Mga nadagdag:
- Kakayahang ipaliwanag ang mga pinagmumulan ng data na ginamit sa hula ng yield at ang pagkakaiba sa pagitan ng machine learning at mechanistic na mga modelo
- Kakayahang i-configure ang setup ng hula sa yield, mga feature at hanay ng kawalan ng katiyakan gamit ang AI
- Kakayahang i-verify ang output ng modelo na may makasaysayang ani, benchmark at pagsukat sa field at maiwasan ang labis na kumpiyansa
"Ilang produkto ang makukuha ko mula sa larangang ito?" Ito ang pinakamatanda at pinakamahalagang tanong sa agrikultura. Alam ang tamang sagot; Nangangahulugan ito ng pagpaplano ng manggagawa sa pag-aani, bodega, transportasyon, kontrata sa pagbebenta at pagpopondo. Ang pag-alam na mali ay nangangahulugan ng pag-aaksaya ng mga mapagkukunan o hindi nakakasabay. Ang artificial intelligence at machine learning (ML, isang paraan na natututo ng mga pattern sa data at hinuhulaan ang mga bagong sitwasyon) ay maaaring makagawa ng makapangyarihan ngunit mapanganib na nakakumbinsi na mga sagot sa tanong na ito. Itinuturo sa iyo ng unit na ito ang data source ng yield prediction, ang pagkakaiba sa pagitan ng dalawang pangunahing diskarte, machine learning at mechanistic na mga modelo, ang hanay ng kawalan ng katiyakan sa hula, at - higit sa lahat - kung paano maiwasan ang labis na kumpiyansa.
Ano ang Nakasalalay sa Kahusayan? mga input
Ang ani ay hindi nakasalalay sa isang bagay lamang; ay produkto ng maraming salik. Mga pangunahing mapagkukunan ng input:
- Status ng halaman: NDVI/NDRE time series (biomass development) sa buong season, density ng halaman, kalusugan.
- Lupa: pH, OM, KDK, pagpapanatili ng tubig, zone ng pamamahala.
- Lagay ng panahon/klima: Akumulasyon ng GDD, kritikal na panahon ng pag-ulan at temperatura, mga kaganapan sa hamog na nagyelo/hail.
- Pamamahala: Iba't-ibang, petsa ng pagtatanim, dami ng pataba at patubig, pag-spray.
- Kasaysayan: Mga ani ng nakaraang taon ng parehong larangan (isa sa pinakamalakas na solong tagapagpahiwatig).
Pinagsasama ng AI ang mga input na ito (mga tampok) at gumagawa ng isang hula. Ngunit ang hindi dapat kalimutan: alam lang ng modelo ang data na pinapakain nito at ang mga pattern na nakikita nito sa data na iyon. Kung hindi mo ibibigay ang petsa ng Oktubre, babalewalain nito ang kadahilanang iyon.
Dalawang Diskarte: Machine Learning vs Mechanistic Model
Natututo ang modelo ng machine learning ng mga istatistikal na pattern mula sa mga nakaraang taon na "ito ang ani sa mga kundisyong ito" na mga halimbawa. Ang lakas nito: kumukuha ng maraming variable at kumplikadong relasyon. Kahinaan: bumagsak ang kumpiyansa kapag lumampas ang data ng pagsasanay (bagong pagkakaiba-iba, hindi pa naganap na tagtuyot, ibang rehiyon); nahihirapang ipaliwanag kung bakit (“black box”).
Ginagaya ng mechanistic (process-based) na modelo ang physiology ng paglago ng halaman na may mga equation (photosynthesis, water-nutrient balance). Mga Lakas: mas maaasahan, maipaliwanag sa mga bagong kundisyon. Kahinaan: nangangailangan ng maraming input at pagkakalibrate, mahirap i-set up.
Sa pagsasagawa ang dalawa ay pinagsama at pareho ay napatunayan sa pamamagitan ng pagsukat sa field. Pinapabilis ng artificial intelligence ang pag-setup, mga feature at pag-uulat ng parehong mga diskarte.
Sukat
machine learning
Mekanistikong modelo
Basic
Pattern ng makasaysayang data
Mga equation ng physiology
bagong kondisyon
Mahina (panganib ng extrapolation)
mas malakas
Kakayahang maipaliwanag
Mababa (itim na kahon)
mataas
Kailangan ng data
mahabang nakalipas na halimbawa
Multi-parameter/calibration
Ang papel ng AI
Tampok+modelong fiction
Paghahanda sa pagpasok, komento
Tip: Bago magtiwala sa pagtataya ng yield, itanong: “Ang mga kundisyon ba sa taong ito ay katulad ng nakaraan na natutunan ng modelo?” Dahil sa hindi pangkaraniwang tagtuyot, bagong uri, o ibang rehiyon, hindi maaasahan ang pagtatantya ng ML. Sa ganitong mga kaso, palawakin ang hanay ng kawalan ng katiyakan.
Saklaw ng Kawalang-katiyakan: Bakit Interval at Hindi Point?
Ang isang mahusay na pagtatantya ng ani ay hindi nagsasabing "620 kg bawat decare"; Sabi niya "560-680 kg per decare, the most probable is 620, confidence is medium." Dahil ang hinaharap ay hindi tiyak at ang isang kakaibang numero ay lumilikha ng maling katiyakan. Disyembre; Nagbibigay-daan ito sa pagse-set up ng mga sitwasyon (masamang/medium/mabuti) at pamamahala ng panganib sa pagpaplano. Palaging humingi ng saklaw at antas ng kumpiyansa kapag hinuhulaan ang AI; Maging may pag-aalinlangan sa isang modelo na nagbibigay ng kakaibang numero.
Tatlong Mini Case: Sa pamamagitan ng Mga Numero
Kaso 1 - Pagpaplano ng pagitan. Ang isang producer ng trigo ay nag-ayos ng pag-aani ng paggawa at transportasyon batay sa isang puntong pagtatantya (500 kg bawat decare). Nang ang modelong suportado ng AI ay nagbigay ng rating na 430-560 kg at "sensitibo sa kritikal na panahon ng pag-ulan", gumawa ang tagagawa ng isang flexible na plano ng manggagawa. Ang aktwal na timbang ay 445 kg; Bagama't ang matibay na pagpaplano ay makakagawa ng malaking gastos, ang spacing ay nakatipid ng flexibility.
Kaso 2 - Extrapolation trap. Hinulaan ng isang modelo ang mataas na ani batay sa makasaysayang data sa panahon ng isang taon ng tagtuyot na walang katulad na kalubhaan. Napagtanto ng inhinyero na ang mga kondisyon ay nasa labas ng data ng pagsasanay at tinanggihan ang hula at bumalik sa pagsukat sa larangan (densidad ng halaman, bilang ng tainga). Ito ay magiging isang malubhang pagkakamali sa pagpaplano kung ang modelo ay pinakinggan nang mag-isa.
Case 3 - Nawawalang feature. Ang isang pagtatantya ay mas mataas kaysa sa inaasahan; Nang suriin, nakitang hindi pumasok sa modelo ang isang kaganapang may yelo. Kapag nakumpleto na ang input, bumagsak nang totoo ang hula. Aral: ang modelo ay nakakaalam lamang hangga't ibinigay mo ito; Ang pagkalimot sa isang kritikal na kaganapan ay nagpapalaki sa pagtatantya.
Mahina Prompt / Malakas na Prompt
Mahinang prompt:
Magkano ang makukuha ko mula sa larangang ito? Bigyan mo ako ng numero.
Napakahusay na prompt:
Ang iyong tungkulin: Agricultural data analyst. Idisenyo ang isang diskarte para sa paghula ng ani (hindi pagbuo ng modelo, ngunit fiction at interpretasyon). Mayroon akong mga input: [serye ng NDVI, lupa, GDD, petsa ng pagtatanim, makasaysayang ani...]. Gawain:- Ipaliwanag kung aling mga tampok ang dapat kong gamitin, kung alin ang pinakamapagpasya, - Itanong ang pagtatantya bilang isang INTERVAL at antas ng kumpiyansa, hindi bilang isang PUNTOS.- Ang mga kondisyon ba ng taong ito ay katulad ng nakaraan; Suriin kung may panganib ng extrapolation. - Magtanong tungkol sa mga kritikal na input na maaaring nawawala (hail, frost, sakit). - Isulat kung paano i-verify ang tinantyang pagsukat sa field (bilang ng tainga/prutas).
Ang malakas na prompt ay nagpapatupad ng spacing, extrapolation checking, nawawalang input detection at field verification.
Apat na Nakokopyang Template
1) Pag-prioritize ng feature:
Ilista, sa pagkakasunud-sunod ng pagpapasiya, ang mga tampok na maaaring magamit upang tantiyahin ang ani para sa sumusunod na produkto; Ipaliwanag nang maikli kung bakit mahalaga ang bawat isa. Markahan nang hiwalay ang data na wala ako ngunit magiging mahalaga.
2) Saklaw ng kawalan ng katiyakan:
Ibigay ang pagtatantya na ito hindi bilang isang punto, ngunit bilang isang mas mababang-itaas na hanay at antas ng kumpiyansa (mataas/medium/mababa). Isulat ang mga salik na nagpapaliit at nagpapalawak ng saklaw.
3) Extrapolation check:
Ihambing ang mga kundisyon sa taong ito (panahon, iba't ibang uri, pamamahala) sa karaniwang mga nakaraang taon. Naliligaw ba ang modelo sa data ng pagsasanay? Kung gayon, gaano ako dapat magtiwala sa hula?
4) Plano sa pag-verify ng field:
Paano ko kukunin kung aling sukat (bilang ng mga tainga/prutas bawat tanim, timbang ng butil) para ma-verify ang pagtatantya ng ani na ito sa bukid bago anihin? Magmungkahi ng sampling plan.
Mga karaniwang pagkakamali
- Nagtitiwala sa isang numero. Ang pagtatantya ng punto ay maling katumpakan; Humingi ng saklaw at antas ng kumpiyansa.
- Hindi pinapansin ang extrapolation. Ang pagtatantya ng ML sa isang hindi pangkaraniwang taon ay hindi maaasahan; Ihambing ang kalagayan sa nakaraan.
- Nakakalimutan ang kritikal na input. Kung hindi ka papasok sa mga kaganapan tulad ng granizo, hamog na nagyelo, at sakit, tataas ang hula.
- Isinasara ang modelo sa field. Ang direktang pagsukat tulad ng spike/fruit counting ay ang huling anchor; Huwag laktawan ito.
- Bulag na nagtitiwala sa itim na kahon. Ang isang hula na ang dahilan ay hindi maipaliwanag ay hindi dapat maging isang desisyon nang hindi kinukuwestiyon.
Pag-iingat: Ang pagtataya ng ani ay nagpapalitaw ng mga desisyon sa pananalapi at pagpapatakbo (kontrata, pautang, empleyado). Ang isang pangakong batay sa isang sobrang optimistikong pagtataya ay nagdudulot ng malubhang pinsala kung hindi ito magkatotoo. Ipakita ang pagtatantya bilang isang hanay ng mga posibilidad at gumawa ng mga kritikal na pangako batay sa maingat na senaryo.
Sa buod
Ang hula ng ani ay kumbinasyon ng maraming input (halaman, lupa, panahon, pamamahala, kasaysayan). Kinukuha ng machine learning ang mga kumplikadong pattern, ngunit bumabagsak ang kumpiyansa nito kapag lumampas ito sa data ng pagsasanay; Ang mechanistic na modelo ay mas maaasahan sa bagong kondisyon ngunit mahirap itatag. Ang artificial intelligence ay nagpapabilis sa pagbuo ng parehong mga diskarte. Ang isang mahusay na pagtatantya ay isang agwat, hindi isang punto, na ipinakita na may antas ng kumpiyansa, sinuri para sa panganib ng extrapolation, at na-verify sa pamamagitan ng pagsukat sa field. Ang sobrang pagtitiwala ay ang pinakamahal na pagkakamali; Ang hula ay isang posibilidad, hindi isang pangako.
Gawain ng aplikasyon
Ilista ang (kinatawan) na mga input na mayroon ka para sa isang pananim: ilang taon ng makasaysayang ani, isang trend ng NDVI, petsa ng pagtatanim, kritikal na panahon ng pag-ulan. Kunin ang AI para mahulaan ang yield gamit ang mga template na "feature prioritization" at "uncertainty gap" sa unit na ito. Pagkatapos ay sadyang tanggalin ang isang kritikal na input (halimbawa, isang kaganapang may yelo) at magtanong muli at obserbahan kung paano nagbabago ang hula. Isulat sa isang talata kung paano mo ibe-verify ang forecast sa bukid bago mag-ani.
checklist
- [ ] Gusto ko ang tinantyang punto, hindi ang saklaw at antas ng kumpiyansa.
- [ ] Inihambing ko ang mga kondisyon ng taong ito sa nakaraan at sinuri ang panganib ng extrapolation.
- [ ] Sinuri ko na ang mga kritikal na input (hail, frost, disease) ay hindi nawawala.
- [ ] Inihambing ko ang tinantyang makasaysayang ani at ang benchmark.
- [ ] Nag-set up ako ng plano sa pag-verify na may pagsukat sa field (bilang ng tainga/bunga).