سود:
- توانایی تشخیص و مدیریت ریسکهای اخلاقی مانند مالکیت دادههای کشاورز، حریم خصوصی و سوگیری الگوریتمی
- امکان ترکیب همه پیوندهای ماژول در یک گردش کار فصلی از پایان به انتها
- ایجاد در یک سیستم کیفیت که خروجی هوش مصنوعی جایگزین تاییدیه زراعی ذیصلاح در تصمیمات کشاورزی حیاتی برای ایمنی نشود.
امتحان ماژول
1. لنگرهای اعتبارسنجی "سه لنگر" قبل از ترکیب خروجی هوش مصنوعی در تصمیم گیری در مهندسی کشاورزی چه هستند؟
- الف) محدوده اندازه، قابل قبول بودن زراعی و شواهد میدانی ✔
- ب) محبوبیت مدل، طول پاسخ و تسلط به زبان
- ج) قیمت، سرعت و رابط کاربری
- د) اعتبار برند، اتصال به اینترنت و فرمت فایل
توضیحات: سه لنگر; مرتبه بزرگی، که بررسی می کند آیا نتیجه در توان 10 مورد انتظار است یا خیر، معقول بودن زراعی، که به سازگاری بازده با محصول و اقلیم نگاه می کند، و شواهد صحرایی، که به جای هسته/نمونه، تأیید را در زمینه فراهم می کند. نام تجاری منبع، محبوبیت مدل، یا روان بودن متن معیار تأیید نیست.
2. NDVI (شاخص تفاوت نرمال شده گیاهی) اساساً چه چیزی را اندازه گیری می کند؟
- الف) درصد رطوبت دقیق خاک را بر حسب سانتی متر تعیین کنید
- ب) تراکم و قدرت پوشش گیاهی سبز و پر جنب و جوش ✔
- ج) کدام عامل بیماری در سطح گونه وجود دارد؟
- د) قیمت نهایی محصول پس از برداشت
توضیحات: NDVI چگالی و استحکام پوشش گیاهی سبز و زنده فتوسنتزی را با عادی سازی تفاوت بین بازتاب های باند قرمز نزدیک (NIR) اندازه گیری می کند. از آنجایی که گیاهان سالم NIR را به شدت منعکس می کنند و قرمز را به شدت جذب می کنند، NDVI افزایش می یابد. مقدار در پوشش استرس زا یا پراکنده کاهش می یابد. این به طور مستقیم عملکرد، رطوبت خاک یا نوع بیماری را اندازه گیری نمی کند. اینها به داده های اضافی نیاز دارند.
3. تصویر ماهواره ای ناحیه ای با مقدار NDVI پایین را نشان می دهد. کدام یک از موارد زیر بهترین قدم قبل از تبدیل این ناهنجاری به یک تصمیم مهندسی است؟
- الف) بلافاصله قارچ کش را در آن ناحیه بمالید
- ب) دوبرابر کردن دوز کود به منطقه
- ج) با کنترل میدانی، هواشناسی و فنولوژی علت را تأیید کنید ✔
- د) ناهنجاری را نادیده بگیرید و یک میانگین را در کل زمینه اعمال کنید
توضیح: NDVI پایین ممکن است ناشی از تنش آبی، بیماری، کمبود مواد مغذی، ظهور نادر، سایه ابر یا خاک تازه شخم زده باشد. ما فقط می توانیم این عدم قطعیت را از طریق کنترل میدانی، هواشناسی و فنولوژی تشخیص دهیم. نقشه به تنهایی دلیل آن را نمی گوید. استفاده مستقیم از آفت کش ها یا کودها خطر تداخل با علت نادرست را به همراه دارد.
4. دقیق ترین رویکرد هنگام وارد کردن مختصات مزرعه کشاورز، داده های محصول و هزینه در ابزار هوش مصنوعی در دسترس عموم چیست؟
- الف) چسباندن تمام داده ها همانطور که با شناسه و مختصات آن است
- ب) اطلاعات شناسایی را ناشناس کنید و فقط داده های فنی ضروری را به اشتراک بگذارید ✔
- ج) بارگذاری داده ها در یک جدول عمومی بدون بررسی آن
- د) اهدای داده به آموزش مدل بدون اجازه کشاورز
افشا: داده های کشاورز از نظر تجاری و شخصی حساس هستند. اطلاعات مربوط به هماهنگی، هویت و هزینه یک موضوع دارایی و محرمانه است. رویکرد صحیح این است که اطلاعات شناسایی را با برچسب های نماینده (Plot-A, X مختصات) ناشناس کنید و فقط داده های فنی مورد نیاز برای تجزیه و تحلیل را به اشتراک بگذارید. اشتراکگذاری دادهها به همان شکلی که هستند یا باز کردن آنها برای آموزش بدون اجازه، خطرات اخلاقی و قانونی دارد.
5. گزارش تجزیه خاک PH را 4.8 می خواند. این مقدار از نظر زراعی به چه معناست؟
- الف) خاک خنثی و ایده آل برای اکثر محصولات زراعی
- ب) به شدت اسیدی. شرایطی که ممکن است مصرف غذا را محدود کند و نیاز به اصلاح داشته باشد ✔
- ج) قلیایی قوی; شرایطی که نیاز به آهک دارد
- د) یعنی شوری خاک فوق العاده زیاد است.
توضیحات: pH 4.8 نشان دهنده خاک بسیار اسیدی است. تحت این شرایط، جذب فسفر و مولیبدن کاهش مییابد، خطر سمیت آلومینیوم/منگنز افزایش مییابد و رشد ریشه در بسیاری از گیاهان سرکوب میشود. برای اکثر محصولات زراعی، 6.0-7.0 محدوده مناسب است. بنابراین اصلاحی مانند آهک گذاری در نظر گرفته می شود; خاک اسیدی "ایده آل" نیست و به خودی خود عملکرد بالا را تضمین نمی کند.
6. هوش مصنوعی 60 کیلوگرم نیتروژن خالص در هر دکار برای مزرعه گندم توصیه کرد. بازده عملی و هدف منطقه ای تقریباً 16-12 کیلوگرم نیتروژن خالص در هر دکارت را نشان می دهد. بهترین رفتار چیست؟
- الف) اجرای توصیه همانطور که هست، زیرا هوش مصنوعی محاسبه کرده است
- ب) افزایش دوز حتی بیشتر برای ایمن بودن
- ج) آن را به عنوان اخطار مرتبه بزرگی ببینید و ورودی ها و کالیبراسیون محلی را بررسی کنید ✔
- د) تقسیم پیشنهاد به نصف بدون در نظر گرفتن آنالیز خاک
توضیحات: توصیه تقریباً چهار برابر محدوده مورد انتظار است. این یک هشدار مرتبه بزرگ است. نیتروژن بیش از حد به معنای آسیب اقتصادی و خطر افسردگی، بیماری و آلودگی نیترات است. رفتار صحیح رد توصیه و بررسی ورودی ها (واحد، عملکرد، عملکرد هدف، N خاک) و کالیبراسیون محلی است. کاربرد کور باعث آسیب زیست محیطی و زراعی می شود.
7. «مصرف آب گیاهی» (تبخیر و تعرق، ET) مورد استفاده در تصمیمات آبیاری به چه معناست؟
- الف) مقدار آبی که فقط از طریق بارندگی وارد خاک می شود
- ب) از دست دادن کل آب از طریق تبخیر از خاک و تعرق از گیاه ✔
- ج) هدایت الکتریکی خاک
- د) مقدار فشار در لوله آبیاری
توضیح: تبخیر و تعرق کل آب از دست رفته از خاک به جو از طریق تبخیر و تعرق از گیاه است. با ضرب ET مرجع در ضریب محصول (Kc)، نیاز واقعی آب محصول (ETc) برآورد شده و آبیاری با توجه به این بیلان آبی برنامه ریزی می شود. ET بارندگی یا شوری خاک نیست. این نشان دهنده سمت خروجی بودجه آب است.
8. مهندسي كه علائم را روي برگ مشاهده كرد، توضيحات عكس را به هوش مصنوعي داد و تشخيص اوليه را دريافت كرد. کدام یک قبل از تبدیل این تشخیص به تصمیم کنترل آفات اجباری است؟
- الف) تایید عامل در مزرعه/آزمایشگاه و انتخاب داروی دارای مجوز و برچسب ✔
- ب) مصرف چند داروی مختلف با هم، فقط برای ایمن بودن
- ج) هر چه هوش مصنوعی می گوید بلافاصله ماده فعال را بکار ببرید.
- د) ارزان ترین آفت کش را انتخاب کرده و در کل مزرعه بمالید
توضیح: تشخیص اولیه از روی تصویر به تنهایی به دلیل عوامل مختلف (قارچی، باکتری، ویروسی، کمبود مواد مغذی، استرس غیرزیستی) که علائم مشابهی ایجاد می کنند، کافی نیست. عامل باید با یک نمونه میدانی و در صورت لزوم تشخیص آزمایشگاهی تایید شود و سپس فقط یک داروی دارای مجوز برای آن عامل و آن محصول و مناسب برای برچسب آن انتخاب شود. کاربرد آفت کش های وسیع الطیف بدون تایید، خطر مقاومت و باقی مانده را ایجاد می کند.
9. هدف از مفهوم GDD (روز درجه رشد) که اغلب در حمایت از تصمیمات کشاورزی استفاده می شود چیست؟
- الف) با رعایت مقدار pH خاک
- ب) پیش بینی مراحل رشد گیاه و ظهور آفت با تجمع گرما ✔
- ج) اندازه گیری دبی لوله آبیاری
- د) محاسبه قیمت بازار محصول
توضیحات: GDD کل گرمای انباشته شده با کم کردن دمای پایه از دمای متوسط روزانه است و برای تخمین مراحل رشد (فنولوژی) گیاه و زمان ظهور برخی آفات استفاده می شود. بنابراین، سمپاشی، کوددهی و پنجره های برداشت را می توان بر اساس انباشت گرما و نه تقویم برنامه ریزی کرد. GDD pH خاک یا میزان بارندگی مستقیم نیست.
10. کدام یک از موارد زیر دقیق ترین عبارت برای مدل پیش بینی بازدهی است که با یادگیری ماشین ایجاد شده است؟
- الف) آینده را دقیق و بدون خطا پیش بینی می کند
- ب) بر اساس الگوهای گذشته است. باید با محدوده عدم قطعیت داده شود و تأیید شود ✔
- ج) همیشه در شرایطی غیر از داده های آموزشی با همان دقت کار می کند.
- د) او تنها تصمیم گیرنده نهایی بدون اطلاعات زراعی است
توضیحات: یک مدل یادگیری ماشینی بر اساس الگوهایی است که در داده های تاریخی می بیند. هنگامی که شرایط ورودی خارج از داده های آموزشی قرار می گیرد (تنوع جدید، آب و هوای غیر معمول) اعتماد به نفس کاهش می یابد. بنابراین، خروجی باید با محدوده عدم قطعیت داده شود، نه یک امتیاز، و باید با بازده تاریخی و معیارها تأیید شود. مدل آینده را با قطعیت نمی شناسد و تحت هر شرایطی با دقت یکسان کار نمی کند.
11. بهترین تمرین قبل از اجرای کدهای تجزیه و تحلیل پایتون/پاندای تولید شده توسط هوش مصنوعی چیست؟
- الف) اعمال کد به طور مستقیم بر روی کل مجموعه داده بدون خواندن آن
- ب) آزمایش با داده های نمونه کوچک با نتایج شناخته شده و بررسی فرمول ها و واحدها ✔
- ج) با توجه به اینکه صرف کار بدون خطا کافی است.
- د) قرار دادن خروجی در گزارش بدون بررسی
توضیحات: در حالی که ممکن است کد تولید شده توسط هوش مصنوعی صحیح به نظر برسد، ممکن است شامل واحد، نام ستون، فرمول فهرست یا خطاهای منطقی فیلتر باشد. تمرین خوب این است که به صورت دستی نتیجه را با نمونه کوچکی از دادههایی که میشناسید اجرا کنید، آن را با خروجی مورد انتظار مقایسه کنید و فرمولهایی مانند NDVI را با منبع بررسی کنید. اعمال کد روی داده های بزرگ بدون دیدن آن، باگ های خاموش را به سمت تولید منتقل می کند.
12. چرا دفترچه دارو در سوابق ردیابی اهمیت دارد؟
- الف) صرفاً برای دریافت کسر مالیات
- ب) سوابق قابل تاییدی را برای انطباق با MRL، گواهینامه و ردیابی دسته ای ارائه می دهد ✔
- ج) فقط برای مقایسه با فیلدهای همسایه
- د) تهیه بروشورهای تبلیغاتی
توضیحات: کتاب تجویز دارو; این نشان می دهد که کدام محصول، کدام ماده فعال، در کدام دوز و تاریخ استفاده شده است، و دوره انتظار بین آخرین کاربرد و برداشت. این ضبط برای انطباق با حداکثر حد باقیمانده (MRL)، گواهینامه زراعی/ارگانیک خوب، و ردیابی دسته ای در صورت بروز مشکل الزامی است. صرفاً برای ردیابی هزینه یا تبلیغات نگهداری نمی شود.
13. یک ابزار هوش مصنوعی با اطمینان آفتی را که در آن منطقه یافت نمی شود به عنوان "تهدید مشترک" گزارش کرد. کدام مفهوم می تواند این وضعیت را به بهترین شکل توضیح دهد؟
- الف) خطای کالیبراسیون سنسور
- ب) توهم: تولید اطلاعاتی که به زبان امن وجود ندارد ✔
- ج) قطع اتصال به شبکه
- د) کمبود داده های بارندگی
توضیح: هنگامی که مدل اطلاعاتی را تولید می کند که در واقع وجود ندارد یا با زمینه مطابقت ندارد، به آن توهم گفته می شود، گویی که واقعی، روان و مطمئن باشد. فیلتر محتمل بودن زراعی (آیا اقلیم و الگوی محصول منطقه برای آن آفت مناسب است؟) و شواهد میدانی چنین خطاهایی را قبل از امضا میگیرند. این یک نقص سنسور یا خطای واحد نیست.
14. نقش هوش مصنوعی در تصمیمات کشاورزی که برای ایمنی و کیفیت حیاتی هستند (به عنوان مثال دوز آفت کش، نسخه کود، طرح آبیاری) چگونه باید تعریف شود؟
- الف) مرجع صالحی که به تنهایی تصمیم نهایی را اتخاذ می کند
- ب) سیستم خودکار جایگزین تاییدیه زراعی ذیصلاح
- ج) دستیار که پیش نویس و پیشنهاد تهیه می کند و تصمیم گیری را به کارشناس واگذار می کند
- د) منبع دقیق اطلاعات که نیازی به تأیید ندارد
توضیحات: هوش مصنوعی; این یک دستیار است که خطوط کلی را تولید می کند، داده ها را خلاصه می کند و فرضیه ها را پیشنهاد می کند. حرف آخر در تصمیم گیری های حیاتی متعلق به مهندس کشاورزی ذیصلاح است که با مشاهدات صحرایی، کالیبراسیون محلی و قوانین آشنایی دارد. خروجی هوش مصنوعی جایگزین این تایید نمی شود. وقتی صحبت از ایمنی محصول، محیط زیست و مواد غذایی می شود، مسئولیت بر عهده کارشناس امضا است.