40 KiB

Raw Permalink Blame History Unescape Escape

ഐഒടി ഉപയോഗിച്ച് സസ്യവളർച്ച പ്രവചിക്കുക

Nitya Narasimhan ഒരുക്കിയ സ്കെച്ച്നോട്ട്. വലുത് കാണാന്‍ ചിത്രത്തില്‍ ക്ലിക്ക് ചെയ്യുക.

ക്ലാസിന് മുമ്പുള്ള ക്വിസ്

പരിചയം

സസ്യങ്ങൾ വളർക്കാൻ ചില കാരണങ്ങൾ ആവശ്യം വരുന്നു - വെള്ളം, കാർബൺ ഡയോക്സൈഡ്, പോഷകങ്ങൾ, പ്രകാശം, താപം. ഈ പാഠത്തിൽ, വായു താപനില അളക്കുന്നതിനാൽ സസ്യങ്ങളുടെ വളർച്ചയും പകുതികാലവും എളുപ്പത്തിൽ കണക്കാക്കാൻ പഠിക്കും.

ഈ പാഠത്തിൽ ഞങ്ങൾ ഉൾക്കൊള്ളുന്നത്:

ഡിജിറ്റൽ കൃഷി

ഡിജിറ്റൽ കൃഷി ഫാമിംഗ് ചെയ്യുന്നതിൽ മാറ്റം വരുത്തുന്നു, ഫാർമിൽ നിന്നുള്ള ഡാറ്റ ശേഖരിക്കാനും സൂക്ഷിക്കാനും വിശകലനം ചെയ്യാനുള്ള ഉപകരണങ്ങൾ ഉപയോഗിക്കുന്നു. ലോക സാമ്പത്തിക ഫോറം വെർച്വൽ അങ്കണത്തിൽ 'നാലാം വ്യവസായ വിപ്ലവം' എന്ന് വിശേഷിപ്പിക്കുന്ന സമയത്ത്, ഡിജിറ്റൽ കൃഷി 'നാലാം കൃഷിവിപ്ലവം' അല്ലെങ്കിൽ 'കൃഷി 4.0' എന്ന പേരിൽ അറിയപ്പെടുന്നു.

🎓 ഡിജിറ്റൽ കൃഷി എന്ന പദം പൂർണമായ 'കൃഷി മൂല്യ ശൃംഖല' ഉൾക്കൊള്ളുന്നു, അതായത് കൃഷിക്ക് ഭവനങ്ങളിലേക്കും മേശയിൽ എത്തുന്നതുവരെ മുഴുവൻ യാത്ര. ഇത് ഭക്ഷണം കടത്തിയും പ്രോസസ്സിങ്ങും ചെയ്യുന്നപ്പോൾ ഉൽപ്പന്ന ഗുണമേന്മ നിയന്ത്രിക്കുന്നതിനും, വെയർഹൗസ്, ഇ-കൊമേഴ്‌സ് സിസ്റ്റങ്ങൾക്കും, ട്രാക്ടർ വാടക അപ്ലിക്കേഷനുകൾക്കും ഉൾപ്പെടുന്നു!

ഈ മാറ്റങ്ങൾ കർഷകർക്കു വിളവുകൾ വർദ്ധിപ്പിക്കാനും, രാസവളങ്ങളും കീടനാശകങ്ങളും കുറച്ചും, വെള്ളം കൂടുതൽ ഫലപ്രദമായി ഉപയോഗിക്കാനും സഹായിക്കുന്നു. പ്രധാനമായും സമ്പന്ന രാജ്യങ്ങളിലാണ് ഉപയോഗിക്കപ്പെടുന്നത്, എന്നാൽ സെൻസറുകളും മറ്റ് ഉപകരണങ്ങളും ഇപ്പോൾ വില കുറയുന്നു, വികസന രാജ്യങ്ങളിലെയും ആക്സസ് ലഭ്യത നൽകുന്നു.

ഡിജിറ്റൽ കൃഷി സഹായിക്കുന്ന ചില സാങ്കേതികവിദ്യകൾ:

താപനില അളക്കൽ - താപനില അളപ്പことで കർഷകർ സസ്യങ്ങളുടെ വളർച്ചയും പകുതികാലവും പ്രവചിക്കാം.
സ്വയമേവ ജലവ്യാപനം - മണ്ണിന്റെ ഈർപ്പം അളക്കുകയും ഭീഷണമായ മണ്ണ് വരുമ്പോൾ തന്നെ പാടം ശിലവഴുപ്പുകൂടാതെ ജലവ്യാപനം ആരംഭിക്കുക. സമയാനുസൃത ജലവ്യാപനം ചിലപ്പോഴും ചൂടും വരണ്ട കാലത്തും ജലക്കുറവ് വരുത്താൻ ഇടയാക്കും,മഴക്കാലത്ത് മുട്ടിപ്പറക്കും. മണ്ണിന്റെ ആവശ്യമുള്ളപ്പോൾ ജലവ്യാപനം ഒരുക്കി വെള്ളം ഫലപ്രദമാക്കാം.
കീടനാശനം - ഡ്രോണോക്കളിലോ സ്വയം പ്രവർത്തിക്കുന്ന റോബോട്ടുകളിലോ ക്യാമറകൾ ഉപയോഗിച്ച് കീടനാശനങ്ങൾ കണ്ടെത്തി ആവശ്യമുള്ള സ്ഥലങ്ങളിൽ മാത്രം കീടനാശകങ്ങൾ പ്രയോഗിക്കുക, കീടനാശകങ്ങളുടെ ഉപയോഗം കുറക്കാനും പ്രാദേശിക ജലസംഭരണികളിലേക്ക് കീടനാശക മോറകീടനം കുറക്കാനും കഴിയും.

✅ കുറച്ച് ഗവേഷണം ചെയ്യുക. കൃഷിവലങ്ങളെ മെച്ചപ്പെടുത്താൻ ഉപയോഗിക്കുന്ന മറ്റ് സാങ്കേതികവിദ്യകൾ എന്തെല്ലാം?

🎓 'പ്രിസിഷൻ അഗ്രികൾച്ചർ' എന്ന പദം ഫീല്‍ഡിനോ അതിന്റെ ഭാഗങ്ങൾക്കും കുറഞ്ഞ അളവിൽ കൃഷികളെ നിരീക്ഷിക്കുകയും അളക്കുകയും പ്രതികരിക്കുകയും ചെയ്യുന്നവിധമാണ് അറിയിക്കുന്നത്. ഇതിൽ വെള്ളം, പോഷകങ്ങളും കീട നിരക്കുകളും കൃത്യമായി അളക്കുകയും, ആവശ്യമുള്ള ഭാഗത്തിന് മാത്രമേ ജലം നൽകുകയുള്ളൂ.

കൃഷിയിൽ താപനില എവിടെ പ്രാധാന്യമുണ്ട്?

സസ്യങ്ങളെ കുറിച്ച് പഠിക്കുമ്പോൾ, വെള്ളം, പ്രകാശം, കാർബൺ ഡയോക്സൈഡ് (CO₂) , പോഷകങ്ങൾ അനിവാര്യമാണെന്ന് വിദ്യാർത്ഥികൾക്ക് പഠിപ്പിക്കാറുണ്ട്. എന്നാൽ വളരാൻ ചൂട് വേണം - അതായത് വസന്തകാലത്ത് താപനില ഉയരുന്നത് കൊണ്ട് സസ്യങ്ങൾ പുഷ്പിക്കുന്നു, ചൂട് കുറഞ്ഞ കുറച്ചുനാൾsnowdrops അല്ലെങ്കിൽ daffodils നേരത്തേ വിരിഞ്ഞേക്കുന്നു, ഹോത്തൗസുകളും ഗ്രീൻഹൗസുകളും വളർച്ചക്കായി നല്ലതാണ്.

🎓 ഹോത്തൗസ്, ഗ്രീൻഹൗസ് രണ്ടും സമാന മേഖലകൾ, പക്ഷേ ഹോത്തൗസ് ხელമെടുത്തു ചൂടേകുന്നു, കർഷകർക്ക് താപനില കൃത്യമായി നിയന്ത്രിക്കാം, ഗ്രീൻഹൗസ് സൂര്യനിൽ ആശ്രയച്ചിലവു മാത്രമാണ്, ആകാശം തുറക്കലും ചൂട് വിടാനായി ഉപയോഗിക്കുന്നു.

സസ്യങ്ങൾക്ക് ഒരു അടിസ്ഥാന അല്ലെങ്കിൽ കുറഞ്ഞ താപനിലയും, ഏറ്റവും അനുയോജ്യമായ താപനിലയും, പരമാവധി താപനിലയും ഉണ്ട്, ഇവ ദൈനംദിന ശരാശരി താപനിലകളും പ്രകാരം ആണ്.

അടിസ്ഥാന താപനില - സസ്യത്തിന്റെ വളർച്ചയ്ക്ക് കുറഞ്ഞ ദൈനംദിന ശരാശരി താപനില.
അനുയോജ്യമായ താപനില - വളർച്ചയ്ക്ക് ഏറ്റവും അനുയോജ്യമായ ദൈനംദിന ശരാശരി താപനില.
പരമാവധി താപനില - സസ്യം സഹിക്കാനാകുന്ന പരമാവധി താപനില. ഇതിന് മുകളിൽ വളർച്ച നിർത്തുന്നു, വെള്ളം സംരക്ഷിച്ച് ജീവന്പോരായി നിലനിൽക്കാനുള്ള ശ്രമം ആണ്.

💁 ഇവ ശരാശരി താപനിലകൾ ആണ്, ദിവസം-രാത്രി ശരാശരികൾ ആണ്. സസ്യങ്ങൾ ഫോട്ടോസിന്തസിസ് കൂടുതൽ ഫലപ്രദമായി നടത്താനും രാത്രി ഊർജ്ജം സംരക്ഷിക്കാനുമായി താപനിലകളെക്കുറിച്ച് വ്യത്യസ്തം വേണം.

സസ്യവിവിധതകൾക്കായി ഈ മൂന്നു താപനിലകൾ വ്യത്യസ്തമാണ്. അതുകൊണ്ടാണ് ചില സസ്യങ്ങൾ ചൂടുള്ള പ്രദേശങ്ങളിൽ വളരുക, മറ്റുള്ളവ ശീതള പ്രദേശങ്ങളിൽ.

✅ ഒരു ഗവേഷണം നടത്തുക. നിങ്ങളുടെ കൂടെ ഉള്ള ബഗിച്ചയിൽ, സ്കൂളിൽ അല്ലെങ്കിൽ പ്രാദേശിക പാർക്കിൽ ഉള്ള സസ്യങ്ങളുടെ അടിസ്ഥാന താപനില കണ്ടുപിടിക്കാമോ എന്ന് നോക്കൂ.

മുകളിലുള്ള ഗ്രാഫ് ഒരു ഉദാഹരണമാണ് - താപനിലയുടെ പ്രകാരം വളർച്ചയുടെ വേഗം. അടിസ്ഥാന താപനില വരെയേ വളർച്ച ഇല്ല. വിപുലമായ താപനില വരെ വളർച്ച വർധിക്കും, പിന്നീട് ഉയർന്ന താപനിലക്കുശേഷം കുറയും. പരമാവധി താപനിലയിൽ വളർച്ച നിർത്തുന്നു.

ഗ്രാഫിന്റെ ആകൃതി സസ്യവ από വംശത്തോട് വ്യത്യസ്തമാണ്. ചില ഒന്നിനും മുകളിൽ തീവ്രമായി കുറയുന്നു, ചില മറ്റുമായ് പതുക്കെ വർധിക്കുന്നു.

💁 ഒരു കർഷകൻക്കു മികച്ച വളർച്ച കിട്ടാൻ, ഉപരിതല താപനില മൂല്യങ്ങളും സസ്യങ്ങളുടെ ഗ്രാഫിന്റെ ആകൃതിയും അറിയണം.

ഒരു കർഷകനു താപനില നിയന്ത്രണം ഉള്ളപ്പോൾ, ഉദാഹരണത്തിന് വാണിജ്യ ഹോത്തൗസിൽ, താപനില കൃത്യമായി ക്രമീകരിച്ച് സസ്യനിർമ്മാണം മെച്ചപ്പെടുത്താം. വാണിജ്യ ഹോത്തൗസ് വേളയിൽ ഇളം തണുപ്പ് 20°C, പകൽ 25°C ക്രമീകരിച്ച് വേഗത്തിൽ വളർച്ച നേടും.

🍅 ഈ താപനിലകൾ കൃത്രിമ പ്രകാശം, രാസവളം, നിയന്ത്രിത CO₂ നിലകൾ കൂട്ടിച്ചേർക്കുമ്പോൾ, വാണിജ്യ കർഷകർ മുഴുവൻ വർഷം വിള ഉത്പാദിപ്പിക്കും.

വാതാവരണ താപനില അളക്കുക

താപനില സെൻസറുകൾ ഉപയോഗിച്ച് ഐഒടി ഉപകരണങ്ങളിലൂടെ വാതാവരണ താപനില അളക്കാമാകും.

ഹിതുക - താപനില അളക്കുക

താപനില നിരീക്ഷിക്കാൻ നിങ്ങളുടെ ഐഒടി ഉപകരണം ഉപയോഗിച്ച് അനുയോജ്യമായ മാർഗ്ഗനിർദ്ദേശം പിന്തുടരുക:

Growing degree days

Growing degree days (വളർച്ചാ ഡിഗ്രി ദിനങ്ങൾ) താപനില അടിസ്ഥാനമാക്കി സസ്യങ്ങളുടെ വളർച്ച അളക്കാനുള്ള ഒരു മാർഗമാണ്. ഒരു സസ്യത്തിന് വേണ്ടത്ര വെള്ളം, പോഷകങ്ങൾ, CO₂ ഉണ്ടാകുന്നുവെന്ന് കരുതുമ്പോൾ, താപനില വളർച്ച നിരക്ക് നിർണ്ണയിക്കുന്നു.

Growing degree days (GDD) ദിനംപ്രതി സസ്യത്തിന്റെ അടിസ്ഥാന താപനിലയ്ക്ക് മുകളിൽ വളർച്ചയ്ക്ക് ആവശ്യമായ ആവൃത്തി സെൽഷ്യസിൽ ശരാശരി താപനിലയായി കണക്കാക്കുന്നു. ഓരോ സസ്യത്തിനും വളരാനും പുഷ്പിക്കാനും വിള നൽകാനും പകുതികാല പര്യാപ്തമാകാനുമായി പ്രത്യേകമായി GDD ആവശ്യമാണ്. GDD ദിവസം അധികമാകുമ്പോൾ, സസ്യം വേഗത്തിൽ വളരും.

🇺🇸 അമേരിക്കാക്കാർക്കായി, GDD ഫാരൻഹീറ്റിലും കണക്കാക്കാം. 5 GDD^C (സെൽഷ്യസിലെ growing degree days) ഫാരൻഹീറ്റ് 9 GDD^F (Growing degree days in Fahrenheit) തുല്യമാണ്.

GDD കണക്കുകൂട്ടൽ സമ്പൂർണ ഫോർമുല കുറച്ച് ബുദ്ധിമുട്ടുള്ളതായതിനാൽ വളരെപ്പലസാരമായ ഏകോപനം ഉപയോഗിക്കുന്നു:

GDD - growing degree days എണ്ണം
T_max - ദിവസത്തേക്കുള്ള പരമാവധി താപനില സെൽഷ്യസ്
T_min - ദിവസത്തേക്കുള്ള കുറഞ്ഞ താപനില സെൽഷ്യസ്
T_base - സസ്യത്തിന്റെ അടിസ്ഥാന താപനില സെൽഷ്യസ്

💁 30°C മുകളിൽ T_max നുള്ള വ്യത്യാസങ്ങളും T_min T_base നും താഴെ ഉള്ള ഫലങ്ങളും ഉള്ള വിവേകങ്ങൾ ഉണ്ട്, അവ മാറ്റിവെക്കാം.

ഉദാഹരണം - മക്കൾ വകരം (Maize) 🌽

ജാതി അനുസരിച്ച് മക്കൾ (മൈസ്) 800 മുതൽ 2700 GDD വരെ പകുതികാലത്തേക്കായി ആവശ്യമുണ്ട്, അടിസ്ഥാന താപനില 10°C ആണ്.

ആദ്യ ദിവസം ആ ഉയർന്ന താപനിലയിൽ താഴെ തെരഞ്ഞെടുത്തത്:

അളവ്	താപനം °C
പരമാവധി	16
കുറഞ്ഞത്	12

ഈ സംഖ്യകൾ കണക്കിൽ ചേർത്താൽ:

T_max = 16
T_min = 12
T_base = 10

കണക്കാക്കിയ വില:

അപ്പോഴത്തെ ദിവസം മക്കൾക്ക് 4 GDD ലഭിച്ചു. 800 GDD ആവശ്യമുള്ള ഒരു തരത്തിനും 796 GDD കൂടി ആവശ്യമാണ് പകുതികാലം വരുന്നതിന്.

✅ നിങ്ങളുടെ ഗാർഡനിൽ, സ്കൂളിൽ, പ്രാദേശിക പാർക്കിൽ ഉള്ള സസ്യങ്ങൾക്ക് ആവശ്യമുള്ള GDD കണ്ടെത്തി നോക്കുക.

താപനില സെൻസർ ഡാറ്റ ഉപയോഗിച്ച് GDD കണക്കാക്കുക

സസ്യങ്ങൾ നിശ്ചിത നാളുകളിൽ വളരുന്നില്ല - ഉദാഹരണത്തിന്, ബീജം നടിയ്ക്കുക, 100 ദിവസം കഴിഞ്ഞ് വിള അറിയാൻ സാധിക്കില്ല. കർഷകന് ഏകദേശം ഒരു സസ്യത്തിനു വളർച്ചയ്ക്ക് എത്ര സമയം വേണ്ടെന്ന് അറിഞ്ഞിട്ട്, ദിവസേന വിള നിരവധി ഒരുക്കാൻ നോക്കേണ്ടിവരും.

ഇത് വലിയ പറമ്പിൽ ജോലി കൂടുതൽ ആവശ്യമാകുകയും, സസ്യങ്ങൾ നേരത്തെയെങ്കിലും വിളയready ആകുമ്പോൾ കണ്ടുപിടിക്കാൻ വൈകുന്നതും സംഭവിക്കും. താപനില അളപ്പことで കർഷകൻ GDD കണക്കാക്കി, വേണ്ട സമയത്തിനു അടുത്ത് മാത്രമേ പരിശോധിക്കുക.

താപനിലകൾ IoT ഉപകരണങ്ങൾ ഉപയോഗിച്ച് ശേഖരിച്ച്, സസ്യങ്ങൾ പകുതികാലം അടുത്തു വന്നപ്പോൾ തന്നെ കർഷകർ അറിയാം. സാധാരണ എങ്ങനെ കൂടിയ ആളുകൾ ഉപകരണം ഉപയോഗിച്ച് താപനില അളത്ത്, പിന്നീട് MQTT പോലുള്ള പ്രോട്ടോക്കോൾ വഴി ഇന്റർനെറ്റിൽ ടെലിമെട്രി ഡാറ്റ പ്രചരിപ്പിക്കും. സർവർ കോഡ് ഈ ഡാറ്റ ശ്രദ്ധിച്ച് ഡാറ്റാബേസിലേക്കോ മറ്റൊരു ശേഖരത്തിലേക്കോ സംരക്ഷിക്കും. ഈ ഡാറ്റ പിന്നീട് വിശകലനം ചെയ്യാം, ഓരോ ദിവസവും GDD കണക്കാക്കാനും, സസ്യങ്ങളുടെ GDD പരിശോധിച്ച് പകുതികാലം അടുത്തുണ്ടോ എന്ന് അറിയാനും.

സർവർ കോഡ് വാങ്ങിയ ഡാറ്റ ആഗമെന്റ് ചെയ്യാം, ഉദാഹരണത്തിന്, ഐഒടി ഉപകരണം ഇതെന്താണെന്ന് അറിയിക്കാൻ ഒരു ഐഡന്റ്‍ഫയർ പ്രസിദ്ധീകരിക്കും, തുടർന്ന് സെർവർ കോഡ് അയാളുടെ സ്ഥലം, കണ്ടെത്തുന്ന വിളകൾ എന്നിവ പരിശോധിക്കും. ചില ഐഒടി ഉപകരണങ്ങൾ ശരിയായ സമയം സൂക്ഷിക്കാനാകാത്തതിനാൽ, നിലവിലെ സമയം ലഭിക്കാൻ അത്തരം ഡാറ്റയും ചേർക്കാനും കഴിയും.

✅ വിവിധ കൃഷിസ്ഥലങ്ങളിലും താപനില വ്യത്യസ്തമാകാനുള്ള കാരണങ്ങൾ നിങ്ങൾക്കു എന്താണെന്ന് തോന്നുന്നു?

ഹിതുക - താപനില വിവരം MQTT വഴിയ δημοσίευση ചെയ്യുക

നിങ്ങളുടെ IoT ഉപകരണത്തിന്റെ അനുയോജ്യമായ മാർഗ്ഗനിർദ്ദേശങ്ങൾ പിന്തുടർന്ന് താപനില ഡാറ്റ MQTT വഴി പ്രചരിപ്പിക്കുക, പിന്നീട് വിശകലനം ചെയ്യാം:

ഹിതുക - താപനില വിവരം സ്വീകരിച്ച് സംരക്ഷിക്കുക

ഒരിക്കൽ IoT ഉപകരണം ടെലിമെട്രി പ്രസിദ്ധീകരിച്ചാൽ, സർവർ കോഡിൽ ഈ ഡാറ്റ സ്വീകരിച്ച് സംരക്ഷിക്കാൻ സബ്‌സ്‌ക്രൈബ് ചെയ്യാനാകും. ഡാറ്റാബേസിലേയ്ക്ക് ജാഗ്രതയോടെ സൂക്ഷിക്കാതെ പകരം, കോമാ വിഭജിച്ചത് (CSV) ഫയലിൽ സംരക്ഷിക്കാം. CSV ഫയലുകളിൽ ഡാറ്റ പുത്തൻ നിരകളിലുള്ള മൂല്യങ്ങളായി ടെക്സ്റ്റിൽ സൂക്ഷിക്കുന്നു, ഓരോ മൂല്യവും കോമ സെപ്പറേറ്ററായി; റെക്കോർഡുകൾ പിൻവലിച്ചിരിക്കുന്നു. മനുഷ്യർക്കും ആരെയായും വായിക്കാൻ സൗകര്യമുള്ള ഫയൽ സ്റ്റൊക്കേജ് എന്ന നിലയിൽ ഇത് ഉപയോഗിക്കുന്നു.

CSV ഫയലിന് രണ്ട് കോളങ്ങളുണ്ട് - തിയതി , താപനില. തിയതി കോളം ടെലിമെട്രി സന്ദേശം സെർവറിലേക്ക് ലഭിച്ച സമയത്തേക്കാളുള്ള നിലവിൽ ഡാറ്റയും,താപനില കോളം ടെലിമെട്രി സന്ദേശത്തിൽ നിന്നുള്ള താപനിലയും ആണ്.

പാഠം 4 ലെ മാർഗ്ഗനിർദ്ദേശങ്ങളെ തുടർന്ന് ടെലിമെട്രി ഡാറ്റ സ്വീകരിക്കാൻ സർവർ കോഡ് സൃഷ്ടിക്കുക. കമാന്‍ഡ് പ്രസിദ്ധീകരിക്കാൻ കോഡ് ചേർക്കേണ്ടതില്ല.

വഴിപാടുകൾ:
- ഒരു പൈത്തൺ വെർച്ച്വൽ എൻവയോൺമെന്റ് കോൺഫിഗർ ചെയ്തു പ്രവർത്തിപ്പിക്കുക
- paho-mqtt പിപ് പാക്കേജ് ഇൻസ്റ്റാൾ ചെയ്യുക
- ടെലിമെട്രി വിഷയം മേധാവികളായ MQTT സന്ദേശങ്ങൾ കേൾക്കാനുള്ള കോഡ് എഴുതുക
  
  ⚠️ പാഠം 4ല്‍ ടെലിമെട്രി സ്വീകരിക്കാൻ പൈത്തൺ ആപ്പ് സൃഷ്ടിക്കുന്ന രീതികളുടെ നിർദ്ദേശങ്ങൾക്കായി കാണുക.
അഡ്രസ്സുടെ ഫോൾഡറിന് പേര് temperature-sensor-server എന്നാക്കി വേണം.
client_name ഈ പ്രോജക്ട് പ്രതിഫലിപ്പിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുക:
```
client_name = id + 'temperature_sensor_server'
```
നിലവിലുള്ള ഇറക്കുമതികളുടെ താഴെ ഫയലിന്റെ മുകളിൽ, താഴെ കൊടുത്തിരിക്കുന്ന ഇറക്കുമതി കോഡ് ചേർക്കുക:
```
from os import path
import csv
from datetime import datetime
```
ഇത് ഫയൽ വായിക്കുന്നതിന് ഒരു ലൈബ്രറി, CSV ഫയലുകളുമായി ഇടപഴകാൻ മറ്റൊരു ലൈബ്രറി, തീയതി സമയം കൈകാര്യം ചെയ്യാൻ മറ്റൊരു ലൈബ്രറി എന്നിവ ഇറക്കുമതി ചെയ്യുന്നു.
handle_telemetry എന്ന ഫങ്ഷനിന് മുൻപ് താഴെ കൊടുത്ത കോഡ് ചേർക്കുക:
```
temperature_file_name = 'temperature.csv'
fieldnames = ['date', 'temperature']

if not path.exists(temperature_file_name):
    with open(temperature_file_name, mode='w') as csv_file:
        writer = csv.DictWriter(csv_file, fieldnames=fieldnames)
        writer.writeheader()
```
ഈ കോഡ് ഫയലിന്റെ പേര്, CSV ഫയലിന്റെ കോളം തലവാചകങ്ങൾ എന്നിവയുടെ സ്ഥിരമായ മൂല്യങ്ങൾ പ്രഖ്യാപിക്കുന്നു. CSV ഫയലിന്റെ ആദ്യ നിരയിൽ പരമ്പരാഗതമായി കോളം തലവാചകങ്ങൾ കോമ ഉപയോഗിച്ച് വേർതിരിച്ചിട്ടുണ്ടാകും.

തുടർന്ന് CSV ഫയൽ അതേ സമയം നിലവിലുള്ളതാണോ എന്ന് പരിശോധിക്കുന്നു. ഇല്ലെങ്കിൽ, ഇത് സൃഷ്ടിച്ച് ആദ്യ നിരയിൽ കോളം തലവാചകങ്ങൾ ചേർക്കുന്നു.

handle_telemetry ഫങ്ഷന്റെ അവസാനം താഴെ കൊടുത്ത കോഡ് ചേർക്കുക:

with open(temperature_file_name, mode='a') as temperature_file:        
    temperature_writer = csv.DictWriter(temperature_file, fieldnames=fieldnames)
    temperature_writer.writerow({'date' : datetime.now().astimezone().replace(microsecond=0).isoformat(), 'temperature' : payload['temperature']})

ഈ കോഡ് CSV ഫയല്‍ തുറന്ന്, പിന്നീട് ഒരു പുതിയ വരി അവസാനം ചേര്‍ക്കുന്നു. വരികളില്‍ നിലവിലെ തീയതിയും സമയവും മനുഷ്യന് വായിക്കാന് അനുയോജ്യമായ ആകൃതിയില്‍ ഫോര്‍മാറ്റ് ചെയ്യപ്പെട്ടാണ് ഉള്‍പ്പെടുത്തിയിരിക്കുന്നത്, തുടർന്ന് IoT ഉപകരണത്തില് നിന്ന് ലഭിച്ച താപനില. ഡാറ്റ ISO 8601 ഫോര്‍മാറ്റില്‍ ടൈംസോണോടുകൂടെ സൂക്ഷിക്കപ്പെടുന്നു, മൈക്രോസെക്കൻഡ് ഇല്ലാതെ.

നിങ്ങളുടെ IoT ഉപകരണം ഡാറ്റ അയക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കിയാണ് ഈ കോഡ് മുന്‍പ് ചെയ്തതുപോലെ ഓടിക്കുക. temperature.csv എന്ന പേരിലുള്ള CSV ഫയല്‍ അതേ ഫോള്‍ഡറില്‍ സൃഷ്ടിക്കപ്പെടും. അത് കാണുമ്പോള്‍ തീയതികളും/സമയങ്ങളും കൂടാതെ താപനില അളവുകളും കാണാം:
```
date,temperature
2021-04-19T17:21:36-07:00,25
2021-04-19T17:31:36-07:00,24
2021-04-19T17:41:36-07:00,25
```
ഡാറ്റ ശേഖരിക്കാൻ കുറച്ച് സമയത്തേക്ക് ഈ കോഡ് ഓടിക്കുക. GDD കണക്കാക്കാൻ ആവശ്യമായ ഡാറ്റ സമ്പാദിക്കാൻ Ideally ഒരു പൂർണ്ണ ദിവസം ഈ കോഡ് ഓടിക്കണം.

💁 നിങ്ങൾ Virtual IoT Device ഉപയോഗിക്കുന്നുവെങ്കിൽ, random ചോർണ്ണിടത്തരൻ സജ്ജീകരിച്ച് താപനില മൂല്യം പ്രതിസന്ധി വരാതിരിക്കാൻ ഒരു പരിധി നിശ്ചയിക്കുക.

💁 ഒരു പൂർണ്ണ ദിവസംക്കായി ഇത് ഓടിക്കുക ആഗ്രഹിക്കുന്നുവെങ്കിൽ, നിങ്ങളുടെ സെർവർ കോഡ് ഓടിക്കുന്ന കമ്പ്യൂട്ടർ നിദ്രയില്‍ പോകാതിരിക്കാൻ പവർ സജ്ജീകരണങ്ങൾ മാറ്റുക അല്ലെങ്കിൽ ഈ keep system active Python സ്ക്രിപ്റ്റ് പോലുള്ളത് ഉപയോഗിക്കുക.

💁 ഈ കോഡ് code-server/temperature-sensor-server ഫോൾഡറിൽ കണ്ടെത്താം.

ടാസ്ക് - സൂക്ഷിച്ചിട്ടുള്ള ഡാറ്റ ഉപയോഗിച്ച് GDD കണക്കാക്കുക

സർവർ താപനില ഡാറ്റ പിടിച്ചെടുത്തതിനുശേഷം ഒരു വൃക്ഷത്തിന് GDD കണക്കാക്കാം.

ഇത് manually ചെയ്യാനുള്ള ഘട്ടങ്ങൾ:

വൃക്ഷത്തിന് അടിസ്ഥാന താപനില കണ്ടെത്തുക. ഉദാഹരണത്തിന്, സ്റ്റ്രോബേരി വൃക്ഷങ്ങൾക്ക് 10°C ആണ് അടിസ്ഥാന താപനില.
temperature.csv ഫയലിൽ നിന്നു ആ ദിവസത്തുള്ള ഏറ്റവും ഉയർന്നയും ഏറ്റവും താഴ്ന്നതുമായ താപനില കണ്ടെത്തുക.
മുമ്പ് നൽകിയ GDD കണക്കിലെക്കൽ ഫോർമുല ഉപയോഗിച്ച് GDD കണക്കാക്കുക.

ഉദാഹരണത്തിന്, ആ ദിവസത്തുള്ള ഏറ്റവും ഉയർന്ന താപനില 25°C ആണെങ്കിൽ, ഏറ്റവും താഴ്ന്നത് 12°C ആണെങ്കിൽ:

25 + 12 = 37
37 / 2 = 18.5
18.5 - 10 = 8.5

അതായത്, സ്റ്റ്രോബറിക്ക് 8.5 GDD ലഭിച്ചിട്ടുണ്ട്. സ്റ്റ്രോബറികൾക്ക് ഫലം നൽകാൻ ഏകദേശം 250 GDD ആവശ്യമുള്ളതിനാൽ ഇതിൽ കുറച്ച് കൂടി സമയം വേണം.

🚀 ചലഞ്ച്

വൃക്ഷങ്ങൾ വളരാൻ ഉയർത്തം മാത്രമല്ല. മറ്റെന്തു കാര്യങ്ങൾ വേണ്ടിവരും?

അവ കണ്ടെത്താൻ സെൻസറുകൾ ഉണ്ടോ എന്ന് പരിശോധിക്കുക. ഈ നിലകൾ നിയന്ത്രിക്കാൻ ആക്ചുവേറ്ററുകൾ എന്തെന്ത് ഉണ്ട്? വൃക്ഷങ്ങളുടെ വളർച്ച മെച്ചപ്പെടുത്താൻ നിങ്ങൾ എങ്ങനെ ഒരെണ്ണം അല്ലെങ്കിൽ അധികം IoT ഉപകരണങ്ങൾ ചേർത്ത് പ്രവർത്തിപ്പിക്കുമെന്നാണ് നിങ്ങളുടെ അഭിപ്രായം?

പോസ്റ്റ്-ലെക്ചർ ക്വിസ്സ്

Post-lecture quiz

അവലോകനവും സ്വയം പഠനവും

ഡിജിറ്റൽ കൃഷി സംബന്ധിച്ച് കൂടുതൽ വായിക്കാൻ Digital Agriculture Wikipedia page സന്ദർശിക്കുക. കൂടാതെ നിരീക്ഷണ കൃഷി സംബന്ധിച്ച് വായനക്കായി Precision Agriculture Wikipedia page കാണുക.
ഇവിടെ നൽകിയ ലളിതമായ ഫോർമുലയ്ക്ക് പുറമേ, GDD കണക്കുകൂട്ടൽ കൂടുതൽ സങ്കീർണ്ണമാണ്. ലളിതമല്ലാത്ത സമവാക്യവും അടിസ്ഥാന താപനിലയിൽ താഴെയുള്ള താപനിലകൾ എങ്ങനെ കൈകാര്യം ചെയ്യാമെന്നതും Growing Degree Day Wikipedia page ൽ വായിക്കുക.
ഫ്യൂച്ചറിൽ ഭക്ഷണം കുറവേ ആയേക്കാം, എന്നാൽ ഇപ്പോഴും പഴയ കൃഷി രീതി തുടരുകയാണെങ്കിൽ. അതിനാൽ ഹൈ‑ടെക് കൃഷി രീതികൾക്ക് പഠനം ചെയ്യുക Hi-Tech Farms of Future video on YouTube.

അസൈൻമെന്റ്

Jupyter Notebook ഉപയോഗിച്ച് GDD ഡാറ്റ ദൃശ്യവല്‍ക്കരിക്കുക

വിധിവിലക്ക്:
ഈ ദസ്താവേജു് എഐ ഭാഷാന്തര സേവനമായ Co-op Translator ഉപയോഗിച്ച് ഭാഷാന്തരപ്പെടുത്തിയതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിക്കുന്നുവെങ്കിലും, യന്ത്രം നിർവ്വഹിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകളോ തക്കത്രെകുകളോ ഉണ്ടായിരിക്കാമെന്ന് ദയവായി മനസിലാക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള മൂല ദസ്താവേജ് മാത്രമേ പ്രാമാണിക സ്രോതസ്സ് ആയി കണക്കാക്കാവൂ. അത്യന്താപേക്ഷിത വിവരംക്കായി പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം നിർദേശിക്കുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുള്ള ഏതെങ്കിലുമുള്ള തെറ്റിദ്ധാരണകൾക്കും വ്യാഖ്യാനങ്ങളിൽനിന്നും ഞങ്ങൾ ഉത്തരവാദിത്വം സ്വീകരിക്കില്ല.

40 KiB Raw Permalink Blame History Unescape Escape