收益：
- 能够解释精准农业的逻辑以及可变利率应用和管理区域等基本概念。
- 能够利用人工智能将分散的现场、传感器和机器数据转换为干净、标准和可组合的表格
- 能够理解空间（协调）数据并验证地块和管理区域规模的人工智能输出
古典农业将一块田地作为一个整体进行管理，其行为方式只有一种：对整个地块使用相同的肥料、相同的水、相同的农药。然而，虽然同一块田地一端的土壤可能是粘土并能保持水分，但另一端可能是沙质并迅速失水；角落可能因为低而凉爽潮湿，而斜坡可能因为朝南而炎热干燥。精准农业是一种旨在根据这些内部差异将领域划分为区域，并为每个区域提供所需投入的方法。目标很简单，但影响很大：在正确的地点、正确的时间、以正确的数量。本单元解释了精准农业的逻辑，以及如何利用人工智能使提供该逻辑的农业数据变得有组织、可靠且可组合。
精准农业的核心有两个概念。第一种是可变施肥量（VRA）：拖拉机或设备根据田地位置自动改变肥料、种子或水的用量。二是管理区：将田地划分为具有相似土壤和生产力特征的子部分，可以单独管理。人工智能涉及这两个概念：它通过组合分散的数据来帮助定义区域，并为每个区域提出草案处方。但了解该领域的工程师才是最终批准区域边界和处方的人。
农业数据的本质：为何混乱？
在农场中，数据来自数十个未知来源，而且没有一个来源彼此使用相同的语言。土壤实验室发Excel；联合收割机以另一种格式保存其产量图；湿度传感器每小时生成 CSV；无人机输出JPEG和坐标文件；农民自己的笔记是手写在笔记本上的。这些数据的单位不同（kg/da、kg/ha、ppm、%），日期格式不同，位置系统不同，并且产品/地块名称通常不一致（“Stream field”、“dere Parcel”、“Plot-7”可能是同一个地方）。在人工智能出现之前，这种组合工作是工程师最烦人和最耗时的部分。
这就是人工智能发挥作用的地方，并在最安全的地方发挥作用：将数据转换为标准模式（即公共列和单元结构）。但要小心：AI在转换单位时可能会犯错误，而这个错误会默默地毁掉整个分析。因此，数据结构的黄金法则是用小样本手动验证每个转换。
提示：在将数据输入 AI 之前，请自行定义目标架构：哪些列、哪些单位、哪种日期格式。告诉人工智能“将其翻译成图表”比告诉它“排列这些数据”要可靠得多。
了解空间数据
大多数农业数据都是空间数据：每次测量都有一个坐标。土壤样本链接到“Plot-3，西北角，北纬 39.12 / 东经 32.45”等位置。这些坐标通常以称为纬度/经度 (WGS84) 或 UTM 的公制系统给出。在使用人工智能解释空间数据时，请注意三件事：坐标系是否一致，样本点是否足够分散以表示该场，以及一个点的值是否属于整个区域或仅属于该点。 NDVI等地图数据覆盖田地每一平方米；土壤样本仅代表采集地点。混淆这种区别会导致解释上的严重错误。
三个迷你案例：从数字来看
案例 1 - 节省装配时间。一名工程师将来自 5 个不同来源（土壤实验室、产量图、传感器、无人机、现场记录）的总共 4,200 行数据合并到一个表中；手工大约需要6小时。一旦我们提前定义了目标模式，并给AI“将这5个文件映射到这些列”的任务，初稿在25分钟内就出来了；他用剩下的时间用 40 行样本检查匹配精度。总时间减少到2小时左右。
案例 2 - 单位陷阱。产量图以千克/公顷为单位，施肥记录以千克/公顷为单位。在第一个组合中，人工智能将两者分组在同一列中，并将一个地块的产量低估了 10 倍（1 公顷 = 10 天）。工程师注意到了这一差异，因为他记得一个已知地块的实际产量；数量级检查发现单位错误。
案例 3 - 包裹名称混淆。在三个来源中，同一字段被称为“Dere”、“dere_tarla”和“Plot-7”。 AI 认为这是三个独立的地块，并将该区域分为三部分。当工程师意识到总耕地面积与契约中的值不匹配时，他定义了匹配字典（“这三个名字= Plot-7”）并告诉AI与之重新组合。
弱提示/强提示
弱提示：
组织并合并这些农业数据。[文件]
强力提示：
您的角色：农业数据分析师。将以下 4 个来源合并到一张表中。目标模式（不要超出这些列和单位）：- 包裹 id（文本）、日期（YYYY-MM-DD）、产品（文本）、- 土壤 pH（数字）、氮肥 kg_da（公斤/达）、产量公斤_达（公斤/达）、湿度百分比（%）规则：- 将所有肥料/产量单位转换为公斤/达；标记您翻译的每一行。- 将地块名称与我给出的字典匹配：{"dere":"P7","dere_field":"P7"}。- 将缺失值留空，用猜测填充。- 将您无法翻译或不清楚的行放在单独的“check_required”列表中。资料来源：[数据]
强大的提示定义了目标模式、单元规则、匹配字典以及用于歧义的单独存储桶。因此，人工智能不会猜测，而是会向您提供尚未确定的信息。
四个可复制模板
1）映射到目标模式：
将以下原始数据映射到以下架构：[列 + 单位]。在表中显示每个源列映射到哪个目标列。如果您不确定，请使用“？”标记为 .
2）单位标准化和可追溯性：
将所有面积单位转换为十进制 (da)。添加“conversion_note”列；写出每个转换值的原始单位和乘数（例如：“1 ha=10 da”）。保留无法转换的单位并标记它。
3）异常值扫描：
我给出了这些数值列的预期农艺范围：soil_pH 4-9、nitrogen_kg_da 0-30、yield_kg_da 100-1200。将范围之外的每一行标记为“异常值”；不要改变，只是展示。
4）管理区域草案：
通过查看下面的空间土壤和肥力数据，建议 2-4 个具有相似特征的候选管理区域。对于每个区域：写下您分隔的参数、平均值以及我需要在现场验证的限制。不要划清界限；这些是草稿。
比较表：经典农业与精准农业
尺寸
古典农业
精准农业
管理单位
整个场域就是一个
行政区域
输入分配
制服（统一费率）
可变利率 (VRA)
数据来源
农民观察
传感器、卫星、无人机、机器
决策依据
经验+日历
经验+数据+模型
人工智能的作用
有限
数据整理和提案草案
风险
输入过多/不足
错误数据 → 错误区域
常见错误
- 让人工智能定义模式。如果不指定目标列和单位，AI每次都会生成不同的结构，并且无法进行比较。
- 不跟踪单位。如果您不记录翻译了哪个值，则无法追溯任何后续错误。
- 将点数据误认为地图数据。将单个土壤样本推广到整个区域会错误地绘制区域边界。
- 让人工智能填补空白。用猜测来填充缺失值会产生伪装成真实数据的捏造行为。
- 不检查包裹名称。不一致的名称划分了面积和产量，扭曲了整个季节的分析。
注意：AI可能会推荐VRA处方（多少进入哪个区域），但最终批准权属于工程师。不正确的区域边界意味着某个区域位于水下或肥料过多。
总之
精准农业是根据田地内部差异进行管理的艺术，基于两个概念：可变利率应用和管理区域。这种方法是由数据推动的；但农业数据具有分散性、多单位、多来源的特点。人工智能工作在将这些数据转换为标准模式的最安全和最有利可图的领域 - 只要您定义目标模式，保留单元跟踪，不填补空白并用示例测试每个转换。干净、统一的数据是所有后续单位（NDVI、土壤、灌溉、产量）的坚实基础。
应用任务
从两个不同来源（例如土壤分析表和产量/施肥记录）获取小样本；单位和地块名称故意不同。将人工智能与本单元的“映射到目标模式”和“单元标准化”模板相结合。然后手动验证5行：单位转换是否正确，地块匹配是否正确，缺失值是否通过猜测填充？记下你发现的每个错误以及人工智能违反了哪些规则。
清单
- [ ] 我在将目标模式（列+单位）交给人工智能之前定义了它。
- [ ] 我将所有单位转换为单一标准并保留转换轨迹。
- [ ] 我将地块名称与字典中的差异进行了匹配，并验证了总面积。
- [ ] 我筛选了具有农艺范围的异常值；我没有更改它并标记它。
- [ ] 我把点数据和地图数据分开了；我没有用猜测来填补空白。