Gevinster:
- Evne til at genkende og håndtere etiske risici såsom ejerskab af landmandsdata, privatliv og algoritmisk bias
- Evne til at kombinere alle modulets links i en enkelt sæsonbestemt end-to-end workflow
- Etablering i et kvalitetssystem, at AI-output ikke erstatter kompetent agronomgodkendelse i sikkerhedskritiske landbrugsbeslutninger
Modul eksamen
1. Hvad er ankrene i "tre ankre"-valideringen, der anvendes, før AI-output inkorporeres i en beslutning inden for landbrugsteknik?
- A) Størrelsesområde, agronomisk plausibilitet og feltbevis ✔
- B) Modellens popularitet, svarlængde og sproglig sprogbrug
- C) Pris, hastighed og brugerflade
- D) Brand troværdighed, internetforbindelse og filformat
Beskrivelse: Tre ankre; størrelsesorden, som kontrollerer, om resultatet ligger inden for den forventede potens 10, agronomisk rimelighed, som ser på outputtets overensstemmelse med afgrøde og klima, og markevidens, som giver bekræftelse i marken frem for kerne/prøve. Kildens mærke, modellens popularitet eller tekstens flydende karakter er ikke verifikationskriterier.
2. Hvad måler NDVI (Normalized Difference Vegetation Index) grundlæggende?
- A) Bestem jordens nøjagtige fugtprocent i centimeter
- B) Tæthed og styrke af grøn, levende vegetation ✔
- C) Hvilket sygdomsmiddel findes på artsniveau?
- D) Slutproduktpris efter høst
Beskrivelse: NDVI måler tætheden og styrken af grøn, fotosyntetisk levende vegetation ved at normalisere forskellen mellem nær-infrarøde (NIR) og røde båndreflektanser. Da sunde planter reflekterer NIR stærkt og absorberer rødt intenst, øges NDVI; Værdien falder i belastende eller sparsom dækning. Den måler ikke direkte udbytte, jordfugtighed eller sygdomstype; disse kræver yderligere data.
3. Et satellitbillede viser et område med en lav NDVI-værdi. Hvilket af følgende trin er det bedste at tage, før du gør denne uregelmæssighed til en ingeniørbeslutning?
- A) Påfør fungicid på dette område med det samme
- B) Fordobling af gødningsdosis til området
- C) Bekræft årsagen ved feltkontrol, meteorologi og fænologi ✔
- D) Ignorer anomalien og anvend et gennemsnit på hele feltet
Forklaring: Lavt NDVI kan være forårsaget af vandstress, sygdom, næringsstofmangel, sjældent fremspiring, skyskygge eller nypløjet jord. Vi kan kun skelne denne usikkerhed gennem feltkontrol, meteorologi og fænologi; Kortet alene fortæller ikke hvorfor. Påføring af pesticider eller gødning medfører direkte risiko for at forstyrre den forkerte årsag.
4. Hvad er den mest nøjagtige tilgang, når man indtaster landmandsmarkkoordinater, udbytte- og omkostningsdata i et offentligt tilgængeligt AI-værktøj?
- A) Indsæt alle data som de er med deres ID og koordinater
- B) Anonymiser identificerende oplysninger og del kun nødvendige tekniske data ✔
- C) Indlæsning af data i en offentlig tabel uden at kontrollere det overhovedet
- D) Donere data til modeltræning uden tilladelse fra landmanden
Offentliggørelse: Landmandsdata er kommercielt og personligt følsomme; Koordinat-, identitets- og omkostningsoplysninger er et spørgsmål om ejendom og fortrolighed. Den korrekte tilgang er at anonymisere identifikationsoplysninger med repræsentative etiketter (Plot-A, X-koordinat) og kun dele de tekniske data, der kræves til analyse. At dele data, som de er, eller åbne dem for uddannelse uden tilladelse, udgør etiske og juridiske risici.
5. Jordanalyserapporten viser pH til 4,8. Hvad betyder denne værdi agronomisk?
- A) Neutral og ideel jord til de fleste afgrøder
- B) Stærkt surt; En tilstand, der kan begrænse fødeindtagelsen og kræve korrektion ✔
- C) Stærk alkali; en tilstand, der kræver kalkning
- D) Det betyder, at saltindholdet i jorden er ekstremt højt.
Beskrivelse: pH 4,8 indikerer en stærkt sur jord; Under denne tilstand reduceres fosfor- og molybdænoptagelsen, risikoen for aluminium/mangan-toksicitet øges, og rodudviklingen undertrykkes i mange afgrøder. For de fleste markafgrøder er 6,0-7,0 det passende interval. Derfor overvejes en korrektion såsom kalkning; Sur jord er ikke 'ideel' og garanterer ikke i sig selv høje udbytter.
6. AI anbefalede 60 kg rent nitrogen pr. dekar til en hvedemark; Regionalt praktisk udbytte og måludbytte angiver cirka 12-16 kg rent kvælstof pr. dekar. Hvad er den bedste adfærd?
- A) Implementering af anbefalingen, som den er, fordi den beregnede AI
- B) Øg dosis endnu mere for at være sikker
- C) Se det som en advarsel i en størrelsesorden og kontroller input og lokal kalibrering ✔
- D) Opdeling af forslaget i to uden at tage hensyn til jordbundsanalysen
Beskrivelse: Anbefalingen er cirka fire gange det forventede interval; Dette er en advarsel af størrelsesorden. For højt kvælstof betyder både økonomisk skade og risiko for depression, sygdom og nitratforurening. Den korrekte adfærd er at afvise anbefalingen og kontrollere input (enhed, udbytte, måludbytte, jord N) og lokal kalibrering. Blind påføring forårsager miljømæssige og agronomiske skader.
7. Hvad betyder 'plantevandsforbrug' (evapotranspiration, ET), der bruges i vandingsbeslutninger?
- A) Mængden af vand, der kun kommer ind i jorden gennem nedbør
- B) Totalt vandtab gennem fordampning fra jorden og transpiration fra planten ✔
- C) Jordens elektriske ledningsevne
- D) Trykværdi i vandingsrøret
Forklaring: Evapotranspiration er det samlede vandtab fra jorden til atmosfæren gennem fordampning og transpiration fra planten. Ved at gange reference-ET med afgrødekoefficienten (Kc) estimeres det faktiske vandbehov for produktet (ETc), og vanding planlægges i henhold til denne vandbalance. ET er ikke nedbør eller jordsaltholdighed; Det repræsenterer udløbssiden af vandbudgettet.
8. En ingeniør, der så symptomer på bladet, gav fotobeskrivelsen til AI og modtog en foreløbig diagnose. Hvad er obligatorisk, før man oversætter denne diagnose til en beslutning om skadedyrsbekæmpelse?
- A) Bekræftelse af midlet i marken/laboratoriet og valg af et licenseret og mærket lægemiddel ✔
- B) At tage flere forskellige medicin sammen, bare for en sikkerheds skyld
- C) Påfør den aktive ingrediens med det samme, hvad end AI siger.
- D) Vælg det billigste pesticid og påfør det på hele marken
Forklaring: Foreløbig diagnose fra billedet alene er ikke tilstrækkelig på grund af forskellige faktorer (svampe, bakteriel, viral, næringsstofmangel, abiotisk stress), der forårsager lignende symptomer. Agenten skal bekræftes med en feltprøve og om nødvendigt laboratoriediagnose, og derefter bør kun et lægemiddel, der er godkendt til det pågældende middel og det pågældende produkt og egnet til dets etiket, vælges. Bredspektret pesticidpåføring uden verifikation skaber risiko for resistens og rester.
9. Hvad er formålet med GDD-konceptet (Growth Degree Day), som ofte bruges i landbrugets beslutningsstøtte?
- A) Følger jordens pH-værdi
- B) Forudsigelse af planteudviklingsstadier og fremkomst af skadedyr ved varmeakkumulering ✔
- C) Måling af vandingsrørets flowhastighed
- D) Beregning af markedsprisen på produktet
Beskrivelse: GDD er den samlede varme akkumuleret ved at trække en basistemperatur fra den daglige gennemsnitstemperatur og bruges til at estimere plantens udviklingsstadier (fænologi) og fremkomsttidspunktet for nogle skadedyr. Sprøjtning, gødskning og høstvinduer kan således planlægges efter varmeakkumulering frem for kalender. GDD er ikke jordens pH eller direkte nedbørsmængde.
10. Hvilket af følgende er det mest nøjagtige udsagn for en udbytteforudsigelsesmodel etableret med maskinlæring?
- A) Forudsiger fremtiden præcist og uden fejl
- B) Det er baseret på tidligere mønstre; Skal gives med usikkerhedsområde og verificeres ✔
- C) Det fungerer altid med samme nøjagtighed under andre forhold end træningsdata.
- D) Han er den eneste endelige beslutningstager uden agronomiske oplysninger
Beskrivelse: En maskinlæringsmodel er baseret på mønstre, den ser i historiske data; Tilliden falder, når inputbetingelserne falder uden for træningsdataene (ny sort, usædvanligt klima). Derfor bør output gives med et usikkerhedsinterval, ikke et punkt, og bør verificeres med historisk udbytte og benchmarks. Modellen kender ikke fremtiden med sikkerhed og fungerer ikke med samme nøjagtighed under alle forhold.
11. Hvad er den bedste praksis, før du kører en AI-genereret Python/pandas-analysekode?
- A) Anvendelse af koden direkte på hele datasættet uden at læse det
- B) Test med en lille prøvedata med kendte resultater og kontrol af formler og enheder ✔
- C) I betragtning af, at det er tilstrækkeligt at arbejde uden fejl.
- D) Indsætte output i rapporten uden at kontrollere det overhovedet
Beskrivelse: Selvom den AI-genererede kode kan forekomme korrekt, kan den indeholde enhed, kolonnenavn, indeksformel eller filterlogikfejl. God praksis er manuelt at køre resultatet mod et lille udsnit af data, du kender, sammenligne det med det forventede output og kontrollere formler som NDVI mod kilden. Anvendelse af kode på big data uden at se det flytter tavse fejl til produktion.
12. Hvorfor er notesbogen til lægemiddeladministration kritisk i sporbarhedsregistreringer?
- A) Bare for at få skattefradrag
- B) Giver verificerbar registrering af MRL-overholdelse, certificering og batch-sporing ✔
- C) Kun til sammenligning med nabomarker
- D) At udarbejde reklamebrochurer
Beskrivelse: Medicinadministrationsbog; Den dokumenterer hvilket produkt, hvilket aktivt stof, i hvilken dosis og dato det blev brugt, og ventetiden mellem sidste påføring og høst. Denne registrering er obligatorisk for overholdelse af maksimal restkoncentrationsgrænse (MRL), god agronomisk/økologisk certificering og batchsporing, hvis der opstår et problem. Det opbevares ikke udelukkende til omkostningssporing eller annoncering.
13. Et kunstig intelligens-værktøj rapporterede med sikkerhed et skadedyr, der ikke blev fundet i området, som en 'almindelig trussel'. Hvilket koncept kan bedst forklare denne situation?
- A) Sensorkalibreringsfejl
- B) Hallucination: produktion af information, der ikke findes på et sikkert sprog ✔
- C) Netværksforbindelsesafbrydelse
- D) Mangel på nedbørsdata
Forklaring: Det kaldes hallucination, når modellen producerer information, der faktisk ikke eksisterer eller ikke matcher konteksten, som om den var ægte, flydende og selvsikker. Filteret for agronomisk plausibilitet (er regionens klima og afgrødemønster egnet til det skadedyr?) og markbeviser fanger sådanne fejl før underskrift. Dette er ikke en sensorfejl eller enhedsfejl.
14. Hvordan skal kunstig intelligenss rolle defineres i landbrugsbeslutninger, der er kritiske for sikkerhed og kvalitet (f.eks. pesticiddosering, gødningsordination, kunstvandingsplan)?
- A) Den kompetente myndighed, der alene træffer den endelige beslutning
- B) Automatiseret system, der erstatter kompetent agronomgodkendelse
- C) En assistent, der udarbejder udkast og forslag og overlader beslutningen til eksperten ✔
- D) Nøjagtig informationskilde, der ikke kræver verifikation
Beskrivelse: Kunstig intelligens; Det er en assistent, der producerer skitser, opsummerer data og foreslår hypoteser. Det sidste ord i kritiske beslutninger tilhører den kompetente landbrugsingeniør, som er fortrolig med feltobservation, lokal kalibrering og lovgivning; AI-output erstatter ikke denne godkendelse. Når det kommer til produkt-, miljø- og fødevaresikkerhed, ligger ansvaret hos underskriftseksperten.