پمپ شما روشن میشود چون اعداد این را میگویند
سنسورهای داخل خاک، پیشبینی هوایی که خودش را بررسی میکند و مدلی از زمین شما در اتوماسیونها کنار هم قرار میگیرند. تصمیم همانجا گرفته میشود: آبیاری، صبر یا هیچ کاری.
شش حلقه، از اندازهگیری تا پالس
تایمر آبیاری میکند چون ساعت شش است. FairGrow آبیاری میکند چون خاک، هوا و زمین شما با هم میگویند لازم است. اینطور کار میکند.
سنسور میگوید الان چقدر مرطوب است
در هر منطقه یک سنسور رطوبت خاک در ناحیهی ریشه اندازه میگیرد. اگر آخرین داده خیلی قدیمی باشد، حساب نمیشود و هیچ اتفاقی نمیافتد.
هوا، با کارنامهای صادق
FairGrow چند مدل هواشناسی را کنار هم میگذارد و هر پیشبینی را بعداً بررسی میکند. اگر باران در راه باشد، توصیه صبر میکند.
مدلی از زمین شما
بیلان آب با نوع خاک شما، شیب زمین و مدل ارتفاعی Copernicus. نه اینکه الان چقدر مرطوب است، بلکه کی بیش از حد خشک میشود.
ML یاد میگیرد خاک شما چطور واکنش نشان میدهد
مدل برای هر پمپ و سنسور یاد میگیرد که یک پالس چه میکند و رطوبت کجا مینشیند. به این ترتیب کنترل بهموقع متوقف میشود.
قانونی که میتوانید بخوانید
روی بوم بین بلوکها خط میکشید، یا یک قانون با YAML مینویسید. هر دو خواناست و قانون جدید تا وقتی روشنش نکنید خاموش میماند.
پمپ یک پالس میگیرد
نه فرمانی که روشن بماند، بلکه پالسهای کوتاهی که خودشان قطع میشوند، در محدودهی سقف روزانه و زمان استراحت برای هر منطقه.
مدلی پیشبینیکننده برای زمین شما
سنسور در یک نقطه اندازه میگیرد. زمین شما بزرگتر از آن نقطه است. برای همین FairGrow با کل زمین کار میکند: آب چطور وارد میشود، کجا جاری میشود و کدام گوشه زودتر خشک میشود.
چقدر، با چه سرعتی و کجا
پایه، بیلان آب بر اساس FAO-56 است: چه چیزی با باران و آبیاری وارد میشود، چه چیزی با تبخیر خارج میشود و چقدر در ناحیهی ریشه جا میگیرد. دادههای خودتان این بیلان را صادق نگه میدارند.
روی آن، زمین میآید. نوع خاک و شیب درون مرز زمین شما میگویند خاک در هر ساعت چند میلیمتر آب جذب میکند. اگر مقدار در یک نوبت جا نشود، توصیه میگوید در چند نوبت جا میشود. مدل ارتفاعی Copernicus نشان میدهد کدام گوشه بیشتر مرطوب میماند.
به این ترتیب توصیه به پیشبینیای برای خاک شما تبدیل میشود، نه میانگینی برای منطقه. هر آستانه و فرض در صفحهی توصیهی آبیاری آمده است.
یادگیری اینکه خاک شما چطور به یک پالس واکنش میدهد
بعد از یک نوبت آبیاری، عدد اندازهگیری اول بالا میرود و بعد پایین میآید. اگر در آن افت تصمیم بگیرید، آب بیش از حد میدهید. ML دقیقاً همین را حل میکند.
مدلی جداگانه برای هر پمپ و سنسور
آب اول سریع از کنار سنسور میگذرد و بعد آرام در خاک فرو میرود. مدل این دو سرعت را جداگانه، برای هر ترکیب پمپ و سنسور، یاد میگیرد. با این، پیشبینی میکند وقتی خاک آرام گرفت رطوبت کجا خواهد بود.
مدل در حالت سایه شروع میکند. همزمان محاسبه میکند و ثبت میکند چه تصمیمی میگرفت، اما چیزی را کنترل نمیکند. فقط وقتی بهطور آشکار بهتر از دادهی خام باشد، کار را به دست میگیرد. در غیر این صورت قانون معمولی کارش را ادامه میدهد.
اگر چیزی در چیدمان شما تغییر کند، مثلاً جای تازهی سنسور یا گلدان تازه، یادگیری را فقط برای همان زنجیره صفر میکنید. سابقهی قدیمی اندازهگیری دیگر حساب نمیشود.
از بوم تا قانونی در YAML
برای آبیاری، سنسور، هوا، موتور تصمیمگیری و پمپ را روی بوم میکشید. میخواهید چیزهای بیشتری را ترکیب کنید؟ قانونی با همان قالب Home Assistant بنویسید.
alias: منطقه 1 آبیاری وقتی اعداد جور است# تازه ذخیرهشده یعنی خاموش، تا روشنش کنیدtrigger: - platform: numeric_state entity_id: sensor.fg_zone1_soil_moisture below: 40condition: - condition: numeric_state entity_id: sensor.fg_wx_regen_24u below: 2action: - service: switch.turn_on target: entity_id: switch.fg_pump_zone1
هر اندازهگیری قابل استفاده میشود
رطوبت خاک شما، باران مورد انتظار در 24 ساعت آینده، VPD، درجهروز رشد، خیسی برگ و شاخصهای ماهوارهای NDVI، NDMI و NDRE: در اتوماسیونها هر کدام مقداری است که یک قانون میتواند به آن واکنش نشان دهد. اگر چند محل دارید، برای هر محل هم.
قانونهایی که از قبل در Home Assistant دارید هم همراه میآیند. FairGrow یک نسخهی خاموش آماده میکند تا اول ببینید چه میکند. از طریق یکپارچهسازی Home Assistant، FairGrow میتواند چراغها و کلیدهایی را هم که در اختیارش میگذارید روشن و خاموش کند.
روی بوم، بررسی & شبیهسازی نشان میدهد یک چیدمان چه خواهد کرد، و ویرایشگر YAML قانون را پیش از ذخیره بررسی میکند.
گذاشتن پیشبینی کنار زمین خودتان
FairGrow از همین حالا هر پیشبینی هوا را بعداً بررسی میکند. گام بعدی این است که سنسورهای خودتان داور شوند، نه یک مدل هواشناسی برای کل منطقه.
زمین شما، ایستگاه هواشناسی خودش
در صحتسنجی پیشبینی میبینید تا چند روز جلوتر میتوانید به پیشبینی تکیه کنید: هر پیشبینی کنار آنچه واقعاً رخ داد، برای هر منبع و هر روز پیش رو. فعلاً این واقعیت از یک بازتحلیل برای منطقهی اطراف میآید.
زمینی در گودی شبها بیشتر سرد میشود، گلخانهای پشت بادشکن سریعتر گرم میشود. سنسور شما این تفاوت را هر روز اندازه میگیرد. ما در حال ساخت گامی هستیم که پیشبینی را برای هر زمین با آن بررسی و اصلاح میکند، تا مدل زمین شما خُرداقلیم خودش را هم بشناسد.
بخشی از این از قبل کار میکند: در مدلهای بیماری، FairGrow پیشبینی دما و رطوبت را تا سه روز جلوتر با سنسوری در فاصلهی 250 متری اصلاح میکند، پس از آنکه چند روز اندازهگیری کرده باشد.
از دست دادن یک نوبت بهتر از غرق کردن زمین است
سیستمی که چون سنسوری خراب است به پمپاژ ادامه دهد، بیشتر از سیستمی که هیچ کاری نمیکند آسیب میزند. این قفلها در هستهاند و هیچ قانونی نمیتواند خاموششان کند.
کلید اصلی خاموش است
هر منطقه با فقط تماشا کردن شروع میکند. شیر فقط وقتی باز میشود که منطقه را زنده کنید و کلید اصلی را روشن کنید.
پالس، هرگز شیر باز
اگر اتصال در لحظهی بدی قطع شود، پالس بهجای ادامه، خودش متوقف میشود.
دادهی قدیمی یعنی بیداده
اگر آخرین دادهی رطوبت خیلی قدیمی باشد، چیزی پمپ نمیشود. صفحهی شما میگوید چرا ساکت است.
توقف هنگام باران
اگر در طول یک نوبت باران شروع شود، نوبت متوقف میشود. اگر پیشبینی بیش از چند میلیمتر نشان دهد، نوبت به تعویق میافتد.
سقف روزانه و زمان استراحت
هر منطقه یک سقف روزانه و حداقل فاصله میان دو نوبت دارد. سنسور معیوب هرگز نمیتواند پمپاژ را ادامه دهد.
اول حالت سایه
قانونهای جدید خاموش شروع میکنند و ML در ابتدا فقط همزمان محاسبه میکند. پیش از آنکه اتفاقی بیفتد، میبینید چه خواهد شد.
چه کار میکند، چه میسازیم و دنبال چه کسانی هستیم
زنجیره در مقیاس کوچک روی چیدمان خودمان کار میکند. هنوز باید خودش را در زمینهای واقعی با کشاورزان واقعی ثابت کند.
زنجیره از سنسور تا پمپ
- بوم با سنسور، هوا، موتور تصمیمگیری و پمپ
- بیلان آب با نوع خاک، شیب و مدل ارتفاعی
- ML برای هر پمپ و سنسور، اول حالت سایه
- قانونهای YAML و یکپارچهسازی Home Assistant
خاک شما بهعنوان داور
- بررسی پیشبینی برای هر زمین با سنسورهای خودتان
- اصلاح پیشبینی برای توصیه بر همین اساس
- یادگیری خُرداقلیم خود توسط مدل زمین
کشاورزانی که یک فصل همراه ما تماشا کنند
- زمین یا گلخانهای با پمپ یا شیری که بتوانید کنترلش کنید
- آماده برای گذاشتن توصیه کنار تصمیم خودتان
- بازخوردی که تعیین میکند بعد چه بسازیم
پاسخهای کوتاه
آیا FairGrow بدون اینکه من کاری بکنم پمپم را روشن میکند؟
فقط اگر خودتان بخواهید. هر منطقه بهطور پیشفرض روی تماشا است: FairGrow محاسبه میکند، نشان میدهد و ثبت میکند چه کاری میکرد. سیستم فقط وقتی خودش روشن و خاموش میکند که منطقه را زنده کنید و کلید اصلی را روشن کنید، و آن هم همیشه با پالس و در محدودهی سقف روزانه.
ML دقیقاً چه چیزی یاد میگیرد؟
اینکه خاک شما چطور به یک پالس واکنش میدهد: چقدر آب سریع از کنار سنسور میگذرد و چقدر میماند. با این، مدل پیشبینی میکند رطوبت کجا مینشیند، تا کنترل در افت میان دو نوبت به پمپاژ ادامه ندهد. مدل اول در حالت سایه همزمان محاسبه میکند و فقط وقتی بهتر از دادهی خام باشد کار را به دست میگیرد.
چرا فقط از تایمر استفاده نکنیم؟
تایمر نمیداند دیشب 15 میلیمتر باران باریده، یا اینکه خاک شنی شما زودتر از خاک رسی آن طرف جاده خشک میشود. FairGrow از دادهی شما، هوا و زمینتان استفاده میکند و وقتی لازم نیست، یک نوبت را رد میکند.
به چه سنسورهایی نیاز دارم؟
برای هر منطقه یک سنسور رطوبت خاک و یک پمپ یا شیر که بتوانید از طریق Zigbee یا Home Assistant کنترلش کنید. صفحهی سنسورها نشان میدهد کدام سنسور به کجا میخورد.
آیا از سنسورهای من برای بهتر کردن پیشبینی هوا استفاده میکنید؟
در مدلهای بیماری، بله: آنجا سنسوری در فاصلهی 250 متری پیشبینی دما و رطوبت را تا سه روز جلوتر اصلاح میکند. برای خود پیشبینی و توصیهی آبیاری، اکنون در حال ساخت آن هستیم.
آیا این با Home Assistant کار میکند؟
بله. اتوماسیونهای موجودتان را بهصورت نسخهای خاموش میآورید، و FairGrow میتواند چراغها و کلیدهایی را که در یکپارچهسازی در اختیارش میگذارید کنترل کند. بیشتر دربارهی آوردن اتوماسیونهای Home Assistant.
هر حلقه بهتفصیل
زمین و پمپ دارید؟
یک فصل همراه ما تماشا کنید. منطقهتان را روی تماشا بگذارید و توصیه را کنار کاری بگذارید که خودتان میکردید. از زمینتان برایمان بگویید تا دربارهی چیدمان با شما همفکری کنیم، بدون هیچ تعهدی.
