කෘෂිකාර්මික විශ්ලේෂණයේදී විශාල දත්ත භාවිතය
ගෝලීය ආහාර ඉල්ලුම වැඩිවීම, දේශගුණික විපර්යාස, සීමිත ඉඩම් සහ පිරිවැය කාර්යක්ෂමතාව සඳහා වන ඉල්ලීම් හේතුවෙන් නවීන කෘෂිකර්මාන්තය විශාල පරිවර්තනයකට භාජනය වෙමින් පවතී. මෙම අභියෝග මධ්යයේ, සාක්ෂි මත පදනම් වූ (දත්ත මත පදනම් වූ) තීරණ ගැනීම සඳහා නව පදනමක් ලෙස විශාල දත්ත මතුවෙමින් තිබේ. කුඩා වතු හිමියන්ගේ සිට කෘෂි ව්යාපාර දක්වා කෘෂිකාර්මික ක්රියාකාරීන්ට ඉඩම්, කාලගුණය, බෝග සහ වෙළඳපල තත්ත්වයන් වඩාත් නිවැරදිව තේරුම් ගැනීමට විශාල දත්ත හැකියාව ලබා දෙයි. විවිධ ආකෘතිවලින් සහ අධික වේගයෙන් විශාල දත්ත ප්රමාණයක් සැකසීමෙන්, කෘෂිකාර්මික විශ්ලේෂණය වඩාත් නිවැරදිව සිදු කළ හැකි අතර, ඵලදායිතාව වැඩි කර අවදානම අඩු කරයි.
කෘෂිකර්මාන්තයේ විශාල දත්ත යනු කුමක්ද?
කෘෂිකාර්මික සන්දර්භය තුළ විශාල දත්ත යනු IoT (අන්තර්ජාල දේවල්) සංවේදක, චන්ද්රිකා ඡායාරූප, ඩ්රෝන යානා, කාලගුණ මධ්යස්ථාන, ඓතිහාසික අස්වැන්න වාර්තා, පොහොර භාවිතය, වෙළඳපල මිල දත්ත සහ පාරිභෝගික හැසිරීම වැනි විවිධ ප්රභවයන්ගෙන් ආරම්භ වන විශාල හා සංකීර්ණ දත්ත කට්ටල වේ. මෙම දත්ත සාමාන්යයෙන් "3V" ලක්ෂණ ඇත: පරිමාව (විශාල දත්ත ප්රමාණයක්), විවිධත්වය (විවිධ දත්ත: පෙළ, සංඛ්යා, රූප, ඛණ්ඩාංක) සහ ප්රවේගය (දත්ත ඉක්මනින් සහ බොහෝ විට තථ්ය කාලය තුළ ගලා යයි). ප්රායෝගිකව, කෘෂිකාර්මික විශාල දත්ත එකතු කිරීම පමණක් නොව, ක්රියාකාරී අවබෝධයක් ජනනය කිරීම සඳහා සංඛ්යාලේඛන, යන්ත්ර ඉගෙනීම සහ කෘතිම බුද්ධිය භාවිතා කරමින් විශ්ලේෂණය කරනු ලැබේ.
කෘෂිකාර්මික විශ්ලේෂණය සඳහා ප්රාථමික දත්ත මූලාශ්ර
කෘෂිකර්මාන්තයේ විශාල දත්ත භාවිතය පොහොසත් දත්ත මූලාශ්ර ලබා ගැනීමේ හැකියාවෙන් වෙන් කළ නොහැකි ය. වඩාත් බහුලව භාවිතා වන මූලාශ්ර කිහිපයක් අතරට:
1. පාංශු සහ ශාක සංවේදක: ආර්ද්රතාවය, pH අගය, පාංශු උෂ්ණත්වය, නයිට්රජන් මට්ටම් සහ ශාක වර්ධන මට්ටම මැනීම.
2. කාලගුණ දත්ත: වර්ධන අවධියට බලපාන වර්ෂාව, උෂ්ණත්වය, සුළං වේගය සහ සූර්ය විකිරණ පිළිබඳ පුරෝකථනය.
3. චන්ද්රිකා සහ ඩ්රෝන ඡායාරූප: වෘක්ෂලතා දර්ශක (උදා: NDVI) භාවිතයෙන් ශාක සෞඛ්යය නිරීක්ෂණය කිරීම, ජල ආතතිය හඳුනා ගැනීම සහ භූමි වෙනස්කම් සිතියම්ගත කිරීම.
4. මෙහෙයුම් දත්ත: රෝපණ වාර්තා, බීජ වර්ග, පොහොර කාලසටහන්, පළිබෝධනාශක භාවිතය සහ අස්වැන්න අස්වැන්න.
5. වෙළඳපල සහ සැපයුම් දත්ත: මිල උච්චාවචනයන්, ඉල්ලුම, ප්රවාහන වියදම් සහ බෙදාහැරීමේ වේලාවන්.
6. සමාජීය සහ ආර්ථික දත්ත: පරිභෝජන රටා, වෙළඳපල මනාපයන් සහ රජයේ ප්රතිපත්තිවල බලපෑම.
මෙම විවිධ මූලාශ්ර ඒකාබද්ධ කිරීමෙන්, නිෂ්පාදනය කෙරෙහි පමණක් නොව තිරසාරභාවය සහ ලාභදායීතාවය කෙරෙහි ද අවධානය යොමු කරමින් විශ්ලේෂණය පුළුල් ලෙස සිදු කළ හැකිය.
කෘෂිකාර්මික විශ්ලේෂණවල විශාල දත්තවල ප්රතිලාභ
1. නිරවද්ය කෘෂිකර්මය
වඩාත් ජනප්රිය යෙදුම්වලින් එකක් වන්නේ නිරවද්ය කෘෂිකර්මාන්තයයි, එයට තනි බිම් කොටස් හරහා ක්ෂුද්ර තත්වයන්හි වෙනස්කම් මත පදනම්ව ඉඩම් කළමනාකරණය කිරීම ඇතුළත් වේ. විශාල දත්ත ගොවීන්ට වැඩිපුර ජලය, අතිරේක පොහොර හෝ පළිබෝධ පාලනය අවශ්ය ඉඩම් ප්රදේශ හඳුනා ගැනීමට උපකාරී වේ. එහි ප්රතිඵලයක් ලෙස, නිෂ්පාදන යෙදවුම් "නිවැරදි මාත්රාවෙන්, නියම වේලාවට සහ නිවැරදි ඉලක්කයට" ලබා දිය හැකිය. පිරිවැය අඩු කිරීමට අමතරව, මෙම ප්රවේශය අතිරික්ත පොහොර දූෂණය වැනි පාරිසරික බලපෑම් ද අඩු කරයි.
2. අස්වැන්න පුරෝකථනය
ඓතිහාසික දත්ත, කාලගුණික තත්ත්වයන්, පසෙහි ගුණාත්මකභාවය සහ බෝග රූප උපයෝගී කරගනිමින්, විශ්ලේෂණාත්මක ආකෘතිවලට අස්වැන්න නෙළීමට පෙර බෝග අස්වැන්න පුරෝකථනය කළ හැකිය. ඉන්වෙන්ටරි සැලසුම් කිරීම, විකුණුම් කොන්ත්රාත්තු, ගබඩා උපාය මාර්ග සහ ශ්රම බලකාය සැලසුම් කිරීම සඳහා පවා මෙම අනාවැකි ඉතා වැදගත් වේ. වඩාත් නිවැරදි බෝග අස්වැන්න පුරෝකථනයන් ආහාර සැපයුම් දාමයේ ස්ථාවරත්වයට සහ නාස්තිය අඩු කිරීමට ද දායක වේ.
3. රෝග සහ පළිබෝධකයන් කල්තියා හඳුනා ගැනීම
බෝග සෞඛ්ය රටා වල වෙනස්කම් හඳුනා ගැනීම සඳහා ඩ්රෝන/චන්ද්රිකා රූප, ක්ෂේත්ර සංවේදක සහ ගොවි වාර්තා වලින් ලැබෙන විශාල දත්ත භාවිතා කළ හැකිය. බොහෝ අවස්ථාවන්හිදී, රෝග හෝ පළිබෝධ ආක්රමණ දෘශ්ය රෝග ලක්ෂණ හෝ ඇල්ගොරිතම මගින් හඳුනාගත හැකි වෘක්ෂලතා වෙනස්කම් ඇති කරයි. කල්තියා හඳුනා ගැනීමෙන්, පැතිරීම පුළුල් වීමට පෙර ගොවීන්ට කඩිනම් පියවර ගත හැකි අතර එමඟින් නිෂ්පාදන පාඩු සහ පළිබෝධනාශක අධික ලෙස භාවිතා කිරීම අඩු වේ.
4. වාරිමාර්ග සහ ජල කළමනාකරණය ප්රශස්තකරණය කිරීම
දේශගුණික විපර්යාස හේතුවෙන් ජලය ලබා ගැනීමේ හැකියාව වඩ වඩාත් අවිනිශ්චිත වෙමින් පවතී. විශාල දත්ත ශාක වර්ගය, වර්ධන අවධිය, පාංශු තෙතමනය සහ වර්ෂාපතන අනාවැකි මත පදනම්ව බෝග ජල අවශ්යතා ගණනය කිරීමට උපකාරී වේ. ස්මාර්ට් වාරිමාර්ග පද්ධති මඟින් නියම වේලාවට සහ නියම ප්රමාණයට ස්වයංක්රීයව ජලය ලබා දිය හැකිය. ප්රතිඵලය වන්නේ වඩාත් කාර්යක්ෂම ජල භාවිතය, බෝග ගුණාත්මකභාවය වැඩිදියුණු කිරීම සහ පොම්ප සඳහා බලශක්ති පිරිවැය අඩු කිරීමයි.
5. දේශගුණික අවදානම් කළමනාකරණය සහ අනුවර්තනය
දිගුකාලීන කාලගුණ දත්ත විශ්ලේෂණය මඟින් සෘතුමය රටා සහ නියඟය, ගංවතුර හෝ තාප තරංග අවදානම හඳුනා ගැනීමට ඉඩ සලසයි. වඩාත් අනුවර්තන රෝපණ දින දර්ශන සංවර්ධනය කිරීමට, ආන්තික තත්වයන්ට ඔරොත්තු දිය හැකි බීජ ප්රභේද තෝරා ගැනීමට සහ අවම කිරීමේ උපාය මාර්ග සංවර්ධනය කිරීමට විශාල දත්ත භාවිතා කළ හැකිය. තවද, කෘෂිකාර්මික රක්ෂණ සමාගම්වලට අවදානම තක්සේරු කිරීමට සහ වාරික වඩාත් සාධාරණ ලෙස සැකසීමට මෙම දත්ත උපයෝගී කර ගත හැකිය.
6. සැපයුම් දාම කාර්යක්ෂමතාව සහ මිලකරණය
විශාල දත්ත ගොවිපලෙන් නතර නොවේ. අස්වැන්න නෙලීමෙන් පසු, හොඳම විකුණුම් කාලය, වඩාත් කාර්යක්ෂම බෙදාහැරීමේ මාර්ග සහ ඉල්ලුම පුරෝකථනයන් තීරණය කිරීම සඳහා සැපයුම් දත්ත, වෙළඳපල ඉල්ලුම සහ මිල ප්රවණතා විශ්ලේෂණය කළ හැකිය. ජාතික මට්ටමින්, මෙම විශ්ලේෂණය රජයට මිල ස්ථාවරත්වය සහ ආහාර ලබා ගැනීමේ හැකියාව පවත්වා ගැනීමට උපකාරී වන අතරම, අස්වනු නෙලීමෙන් පසු පාඩු අඩු කරයි.
කෘෂිකාර්මික විශාල දත්ත සහායක තාක්ෂණය
විශාල දත්ත ප්රයෝජනවත් වීමට නම්, සහායක තාක්ෂණික පරිසර පද්ධතියක් අවශ්ය වේ. ක්ෂේත්රයේ සංවේදක සහ උපාංගවලින් දත්ත රැස් කිරීමට IoT භාවිතා කරයි. වලාකුළු පරිගණකකරණය මහා පරිමාණ දත්ත ගබඩා කිරීම සහ සැකසීම සඳහා පහසුකම් සපයයි. යන්ත්ර ඉගෙනීම පුරෝකථන ආකෘති, රෝග වර්ගීකරණය සහ පොහොර නිර්දේශ ගොඩනැගීමට උපකාරී වේ. තවද, GIS (භූගෝලීය තොරතුරු පද්ධති) ඉඩම් සිතියම්ගත කිරීම සහ අවකාශීය විශ්ලේෂණය සඳහා තීරණාත්මක කාර්යභාරයක් ඉටු කරයි, විශේෂයෙන් නිරවද්ය කෘෂිකර්මාන්තය සඳහා.
ක්රියාත්මක කිරීමේදී ඇති අභියෝග
එහි දැවැන්ත විභවය තිබියදීත්, කෘෂිකර්මාන්තයේ විශාල දත්ත යෙදීම අභියෝග කිහිපයකට මුහුණ දෙයි:
1. ප්රවේශය සහ යටිතල පහසුකම්: සෑම ප්රදේශයකම ස්ථාවර අන්තර්ජාලය, ප්රමාණවත් විදුලිය හෝ දැරිය හැකි සංවේදක උපාංග නොමැත.
2. දත්තවල ගුණාත්මකභාවය සහ ඒකාබද්ධ කිරීම: නොගැලපෙන, අසම්පූර්ණ හෝ වෙනස් ලෙස ආකෘතිගත කරන ලද දත්ත විශ්ලේෂණයේ නිරවද්යතාවය අඩු කළ හැකිය.
3. ගොවීන්ගේ ඩිජිටල් සාක්ෂරතාවය: ගොවීන්ට විශ්ලේෂණ ප්රතිදානය තේරුම් ගැනීමට සහ භාවිතා කිරීමට හැකි වන පරිදි පුහුණුව අවශ්ය වේ.
4. දත්ත ආරක්ෂාව සහ පෞද්ගලිකත්වය: ඉඩම් සහ නිෂ්පාදන දත්තවලට ආර්ථික වටිනාකමක් ඇති අතර එබැවින් අනිසි ලෙස භාවිතා කිරීමෙන් ආරක්ෂාව අවශ්ය වේ.
5. මූලික පිරිවැය: උපකරණ, පද්ධති සහ තාක්ෂණික උපදේශන සඳහා ආයෝජනය කිරීම, විශේෂයෙන් කුඩා ගොවීන් සඳහා අධික විය හැකිය.
මෙම අභියෝගවලට මුහුණ දීම සඳහා රජයන්, විශ්වවිද්යාල, තාක්ෂණ සමාගම්, ව්යාප්ති සේවකයින් සහ ගොවි ප්රජාවන් අතර සහයෝගීතාවයක් අවශ්ය වේ.
කෘෂිකාර්මික ජීවිතයේ සැබෑ යෙදුම් උදාහරණ
බොහෝ ස්ථානවල, විශාල දත්ත මත පදනම් වූ යෙදුම් ගොවීන්ට දෛනික කාලගුණය නිරීක්ෂණය කිරීමට, පාංශු තත්ත්වයන් මත පදනම්ව පොහොර නිර්දේශ ලබා දීමට සහ විභව පළිබෝධ උවදුරු පිළිබඳව ඔවුන්ට අනතුරු ඇඟවීමට උපකාරී වී ඇත. ඩ්රෝන යානා භාවිතා කරනු ලබන්නේ ක්ෂේත්ර සිතියම්ගත කිරීමට සහ සම්පූර්ණ ප්රදේශ අතින් පරීක්ෂා කිරීමකින් තොරව බෝග තත්ත්වයන් තක්සේරු කිරීමට ය. පහළට, වෙළඳපල විශ්ලේෂණ සමුපකාර හෝ වෙළඳුන්ට ප්රශස්ත මිල ගණන් ලබා ගැනීම සඳහා භාණ්ඩ ගබඩා කර විකිණීමට කවදාද යන්න තීරණය කිරීමට උපකාරී වේ.
වසා දැමීම
කෘෂිකාර්මික විශ්ලේෂණවල විශාල දත්ත භාවිතා කිරීම ඵලදායිතාව, කාර්යක්ෂමතාව සහ තිරසාරභාවය වැඩි කිරීමට සැලකිය යුතු අවස්ථාවන් විවෘත කරයි. නිවැරදි දත්ත සමඟින්, ගොවීන්ට වාරිමාර්ග, පොහොර යෙදීම, පළිබෝධ පාලනය සහ අස්වැන්න සහ අලෙවිකරණ උපාය මාර්ග සම්බන්ධයෙන් වඩාත් නිවැරදි තීරණ ගත හැකිය. කෙසේ වෙතත්, සාර්ථකව ක්රියාත්මක කිරීම සඳහා යටිතල පහසුකම් සහාය, ඩිජිටල් සාක්ෂරතාවය වැඩි කිරීම සහ ආරක්ෂිත සහ සාධාරණ දත්ත පාලනය අවශ්ය වේ. මෙම අභියෝග ජය ගත හැකි නම්, විශාල දත්ත අනාගත කෘෂිකර්මාන්තයේ ප්රධාන කුළුණක් බවට පත්වීමේ හැකියාව ඇත - ආහාර දාමයේ සියලුම පාර්ශවයන්ට වඩා දක්ෂ, වඩා දේශගුණික-ප්රතිරෝධී සහ වඩා ලාභදායී.
