Voitot:
- Kyky tunnistaa ja hallita eettisiä riskejä, kuten viljelijän tietojen omistus, yksityisyys ja algoritminen harha
- Mahdollisuus yhdistää kaikki moduulin linkit yhdeksi kausiluonteiseksi päästä päähän -työnkulkuun
- Laatujärjestelmän vahvistaminen, että tekoälyn tuotos ei korvaa pätevän agronomin hyväksyntää turvallisuuskriittisissä maatalouspäätöksissä
Moduulin tentti
1. Mitkä ovat "kolmen ankkurin" validoinnin ankkurit, joita sovelletaan ennen tekoälyn sisällyttämistä maataloustekniikan päätökseen?
- A) Kokoluokka, agronominen uskottavuus ja kenttätodisteet ✔
- B) Mallin suosio, vastauksen pituus ja kielen sujuvuus
- C) Hinta, nopeus ja käyttöliittymä
- D) Brändin uskottavuus, Internet-yhteys ja tiedostomuoto
Kuvaus: Kolme ankkuria; suuruusluokka, joka tarkistaa, onko tulos odotetun tehon sisällä 10, agronominen kohtuullisuus, joka tarkastelee tuotoksen johdonmukaisuutta sadon ja ilmaston kanssa, ja peltotodistus, joka antaa vahvistuksen pellolla ytimen/näytteen sijaan. Lähteen merkki, mallin suosio tai tekstin sujuvuus eivät ole varmistuskriteereitä.
2. Mitä NDVI (Normalized Difference Vegetation Index) pohjimmiltaan mittaa?
- A) Määritä maaperän tarkka kosteusprosentti senttimetreinä
- B) Vihreän, eloisan kasvillisuuden tiheys ja vahvuus ✔
- C) Mikä taudinaiheuttaja esiintyy lajitasolla?
- D) Lopputuotteen hinta sadonkorjuun jälkeen
Kuvaus: NDVI mittaa vihreän, fotosynteettisen elävän kasvillisuuden tiheyttä ja voimakkuutta normalisoimalla lähi-infrapuna- (NIR) ja punaisen kaistan heijastussuhteiden välistä eroa. Koska terveet kasvit heijastavat NIR:ää voimakkaasti ja imevät punaista intensiivisesti, NDVI lisääntyy; Arvo laskee jännittävässä tai harvassa peitossa. Se ei mittaa suoraan satoa, maaperän kosteutta tai taudin tyyppiä; nämä vaativat lisätietoja.
3. Satelliittikuvassa näkyy alue, jonka NDVI-arvo on alhainen. Mikä seuraavista on paras askel tehdä ennen kuin tämä poikkeama muutetaan tekniseksi päätökseksi?
- A) Levitä sienitautien torjunta-ainetta tälle alueelle välittömästi
- B) Kaksinkertaista lannoiteannos alueelle
- C) Vahvista syy kenttävalvonnalla, meteorologialla ja fenologialla ✔
- D) Ohita poikkeama ja käytä keskiarvoa koko kentälle
Selitys: Matala NDVI voi johtua vesistressistä, sairaudesta, ravinteiden puutteesta, harvoista ilmaantumisesta, pilvivarjosta tai vasta kynnetystä maaperästä. Voimme erottaa tämän epävarmuuden vain kenttävalvonnan, meteorologian ja fenologian avulla; Pelkkä kartta ei kerro miksi. Torjunta-aineiden tai lannoitteiden levittäminen aiheuttaa suoraan vaaran häiritä väärää syytä.
4. Mikä on tarkin tapa syöttää viljelijän peltokoordinaatit, sato- ja kustannustiedot julkisesti saatavilla olevaan tekoälytyökaluun?
- A) Liitä kaikki tiedot sellaisenaan ID:n ja koordinaattien kanssa
- B) Anonymisoi tunnistetiedot ja jaa vain tarpeelliset tekniset tiedot ✔
- C) Tietojen lataaminen julkiseen taulukkoon tarkistamatta sitä ollenkaan
- D) Tietojen luovuttaminen mallikoulutukseen ilman viljelijän lupaa
Tietojen paljastaminen: Viljelijöiden tiedot ovat kaupallisesti ja henkilökohtaisesti arkaluonteisia; Koordinaatti-, henkilöllisyys- ja kustannustiedot ovat omaisuus- ja luottamuksellisuusasia. Oikea tapa on anonymisoida tunnistetiedot edustavilla merkinnöillä (Plot-A, X-koordinaatit) ja jakaa vain analysointiin tarvittavat tekniset tiedot. Tietojen jakaminen sellaisenaan tai niiden avaaminen koulutukseen ilman lupaa aiheuttaa eettisiä ja oikeudellisia riskejä.
5. Maaperäanalyysiraportin mukaan pH on 4,8. Mitä tämä arvo tarkoittaa agronomisesti?
- A) Neutraali ja ihanteellinen maaperä useimmille kasveille
- B) Voimakkaasti hapan; Tila, joka saattaa rajoittaa ruoan saantia ja vaatia korjausta ✔
- C) vahva alkali; kalkitusta vaativa tila
- D) Se tarkoittaa, että maaperän suolapitoisuus on erittäin korkea.
Kuvaus: pH 4,8 osoittaa voimakkaasti hapanta maaperää; Tässä tilanteessa fosforin ja molybdeenin imeytyminen vähenee, alumiini/mangaanin myrkyllisyyden riski kasvaa ja juurten kehittyminen estyy monissa viljelykasveissa. Useimmille peltokasveille 6,0-7,0 on sopiva alue. Siksi korjausta, kuten kalkitusta, harkitaan; Hapan maaperä ei ole "ihanteellinen" eikä itsessään takaa korkeaa satoa.
6. AI suositteli vehnäpellolle 60 kg puhdasta typpeä decaria kohden; Alueellinen käytännöllinen ja tavoitesato ilmoittaa noin 12-16 kg puhdasta typpeä per vuosi. Mikä on paras käytös?
- A) Suosituksen toteuttaminen sellaisenaan, koska tekoäly laski
- B) Lisää annosta vielä enemmän turvallisuuden vuoksi
- C) Katso se suuruusluokan varoituksena ja tarkista tulot ja paikallinen kalibrointi ✔
- D) Ehdotuksen jakaminen kahtia ottamatta huomioon maaperäanalyysiä
Kuvaus: Suositus on noin neljä kertaa odotettu vaihteluväli; Tämä on suuruusluokan varoitus. Liika typpi tarkoittaa sekä taloudellista vahinkoa että masennuksen, sairauksien ja nitraattisaasteiden riskiä. Oikea toimintatapa on hylätä suositus ja tarkistaa syötteet (yksikkö, sato, tavoitesato, maaperän N) ja paikallinen kalibrointi. Sokea levitys aiheuttaa ympäristö- ja maataloushaittoja.
7. Mitä kastelupäätöksissä käytetty "kasvien vedenkulutus" (evapotranspiraatio, ET) tarkoittaa?
- A) Vain sateen kautta maaperään joutuvan veden määrä
- B) Veden kokonaishävikki maaperästä haihtumisen ja kasvista haihtumisen seurauksena ✔
- C) Maaperän sähkönjohtavuus
- D) Paineen arvo kasteluputkessa
Selitys: Evapotranspiraatio on veden kokonaishukkaa maaperästä ilmakehään haihtumisen ja haihtumisen kautta kasvista. Kertomalla referenssi-ET satokertoimella (Kc), tuotteen todellinen vedentarve (ETc) arvioidaan ja kastelu suunnitellaan tämän vesitaseella. ET ei ole sademäärä tai maaperän suolaisuus; Se edustaa vesibudjetin ulosvirtauspuolta.
8. Insinööri, joka näki oireita lehdellä, antoi valokuvan kuvauksen tekoälylle ja sai alustavan diagnoosin. Mikä on pakollista ennen kuin tämä diagnoosi muunnetaan tuholaistorjuntapäätökseksi?
- A) Agentin vahvistaminen kentällä/laboratoriossa ja lisensoidun ja leimatun lääkkeen valinta ✔
- B) Useiden eri lääkkeiden ottaminen yhdessä, vain varmuuden vuoksi
- C) Levitä aktiivinen ainesosa välittömästi mitä tekoäly sanoo.
- D) Valitse halvin torjunta-aine ja levitä sitä koko pellolle
Selitys: Pelkän kuvan perusteella tehty alustava diagnoosi ei riitä erilaisten tekijöiden (sieni-, bakteeri-, virus-, ravinteiden puute, abioottinen stressi) vuoksi, jotka aiheuttavat samanlaisia oireita. Aiheuttaja tulee varmistaa kenttänäytteellä ja tarvittaessa laboratoriodiagnoosilla, minkä jälkeen tulee valita vain tälle aineelle ja kyseiselle tuotteelle lisensoitu ja sen etikettiin sopiva lääke. Laajakirjoinen torjunta-aineiden levitys ilman varmennusta aiheuttaa resistenssin ja jäämien riskin.
9. Mikä on maatalouden päätöksenteon tuessa usein käytetyn GDD (Growth Degree Day) -konseptin tarkoitus?
- A) Maaperän pH-arvon noudattaminen
- B) Kasvien kehitysvaiheiden ja tuholaisten syntymisen ennustaminen lämmön kerääntymisen avulla ✔
- C) Kasteluputken virtausnopeuden mittaaminen
- D) Tuotteen markkinahinnan laskeminen
Kuvaus: GDD on kokonaislämpö, joka kertyy vähentämällä peruslämpötila vuorokauden keskilämpötilasta, ja sitä käytetään arvioimaan kasvin kehitysvaiheet (fenologia) ja joidenkin tuholaisten syntyaika. Siten ruiskutus-, lannoitus- ja sadonkorjuuikkunat voidaan suunnitella lämmön kertymisen eikä kalenterin mukaan. GDD ei ole maaperän pH tai suora sademäärä.
10. Mikä seuraavista on tarkin lause koneoppimisen avulla muodostetulle tuoton ennustemallille?
- A) Ennustaa tulevaisuutta tarkasti ja virheettömästi
- B) Se perustuu menneisiin malleihin; On annettava epävarmuusvälillä ja tarkistettava ✔
- C) Se toimii aina samalla tarkkuudella muissa olosuhteissa kuin harjoitustiedoissa.
- D) Hän on ainoa lopullinen päätöksentekijä, jolla ei ole agronomisia tietoja
Kuvaus: Koneoppimismalli perustuu malleihin, joita se näkee historiallisissa tiedoissa. Luottamus laskee, kun syöttöolosuhteet jäävät harjoitustietojen ulkopuolelle (uusi lajike, epätavallinen ilmasto). Tästä syystä tuotos tulisi antaa epävarmuusvälillä, ei pisteellä, ja se tulee varmistaa historiallisilla tuotoilla ja vertailuarvoilla. Malli ei tunne tulevaisuutta varmuudella eikä toimi samalla tarkkuudella kaikissa olosuhteissa.
11. Mikä on paras käytäntö ennen tekoälyn luoman Python/pandas-analyysikoodin suorittamista?
- A) Käytä koodia suoraan koko tietojoukolle lukematta sitä
- B) Testaus pienellä näytedatalla tunnetuilla tuloksilla ja kaavojen ja yksiköiden tarkistus ✔
- C) Ottaen huomioon, että pelkkä työskentely ilman virheitä riittää.
- D) Tulosteen lisääminen raporttiin tarkistamatta sitä ollenkaan
Kuvaus: Vaikka tekoälyn luoma koodi saattaa näyttää oikealta, se voi sisältää yksikön, sarakkeen nimen, indeksikaavan tai suodattimen logiikkavirheitä. Hyvä käytäntö on suorittaa tulos manuaalisesti pienellä tiedolla olevalla tiedolla, verrata sitä odotettuihin tulosteisiin ja tarkistaa kaavat, kuten NDVI, lähdettä vastaan. Koodin lisääminen isoihin tietoihin näkemättä sitä siirtää hiljaiset bugit tuotantoon.
12. Miksi lääkkeiden antomuistikirja on kriittinen jäljitettävyystietueissa?
- A) Vain saadaksesi verovähennyksen
- B) Tarjoaa todennettavissa olevan tiedot jäämien enimmäismäärien noudattamisesta, sertifioinnista ja erän jäljittämisestä ✔
- C) Vain vertailua varten viereisiin kenttiin
- D) Valmistella mainosesitteitä
Kuvaus: Lääkehoitokirja; Se dokumentoi mikä tuote, mikä vaikuttava aine, missä annoksessa ja käyttöpäivämäärä sekä odotusaika viimeisen levityksen ja sadonkorjuun välillä. Tämä kirjaaminen on pakollinen enimmäisjäämärajan (MRL) noudattamisen, hyvän maatalous-/luonnonmukaisen sertifikaatin ja erän jäljittämisen vuoksi, jos ongelmia ilmenee. Sitä ei säilytetä pelkästään kustannusten seurantaa tai mainontaa varten.
13. Tekoälytyökalu ilmoitti luottavaisesti tuholaisen, jota ei löytynyt alueelta, "yleiseksi uhaksi". Mikä käsite selittää tämän tilanteen parhaiten?
- A) Anturin kalibrointivirhe
- B) Hallusinaatiot: sellaisen tiedon tuottaminen, jota ei ole olemassa turvallisella kielellä ✔
- C) Verkkoyhteyden katkeaminen
- D) Sadetietojen puute
Selitys: Sitä kutsutaan hallusinaatioksi, kun malli tuottaa tietoa, jota ei todellisuudessa ole olemassa tai joka ei vastaa kontekstia, ikään kuin se olisi todellista, sujuvaa ja varmaa. Agronomisen uskottavuuden suodatin (sopivatko alueen ilmasto ja satomalli kyseiselle tuholaiselle?) ja pellot havaitsevat tällaiset virheet ennen allekirjoittamista. Tämä ei ole anturin toimintahäiriö tai yksikkövirhe.
14. Miten tekoälyn rooli tulisi määritellä turvallisuuden ja laadun kannalta kriittisissä maatalouspäätöksissä (esim. torjunta-aineen annostus, lannoitemääräys, kastelusuunnitelma)?
- A) Toimivaltainen viranomainen, joka yksin tekee lopullisen päätöksen
- B) Automatisoitu järjestelmä, joka korvaa pätevän agronomin hyväksynnän
- C) Assistentti, joka tekee luonnoksia ja ehdotuksia ja jättää päätöksenteon asiantuntijalle ✔
- D) Tarkka tietolähde, joka ei vaadi varmennusta
Kuvaus: Tekoäly; Se on avustaja, joka tuottaa ääriviivoja, tekee yhteenvedon tiedoista ja ehdottaa hypoteeseja. Viimeinen sana kriittisissä päätöksissä kuuluu pätevälle maatalousinsinöörille, joka tuntee peltohavainnoinnin, paikallisen kalibroinnin ja lainsäädännön; AI-tulostus ei korvaa tätä hyväksyntää. Tuote-, ympäristö- ja elintarviketurvallisuuden osalta vastuu on allekirjoitusasiantuntijalla.