กำไร:
- ความสามารถในการอธิบายตรรกะของเกษตรกรรมแม่นยำและแนวคิดพื้นฐาน เช่น การใช้อัตราตัวแปรและโซนการจัดการ
- ความสามารถในการแปลงฟิลด์ที่กระจัดกระจาย เซ็นเซอร์ และข้อมูลเครื่องจักรให้เป็นตารางที่สะอาด มาตรฐาน และประกอบได้ด้วย AI
- ความสามารถในการเข้าใจข้อมูลเชิงพื้นที่ (ประสานงาน) และตรวจสอบเอาต์พุต AI ในระดับพัสดุและพื้นที่การจัดการ
เกษตรกรรมแบบคลาสสิกจัดการพื้นที่โดยรวมซึ่งมีพฤติกรรมในลักษณะเดียว: ปุ๋ยแบบเดียวกัน น้ำแบบเดียวกัน ยาฆ่าแมลงแบบเดียวกันทั่วทั้งแปลง อย่างไรก็ตาม แม้ว่าดินที่อยู่ปลายด้านหนึ่งของทุ่งเดียวกันอาจเป็นดินเหนียวและกักเก็บน้ำไว้ แต่อีกด้านหนึ่งอาจเป็นทรายและสูญเสียน้ำอย่างรวดเร็ว มุมหนึ่งอาจเย็นและชื้นเนื่องจากอยู่ต่ำ ในขณะที่ทางลาดอาจร้อนและแห้งเนื่องจากหันหน้าไปทางทิศใต้ เกษตรกรรมที่แม่นยำเป็นแนวทางที่มีจุดมุ่งหมายเพื่อแบ่งพื้นที่ออกเป็นภูมิภาคตามความแตกต่างภายในเหล่านี้ และให้ข้อมูลแก่แต่ละภูมิภาคได้มากเท่าที่ต้องการ เป้าหมายนั้นเรียบง่าย แต่ผลกระทบนั้นยิ่งใหญ่: ไปยังสถานที่ที่ถูกต้อง ในเวลาที่เหมาะสม ในปริมาณที่เหมาะสม หน่วยนี้จะอธิบายตรรกะของเกษตรกรรมที่แม่นยำ และวิธีการสร้างข้อมูลการเกษตรที่ป้อนตรรกะนี้ให้เป็นระเบียบ เชื่อถือได้ และประกอบได้ด้วยปัญญาประดิษฐ์
มีสองแนวคิดที่เป็นหัวใจสำคัญของเกษตรกรรมที่แม่นยำ ประการแรกคือการประยุกต์ใช้อัตราตัวแปร (VRA): รถแทรกเตอร์หรืออุปกรณ์จะเปลี่ยนปริมาณปุ๋ย เมล็ดพืช หรือน้ำโดยอัตโนมัติตามตำแหน่งของสนาม ประการที่สองคือโซนการจัดการ: เป็นการแบ่งพื้นที่ออกเป็นส่วนย่อยที่มีดินและลักษณะการผลิตคล้ายกันและสามารถจัดการแยกกันได้ ปัญญาประดิษฐ์เข้าถึงแนวคิดทั้งสองนี้: ช่วยกำหนดโซนโดยการรวมข้อมูลที่กระจัดกระจายและแนะนำร่างใบสั่งยาสำหรับแต่ละโซน แต่วิศวกรที่รู้สาขานี้คือผู้ที่อนุมัติเขตแดนและใบสั่งยาของภูมิภาคในท้ายที่สุด
ธรรมชาติของข้อมูลการเกษตร: เหตุใดจึงยุ่งเหยิง?
ในฟาร์มแห่งหนึ่ง ข้อมูลมาจากแหล่งที่ไม่รู้หลายสิบแหล่ง และไม่มีแหล่งใดที่พูดภาษาเดียวกันกับแหล่งอื่นๆ ห้องปฏิบัติการดินจะส่ง Excel; รถเกี่ยวข้าวจะบันทึกแผนที่ผลผลิตในรูปแบบอื่น เซ็นเซอร์ความชื้นสร้าง CSV รายชั่วโมง; เสียงพึมพำส่งออก JPEG และไฟล์พิกัด บันทึกของชาวนาเองเขียนด้วยลายมือลงในสมุดบันทึก หน่วยของข้อมูลนี้แตกต่างกัน (กก./ดา, กก./เฮกตาร์, ppm, %), รูปแบบวันที่ต่างกัน, ระบบตำแหน่งต่างกัน และบ่อยครั้งที่ชื่อผลิตภัณฑ์/พัสดุไม่สอดคล้องกัน ("ช่องสตรีม", "พัสดุพัสดุ", "Plot-7" อาจอยู่ที่เดียวกัน) ก่อนที่จะมีปัญญาประดิษฐ์ การทำงานแบบผสมผสานนี้เป็นส่วนที่น่ารำคาญและใช้เวลานานที่สุดของวิศวกร
นี่คือจุดที่ปัญญาประดิษฐ์เข้ามามีบทบาทและทำงานในจุดที่ปลอดภัยที่สุด นั่นคือการแปลข้อมูลเป็นสคีมามาตรฐาน (เช่น คอลัมน์และโครงสร้างหน่วยทั่วไป) แต่ต้องระวัง: AI อาจทำผิดพลาดเมื่อแปลงหน่วย และข้อผิดพลาดนี้จะทำลายการวิเคราะห์ทั้งหมดอย่างเงียบๆ ดังนั้นกฎทองในการจัดโครงสร้างข้อมูลคือการตรวจสอบความถูกต้องของการเปลี่ยนแปลงแต่ละรายการด้วยตนเองโดยใช้ตัวอย่างเล็กๆ น้อยๆ
เคล็ดลับ: ก่อนที่จะป้อนข้อมูลไปยัง AI ให้กำหนดสคีมาเป้าหมายด้วยตนเอง: คอลัมน์ใด หน่วยใด รูปแบบวันที่ใด การบอกให้ AI “แปลสิ่งนี้ลงในไดอะแกรมนั้น” มีความน่าเชื่อถือมากกว่าการบอกให้ “จัดเรียงข้อมูลนี้”
การทำความเข้าใจข้อมูลเชิงพื้นที่
ข้อมูลการเกษตรส่วนใหญ่เป็นข้อมูลเชิงพื้นที่ ทุกการวัดมีพิกัด ตัวอย่างดินเชื่อมโยงกับตำแหน่งเช่น "แปลง-3 มุมตะวันตกเฉียงเหนือ 39.12 N / 32.45 E" โดยปกติพิกัดเหล่านี้จะได้รับในระบบเมตริกที่เรียกว่าละติจูด/ลองจิจูด (WGS84) หรือ UTM เมื่อตีความข้อมูลเชิงพื้นที่เมื่อทำงานกับ AI ให้ใส่ใจกับสามสิ่งต่อไปนี้: ระบบพิกัดสอดคล้องกัน จุดตัวอย่างกระจายเพียงพอที่จะเป็นตัวแทนของสนามหรือไม่ และค่าของจุดเกี่ยวข้องกับภูมิภาคทั้งหมดหรือเพียงจุดนั้น ข้อมูลแผนที่ เช่น NDVI ครอบคลุมทุกตารางเมตรของสนาม ตัวอย่างดินจะแสดงเฉพาะจุดที่ถ่ายเท่านั้น การสร้างความสับสนให้กับความแตกต่างนี้จะนำไปสู่ข้อผิดพลาดร้ายแรงในการตีความ
คดีเล็กๆ สามคดี: ตามตัวเลข
กรณีที่ 1 - ประหยัดเวลาในการประกอบ วิศวกรคนหนึ่งรวมข้อมูลทั้งหมด 4,200 แถวจาก 5 แหล่งที่มาที่แตกต่างกัน (ห้องปฏิบัติการดิน แผนที่ผลผลิต เซ็นเซอร์ โดรน บันทึกภาคสนาม) ไว้ในตารางเดียว ด้วยมือประมาณ 6 ชั่วโมง เมื่อเรากำหนดสคีมาเป้าหมายล่วงหน้าและมอบหมายงานให้ AI "แมป 5 ไฟล์เหล่านี้กับคอลัมน์เหล่านี้" ร่างแรกจะออกมาใน 25 นาที เขาทุ่มเทเวลาที่เหลือในการตรวจสอบความแม่นยำในการจับคู่กับตัวอย่าง 40 บรรทัด เวลาทั้งหมดลดลงเหลือประมาณ 2 ชั่วโมง
กรณีที่ 2 - ยูนิตกับดัก แผนที่ผลผลิตเป็นกก./เฮกตาร์ และบันทึกปุ๋ยเป็นกก./เฮกตาร์ ในการรวมกันครั้งแรก AI ได้จัดกลุ่มทั้งสองไว้ในคอลัมน์เดียวกัน และระบุผลผลิตของหนึ่งแปลงต่ำกว่าด้วยปัจจัย 10 (1 เฮกตาร์ = 10 ดา) วิศวกรตรวจพบความคลาดเคลื่อนเนื่องจากเขาจำผลผลิตที่แท้จริงของพัสดุที่ทราบได้ การตรวจสอบลำดับขนาดเผยให้เห็นข้อผิดพลาดของหน่วย
กรณีที่ 3 - ความสับสนของชื่อพัสดุ ในแหล่งที่มาสามแห่ง มีการกล่าวถึงฟิลด์เดียวกันว่า "Dere", "dere_tarla" และ "Plot-7" AI คิดว่านี่เป็นสามผืนแยกกันและแบ่งพื้นที่ออกเป็นสามส่วน เมื่อวิศวกรพบว่าพื้นที่เพาะปลูกทั้งหมดไม่ตรงกับมูลค่าในโฉนด เขาก็กำหนดพจนานุกรมที่ตรงกัน ("ทั้งสามชื่อ = Plot-7") และบอกให้ AI รวมเข้าด้วยกันใหม่
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
จัดระเบียบและรวมข้อมูลทางการเกษตรนี้[ไฟล์]
พรอมต์อันทรงพลัง:
บทบาทของคุณ: นักวิเคราะห์ข้อมูลการเกษตร รวม 4 แหล่งที่มาต่อไปนี้ไว้ในตารางเดียว สคีมาเป้าหมาย (อย่าไปเกินกว่าคอลัมน์และหน่วยเหล่านี้):- พัสดุ_id (ข้อความ), วันที่ (ปปปป-ดด-วว), ผลิตภัณฑ์ (ข้อความ),- ดิน_pH (หมายเลข), ไนโตรเจน_กก._da (กก./ดา), อัตราผลตอบแทน_กก. (กก./ดา), ความชื้นเปอร์เซ็นต์ (%) กฎ:- แปลงหน่วยปุ๋ย/ผลผลิตทั้งหมดเป็น กก./ดา; ทำเครื่องหมายแต่ละบรรทัดที่คุณแปล- จับคู่ชื่อพัสดุกับพจนานุกรมที่ฉันให้: {"dere": "P7", "dere_field": "P7"} - เว้นว่างค่าที่หายไป เติมด้วยการเดา - ใส่บรรทัดที่คุณไม่สามารถแปลหรือไม่ชัดเจนในรายการ "check_required" แยกต่างหาก แหล่งที่มา:[ข้อมูล]
พรอมต์ที่มีประสิทธิภาพจะกำหนดสคีมาเป้าหมาย กฎของหน่วย พจนานุกรมที่ตรงกัน และที่เก็บข้อมูลแยกต่างหากสำหรับความกำกวม ดังนั้น แทนที่จะคาดเดา AI จะส่งมอบให้คุณในจุดที่ยังไม่แน่ใจ
เทมเพลตที่คัดลอกได้สี่แบบ
1) การแมปกับสคีมาเป้าหมาย:
แมปข้อมูลดิบต่อไปนี้กับสคีมาต่อไปนี้: [คอลัมน์ + หน่วย] แสดงในตารางว่าคอลัมน์เป้าหมายใดจับคู่คอลัมน์แหล่งที่มาแต่ละคอลัมน์ หากคุณไม่แน่ใจ ให้ใช้เครื่องหมาย "?" มาร์คด้วย.
2) การกำหนดมาตรฐานและตรวจสอบย้อนกลับของหน่วย:
แปลงหน่วยพื้นที่ทั้งหมดให้เป็นเดคาเร (da) เพิ่มคอลัมน์ "conversion_note" เขียนหน่วยเดิมและตัวคูณสำหรับค่าที่แปลงแต่ละค่า (เช่น "1 ha=10 da") ปล่อยให้หน่วยที่คุณไม่สามารถแปลงได้ตามที่เป็นอยู่และทำเครื่องหมายไว้
3) การสแกนค่า Outlier:
ฉันให้ช่วงทางการเกษตรที่คาดหวังสำหรับคอลัมน์ตัวเลขเหล่านี้: ดิน_pH 4-9, ไนโตรเจน_กก._ดา 0-30, อัตราผลตอบแทน_กก.ดา 100-1200 ทำเครื่องหมายทุกแถวที่อยู่นอกช่วงว่า "ค่าผิดปกติ" อย่าเปลี่ยน เพียงแค่แสดง
4) ร่างเขตการจัดการ:
โดยดูข้อมูลเชิงพื้นที่ของดินและความอุดมสมบูรณ์ด้านล่าง จะแนะนำพื้นที่การจัดการผู้สมัคร 2-4 รายที่มีลักษณะคล้ายคลึงกัน สำหรับแต่ละภูมิภาค: จดพารามิเตอร์ที่คุณคั่นด้วย ค่าเฉลี่ย และขีดจำกัดที่ฉันต้องตรวจสอบในฟิลด์ อย่าวาดขอบเขตที่ชัดเจน เหล่านี้เป็นฉบับร่าง
ตารางเปรียบเทียบ: การทำฟาร์มแบบคลาสสิกและแบบแม่นยำ
ขนาด
เกษตรกรรมแบบคลาสสิก
เกษตรกรรมที่แม่นยำ
หน่วยการจัดการ
ทั้งสนามเป็นหนึ่งเดียว
เขตการปกครอง
การกระจายอินพุต
เครื่องแบบ (อัตราคงที่)
อัตราตัวแปร (VRA)
แหล่งข้อมูล
การสังเกตของเกษตรกร
เซ็นเซอร์ ดาวเทียม โดรน เครื่องจักร
พื้นฐานการตัดสินใจ
ประสบการณ์+ปฏิทิน
ประสบการณ์ + ข้อมูล + โมเดล
บทบาทของเอไอ
จำกัด
การรวบรวมข้อมูลและร่างข้อเสนอ
ความเสี่ยง
อินพุตเกิน/ต่ำกว่า
ข้อมูลผิด → ผิดภูมิภาค
ข้อผิดพลาดทั่วไป
- ให้ AI กำหนดสคีมา หากคุณไม่ระบุคอลัมน์และหน่วยเป้าหมาย AI จะสร้างโครงสร้างที่แตกต่างกันในแต่ละครั้งและการเปรียบเทียบจะเป็นไปไม่ได้
- ไม่ติดตามหน่วย หากคุณไม่บันทึกค่าที่ได้รับการแปล คุณจะไม่สามารถติดตามข้อผิดพลาดใดๆ ตามมาได้
- ข้อมูลจุดผิดพลาดสำหรับข้อมูลแผนที่ การสรุปตัวอย่างดินเดี่ยวทั่วทั้งภูมิภาคจะดึงขอบเขตภูมิภาคไม่ถูกต้อง
- ให้ AI เข้ามาเติมเต็มช่องว่าง การกรอกค่าที่หายไปด้วยการเดาจะทำให้เกิดการสร้างปลอมขึ้นมาเป็นข้อมูลจริง
- ไม่ตรวจสอบชื่อพัสดุ ชื่อที่ไม่สอดคล้องกันจะแบ่งพื้นที่และผลผลิต ทำให้การวิเคราะห์ทั้งฤดูกาลผิดเพี้ยนไป
ข้อควรพิจารณา: AI อาจแนะนำใบสั่งยา VRA (ใช้กับส่วนใดได้มากน้อยเพียงใด) แต่การอนุมัติขั้นสุดท้ายเป็นของวิศวกร ขอบเขตโซนที่ไม่ถูกต้องหมายถึงการใส่ปุ๋ยใต้น้ำหรือมากเกินไปในพื้นที่
โดยสรุป
การทำฟาร์มที่แม่นยำเป็นศิลปะในการจัดการพื้นที่ตามความแตกต่างภายในและตั้งอยู่บนพื้นฐานของสองแนวคิด: การใช้งานที่มีอัตราตัวแปรและโซนการจัดการ แนวทางนี้ขับเคลื่อนด้วยข้อมูล แต่ข้อมูลทางการเกษตรก็กระจัดกระจาย หลายหน่วย และหลายแหล่ง ปัญญาประดิษฐ์ทำงานในพื้นที่ที่ปลอดภัยที่สุดและให้ผลกำไรมากที่สุดในการแปลข้อมูลนี้เป็นสคีมามาตรฐาน - ตราบใดที่คุณกำหนดสคีมาเป้าหมาย รักษาการติดตามหน่วยไว้ อย่าเติมช่องว่างและทดสอบการแปลงแต่ละครั้งด้วยตัวอย่าง ข้อมูลที่สะอาดและเป็นหนึ่งเดียวเป็นพื้นฐานที่มั่นคงสำหรับหน่วยต่อๆ ไปทั้งหมด (NDVI ดิน การชลประทาน ผลผลิต)
งานสมัคร
เก็บตัวอย่างเล็กๆ จากแหล่งที่มาสองแห่ง (เช่น ตารางการวิเคราะห์ดินและบันทึกผลผลิต/ปุ๋ย) ชื่อหน่วยและพัสดุแตกต่างกันโดยเจตนา รวม AI เข้ากับเทมเพลต “การแมปไปยังสคีมาเป้าหมาย” และ “การกำหนดมาตรฐานของหน่วย” จากหน่วยนี้ จากนั้นตรวจสอบ 5 แถวด้วยตนเอง: การแปลงหน่วยถูกต้อง, พัสดุตรงกันถูกต้อง, มีการเติมค่าที่หายไปด้วยการคาดเดาหรือไม่? จดบันทึกข้อบกพร่องแต่ละข้อที่คุณพบและกฎข้อใดที่ AI ละเมิด
รายการตรวจสอบ
- [ ] ฉันกำหนดสคีมาเป้าหมาย (คอลัมน์ + หน่วย) ก่อนที่จะมอบให้กับ AI
- [ ] ฉันแปลงหน่วยทั้งหมดให้เป็นมาตรฐานเดียวและคงเส้นทางการแปลงไว้
- [ ] ฉันจับคู่ชื่อพัสดุที่ไม่ตรงกันกับพจนานุกรม และตรวจสอบพื้นที่ทั้งหมดแล้ว
- [ ] ฉันคัดกรองค่าผิดปกติตามช่วงทางการเกษตร ฉันไม่ได้เปลี่ยนและทำเครื่องหมายไว้
- [ ] ฉันแยกข้อมูลจุดและข้อมูลแผนที่ ฉันไม่ได้เติมคำลงในช่องว่างด้วยการเดา