பர்; இது காட்சிகளை (மோசமான/நடுத்தர/நல்ல) அமைப்பதற்கும் திட்டமிடலில் ஆபத்தை நிர்வகிப்பதற்கும் உதவுகிறது. AI கணிக்கும்போது எப்போதும் வரம்பு மற்றும் நம்பிக்கை அளவைக் கேட்கவும்; ஒற்றைப்படை எண்ணைக் கொடுக்கும் மாதிரியில் சந்தேகம் கொள்ளுங்கள்.

மூன்று சிறிய வழக்குகள்: எண்கள் மூலம்

வழக்கு 1 - இடைவெளி திட்டமிடல். ஒரு கோதுமை உற்பத்தியாளர் ஒரு புள்ளி மதிப்பீட்டின் அடிப்படையில் (ஒரு டிகேருக்கு 500 கிலோ) அறுவடை தொழிலாளர் மற்றும் போக்குவரத்தை ஏற்பாடு செய்தார். AI-ஆதரவு மாடல் 430-560 கிலோ மற்றும் "முக்கியமான கால மழைக்கு உணர்திறன்" மதிப்பீட்டை வழங்கியபோது, ​​உற்பத்தியாளர் ஒரு நெகிழ்வான தொழிலாளர் திட்டத்தை உருவாக்கினார். உண்மையான எடை 445 கிலோ; கடுமையான திட்டமிடல் அதிக செலவை உருவாக்கியிருக்கும் அதே வேளையில், இடைவெளி சேமிக்கப்பட்ட நெகிழ்வுத்தன்மையை சேமிக்கிறது.

வழக்கு 2 - எக்ஸ்ட்ராபோலேஷன் பொறி. வரலாறு காணாத கடுமையான வறட்சி ஆண்டில் வரலாற்றுத் தரவுகளின் அடிப்படையில் அதிக மகசூல் கிடைக்கும் என்று ஒரு மாதிரி கணித்துள்ளது. பொறியாளர் நிலைமைகள் பயிற்சி தரவுகளுக்கு வெளியே இருப்பதை உணர்ந்து, கணிப்பை நிராகரித்து, புல அளவீட்டுக்கு (தாவர அடர்த்தி, காது எண்ணிக்கை) திரும்பினார். தனியே கேட்ட மாதிரி இருந்திருந்தால் அது ஒரு தீவிர திட்டமிடல் பிழை.

வழக்கு 3 - அம்சம் இல்லை. ஒரு மதிப்பீடு எதிர்பார்த்ததை விட அதிகமாக இருந்தது; ஆய்வு செய்தபோது, ​​ஒரு ஆலங்கட்டி நிகழ்வு மாதிரியில் நுழையவில்லை. உள்ளீடு முடிந்ததும், கணிப்பு யதார்த்தமாக விழுந்தது. பாடம்: நீங்கள் எவ்வளவு கொடுக்கிறீர்களோ, அவ்வளவுதான் அந்த மாதிரிக்குத் தெரியும்; ஒரு முக்கியமான நிகழ்வை மறப்பது மதிப்பீட்டை உயர்த்துகிறது.

பலவீனமான ப்ராம்ட் / ஸ்ட்ராங் ப்ராம்ட்

பலவீனமான உடனடி:

இந்த வயலில் எனக்கு எவ்வளவு மகசூல் கிடைக்கும்? எனக்கு ஒரு எண் கொடுங்கள்.

சக்திவாய்ந்த தூண்டுதல்:

உங்கள் பங்கு: வேளாண் தரவு ஆய்வாளர். மகசூல் கணிப்புக்கான அணுகுமுறையை வடிவமைக்கவும் (மாதிரி கட்டிடம் அல்ல, ஆனால் புனைகதை மற்றும் விளக்கம்). என்னிடம் உள்ளீடுகள் உள்ளன: [NDVI தொடர், மண், GDD, நடவு தேதி, வரலாற்று விளைச்சல்...]. பணி:- நான் எந்த அம்சங்களைப் பயன்படுத்த வேண்டும், அவை மிகவும் தீர்க்கமானவை என்பதை விளக்குங்கள், - மதிப்பீட்டை ஒரு இடைவெளி மற்றும் நம்பிக்கை நிலையாகக் கேட்கவும், ஒரு புள்ளியாக அல்ல.- இந்த ஆண்டு நிலைமைகள் கடந்த காலத்தைப் போன்றதா; எக்ஸ்ட்ராபோலேஷன் ஆபத்து இருந்தால் மதிப்பிடவும். - விடுபட்டிருக்கக்கூடிய முக்கியமான உள்ளீடுகள் (ஆலங்கட்டி மழை, உறைபனி, நோய்) பற்றி கேளுங்கள். - மதிப்பிடப்பட்ட புல அளவீட்டை (காது/பழ எண்ணிக்கை) எவ்வாறு சரிபார்க்கலாம் என்பதை எழுதவும்.

சக்திவாய்ந்த உடனடி இடைவெளி, எக்ஸ்ட்ராபோலேஷன் சோதனை, விடுபட்ட உள்ளீடு கண்டறிதல் மற்றும் புல சரிபார்ப்பு ஆகியவற்றைச் செயல்படுத்துகிறது.

நான்கு நகலெடுக்கக்கூடிய டெம்ப்ளேட்கள்

1) அம்ச முன்னுரிமை:

பின்வரும் தயாரிப்புக்கான விளைச்சலை மதிப்பிடுவதற்குப் பயன்படுத்தக்கூடிய அம்சங்களை நிர்ணயிக்கும் வரிசையில் பட்டியலிடுங்கள்; ஒவ்வொன்றும் ஏன் முக்கியம் என்பதை சுருக்கமாக விளக்குங்கள். என்னிடம் இல்லாத ஆனால் மதிப்புமிக்க தரவை தனித்தனியாக குறிக்கவும்.

2) நிச்சயமற்ற வரம்பு:

இந்த மதிப்பீட்டை ஒரு புள்ளியாகக் கொடுக்காமல், கீழ்-மேல் வரம்பு மற்றும் நம்பிக்கை நிலை (உயர்/நடுத்தர/குறைவு) என வழங்கவும். வரம்பைக் குறைக்கும் மற்றும் விரிவுபடுத்தும் காரணிகளை எழுதுங்கள்.

3) எக்ஸ்ட்ராபோலேஷன் சோதனை:

இந்த ஆண்டு நிலைமைகளை (வானிலை, பல்வேறு, மேலாண்மை) வழக்கமான கடந்த ஆண்டுகளுடன் ஒப்பிடுக. பயிற்சி தரவிலிருந்து மாதிரி விலகிச் செல்கிறதா? அப்படியானால், கணிப்பை நான் எவ்வளவு நம்ப வேண்டும்?

4) கள சரிபார்ப்புத் திட்டம்:

அறுவடைக்கு முன் வயலில் இந்த மகசூல் மதிப்பீட்டை சரிபார்க்க எந்த அளவீட்டை (ஒரு வயலில் உள்ள காதுகள்/பழங்களின் எண்ணிக்கை, தானிய எடை) எப்படி எடுப்பது? மாதிரித் திட்டத்தைப் பரிந்துரைக்கவும்.

பொதுவான தவறுகள்

• ஒற்றை எண்ணை நம்புதல். ஒரு புள்ளி மதிப்பீடு தவறான துல்லியம்; வரம்பு மற்றும் நம்பிக்கை அளவைக் கேட்கவும்.
• புறக்கணிப்பைப் புறக்கணித்தல். ஒரு அசாதாரண ஆண்டில் ML மதிப்பீடு நம்பகத்தன்மையற்றது; கடந்த காலத்துடன் நிலைமையை ஒப்பிடுக.
• முக்கியமான உள்ளீட்டை மறந்து விடுகிறோம். ஆலங்கட்டி மழை, உறைபனி மற்றும் நோய் போன்ற நிகழ்வுகளை நீங்கள் உள்ளிடவில்லை என்றால், முன்னறிவிப்பு உயர்த்தப்படும்.
• புலத்திற்கு மாதிரியை மூடுதல். ஸ்பைக்/பழம் எண்ணுதல் போன்ற நேரடி அளவீடுகள் இறுதி நங்கூரம் ஆகும்; அதைத் தவிர்க்க வேண்டாம்.
• கருப்புப் பெட்டியை கண்மூடித்தனமாக நம்புவது. காரணத்தை விளக்க முடியாத ஒரு கணிப்பு, கேள்வி கேட்காமல் முடிவாகிவிடக்கூடாது.

எச்சரிக்கை: மகசூல் முன்னறிவிப்பு நிதி மற்றும் செயல்பாட்டு முடிவுகளை (ஒப்பந்தம், கடன், பணியாளர்) தூண்டுகிறது. அதிக நம்பிக்கையான முன்னறிவிப்பை அடிப்படையாகக் கொண்ட அர்ப்பணிப்பு அது நிறைவேறவில்லை என்றால் கடுமையான சேதத்தை ஏற்படுத்துகிறது. மதிப்பீட்டை சாத்தியக்கூறுகளின் வரம்பாக முன்வைக்கவும் மற்றும் எச்சரிக்கையான சூழ்நிலையின் அடிப்படையில் முக்கியமான கடமைகளை செய்யவும்.

சுருக்கமாக

மகசூல் கணிப்பு என்பது பல உள்ளீடுகளின் (தாவரம், மண், வானிலை, மேலாண்மை, வரலாறு) கலவையாகும். இயந்திரக் கற்றல் சிக்கலான வடிவங்களைப் பிடிக்கிறது, ஆனால் பயிற்சித் தரவைத் தாண்டிச் செல்லும் போது அதன் நம்பிக்கை சரிகிறது; புதிய நிலையில் மெக்கானிஸ்டிக் மாதிரி மிகவும் நம்பகமானது ஆனால் நிறுவுவது கடினம். செயற்கை நுண்ணறிவு இரண்டு அணுகுமுறைகளின் கட்டுமானத்தையும் துரிதப்படுத்துகிறது. ஒரு நல்ல மதிப்பீடு என்பது ஒரு இடைவெளி, ஒரு புள்ளி அல்ல, நம்பிக்கை நிலையுடன் வழங்கப்படுகிறது, எக்ஸ்ட்ராபோலேஷனின் அபாயத்தை சரிபார்க்கிறது மற்றும் புல அளவீடு மூலம் சரிபார்க்கப்படுகிறது. அதீத நம்பிக்கை மிகவும் விலையுயர்ந்த தவறு; ஒரு கணிப்பு ஒரு சாத்தியம், ஒரு அர்ப்பணிப்பு அல்ல.

விண்ணப்ப பணி

ஒரு பயிருக்கு உங்களிடம் உள்ள (பிரதிநிதி) உள்ளீடுகளை பட்டியலிடுங்கள்: பல வருட வரலாற்று விளைச்சல், NDVI போக்கு, நடவு தேதி, முக்கியமான கால மழை. இந்த யூனிட்டில் உள்ள "அம்ச முன்னுரிமை" மற்றும் "நிச்சயமற்ற இடைவெளி" வார்ப்புருக்கள் மூலம் விளைச்சலைக் கணிக்க AI ஐப் பெறவும். பின்னர் ஒரு முக்கியமான உள்ளீட்டை வேண்டுமென்றே அகற்றி (உதாரணமாக, ஒரு ஆலங்கட்டி நிகழ்வு) மீண்டும் கேட்டு, கணிப்பு எவ்வாறு மாறுகிறது என்பதைக் கவனிக்கவும். அறுவடைக்கு முன் வயலில் முன்னறிவிப்பை எவ்வாறு சரிபார்க்கலாம் என்பதை ஒரு பத்தியில் எழுதுங்கள்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் மதிப்பிடப்பட்ட புள்ளியை விரும்பினேன், வரம்பு மற்றும் நம்பிக்கை நிலை அல்ல.
• [ ] நான் இந்த ஆண்டின் நிலைமைகளை கடந்த காலத்துடன் ஒப்பிட்டுப் பார்த்தேன்.
• [ ] முக்கியமான உள்ளீடுகள் (ஆலங்கட்டி மழை, உறைபனி, நோய்) விடுபடவில்லை என்பதை நான் சரிபார்த்தேன்.
• [ ] நான் மதிப்பிடப்பட்ட வரலாற்று விளைச்சலையும் அளவுகோலையும் ஒப்பிட்டேன்.
• [ ] புல அளவீடுகளுடன் (காது/பழ எண்ணிக்கை) சரிபார்ப்புத் திட்டத்தை அமைத்துள்ளேன்.