નફો:
- ખેડૂત ડેટા માલિકી, ગોપનીયતા અને અલ્ગોરિધમિક પૂર્વગ્રહ જેવા નૈતિક જોખમોને ઓળખવા અને સંચાલિત કરવાની ક્ષમતા
- મોડ્યુલની તમામ લિંક્સને એક સિઝનલ એન્ડ-ટુ-એન્ડ વર્કફ્લોમાં જોડવાની ક્ષમતા
- સલામતી-જટિલ કૃષિ નિર્ણયોમાં AI આઉટપુટ સક્ષમ કૃષિશાસ્ત્રીની મંજૂરીને બદલે નહીં એવી ગુણવત્તા પ્રણાલીમાં સ્થાપિત કરવું
મોડ્યુલ પરીક્ષા
1. એગ્રીકલ્ચર એન્જિનિયરિંગના નિર્ણયમાં AI આઉટપુટનો સમાવેશ કરતા પહેલા 'ત્રણ એન્કર' માન્યતાના એન્કર શું છે?
- A) કદ શ્રેણી, કૃષિ વિજ્ઞાનની વાજબીતા અને ક્ષેત્ર પુરાવા ✔
- બી) મોડેલની લોકપ્રિયતા, જવાબની લંબાઈ અને ભાષાની અસ્ખલિતતા
- સી) કિંમત, ઝડપ અને વપરાશકર્તા ઈન્ટરફેસ
- ડી) બ્રાન્ડ વિશ્વસનીયતા, ઇન્ટરનેટ કનેક્શન અને ફાઇલ ફોર્મેટ
વર્ણન: ત્રણ એન્કર; તીવ્રતાનો ક્રમ, જે ચકાસે છે કે પરિણામ 10 ની અપેક્ષિત શક્તિની અંદર છે કે કેમ, કૃષિશાસ્ત્રીય વાજબીતા, જે પાક અને આબોહવા સાથે આઉટપુટની સુસંગતતાને જુએ છે અને ક્ષેત્ર પુરાવા, જે કોર/નમૂનાને બદલે ક્ષેત્રમાં પુષ્ટિ પ્રદાન કરે છે. સ્ત્રોતની બ્રાન્ડ, મોડેલની લોકપ્રિયતા અથવા ટેક્સ્ટની ફ્લુએન્સી એ ચકાસણી માપદંડ નથી.
2. NDVI (નોર્મલાઇઝ્ડ ડિફરન્સ વેજીટેશન ઇન્ડેક્સ) મૂળભૂત રીતે શું માપે છે?
- A) સેન્ટીમીટરમાં જમીનની ચોક્કસ ભેજની ટકાવારી નક્કી કરો
- બી) લીલી, ગતિશીલ વનસ્પતિની ઘનતા અને તાકાત ✔
- સી) પ્રજાતિના સ્તરે કયા રોગ એજન્ટ હાજર છે?
- ડી) લણણી પછી ઉત્પાદનની અંતિમ કિંમત
વર્ણન: NDVI નજીકના-ઇન્ફ્રારેડ (NIR) અને લાલ બેન્ડના પ્રતિબિંબ વચ્ચેના તફાવતને સામાન્ય બનાવીને લીલા, પ્રકાશસંશ્લેષણની જીવંત વનસ્પતિની ઘનતા અને શક્તિને માપે છે. કારણ કે તંદુરસ્ત છોડ NIR ને મજબૂત રીતે પ્રતિબિંબિત કરે છે અને લાલને તીવ્રપણે શોષી લે છે, NDVI વધે છે; તણાવપૂર્ણ અથવા છૂટાછવાયા આવરણમાં મૂલ્ય ઘટે છે. તે ઉપજ, જમીનની ભેજ અથવા રોગનો પ્રકાર સીધો માપતો નથી; આને વધારાના ડેટાની જરૂર છે.
3. સેટેલાઇટ ઇમેજ ઓછી NDVI મૂલ્ય ધરાવતો વિસ્તાર દર્શાવે છે. આ વિસંગતતાને એન્જિનિયરિંગ નિર્ણયમાં ફેરવતા પહેલા નીચેનામાંથી કયું પગલું લેવાનું શ્રેષ્ઠ છે?
- A) તે વિસ્તારમાં તરત જ ફૂગનાશક લાગુ કરો
- બી) વિસ્તાર માટે ખાતરની માત્રા બમણી કરવી
- સી) ક્ષેત્ર નિયંત્રણ, હવામાનશાસ્ત્ર અને ફિનોલોજી દ્વારા કારણની પુષ્ટિ કરો ✔
- ડી) વિસંગતતાને અવગણો અને સમગ્ર ક્ષેત્રમાં સરેરાશ લાગુ કરો
સમજૂતી: નિમ્ન એનડીવીઆઈ પાણીના તણાવ, રોગ, પોષક તત્ત્વોની ઉણપ, અવારનવાર ઉદભવ, વાદળ છાયા અથવા તાજી ખેડેલી જમીનને કારણે થઈ શકે છે. અમે આ અનિશ્ચિતતાને માત્ર ક્ષેત્ર નિયંત્રણ, હવામાનશાસ્ત્ર અને ફિનોલોજી દ્વારા જ અલગ કરી શકીએ છીએ; એકલો નકશો શા માટે કહેતો નથી. જંતુનાશકો અથવા ખાતરો લાગુ કરવાથી ખોટા કારણમાં દખલ થવાનું જોખમ રહેલું છે.
4. સાર્વજનિક રૂપે ઉપલબ્ધ AI સાધનમાં ખેડૂત ક્ષેત્ર સંકલન, ઉપજ અને ખર્ચ ડેટા દાખલ કરતી વખતે સૌથી સચોટ અભિગમ શું છે?
- A) તમામ ડેટાને તેના ID અને કોઓર્ડિનેટ્સ સાથે પેસ્ટ કરવો
- બી) ઓળખતી માહિતીને અનામી બનાવો અને ફક્ત જરૂરી તકનીકી ડેટા શેર કરો ✔
- C) સાર્વજનિક કોષ્ટકમાં ડેટાને બિલકુલ તપાસ્યા વિના લોડ કરવો
- ડી) ખેડૂતની પરવાનગી વિના મોડેલ તાલીમ માટે ડેટા દાનમાં આપવો
જાહેરાત: ખેડૂત ડેટા વ્યાવસાયિક અને વ્યક્તિગત રીતે સંવેદનશીલ છે; સંકલન, ઓળખ અને ખર્ચની માહિતી મિલકત અને ગોપનીયતાની બાબત છે. સાચો અભિગમ એ છે કે પ્રતિનિધિ લેબલ્સ (પ્લોટ-એ, એક્સ કોઓર્ડિનેટ) વડે ઓળખાતી માહિતીને અનામી કરવી અને વિશ્લેષણ માટે જરૂરી ટેકનિકલ ડેટા જ શેર કરવો. ડેટાને જેમ છે તેમ શેર કરવો અથવા પરવાનગી વિના તેને શિક્ષણ માટે ખોલવાથી નૈતિક અને કાનૂની જોખમો ઉભા થાય છે.
5. માટી પૃથ્થકરણ અહેવાલ pH ને 4.8 તરીકે વાંચે છે. આ મૂલ્યનો કૃષિશાસ્ત્રીય અર્થ શું છે?
- A) મોટાભાગના પાક માટે તટસ્થ અને આદર્શ જમીન
- બી) સખત એસિડિક; એવી સ્થિતિ કે જે ખોરાકના સેવનને પ્રતિબંધિત કરી શકે છે અને સુધારણાની જરૂર છે ✔
- સી) મજબૂત આલ્કલી; લિમિંગની જરૂર પડે તેવી સ્થિતિ
- ડી) તેનો અર્થ એ છે કે જમીનમાં ખારાશનું પ્રમાણ ખૂબ વધારે છે.
વર્ણન: pH 4.8 મજબૂત એસિડિક જમીન સૂચવે છે; આ સ્થિતિ હેઠળ, ફોસ્ફરસ અને મોલીબડેનમનું શોષણ ઓછું થાય છે, એલ્યુમિનિયમ/મેંગેનીઝની ઝેરી અસરનું જોખમ વધે છે, અને ઘણા પાકોમાં મૂળના વિકાસને દબાવવામાં આવે છે. મોટાભાગના ખેતરના પાક માટે, 6.0-7.0 એ યોગ્ય શ્રેણી છે. તેથી, લિમિંગ જેવી સુધારણા ગણવામાં આવે છે; એસિડિક માટી 'આદર્શ' નથી અને તે પોતે ઉચ્ચ ઉપજની ખાતરી આપતી નથી.
6. AIએ ઘઉંના ખેતર માટે 60 કિલો શુદ્ધ નાઇટ્રોજનની ભલામણ કરી છે; પ્રાદેશિક વ્યવહારુ અને લક્ષ્ય ઉપજ પ્રતિ ડેકેર આશરે 12-16 કિગ્રા શુદ્ધ નાઇટ્રોજન સૂચવે છે. શ્રેષ્ઠ વર્તન શું છે?
- A) ભલામણને જેમ છે તેમ અમલમાં મૂકવું, કારણ કે AI ગણતરી કરે છે
- બી) સલામત રહેવા માટે ડોઝ વધુ વધારવો
- સી) તેને તીવ્રતાની ચેતવણીના ઓર્ડર તરીકે જુઓ અને ઇનપુટ્સ અને સ્થાનિક માપાંકન તપાસો ✔
- ડી) જમીનના વિશ્લેષણને ધ્યાનમાં લીધા વિના દરખાસ્તને અડધા ભાગમાં વહેંચવી
વર્ણન: ભલામણ અપેક્ષિત શ્રેણી કરતાં લગભગ ચાર ગણી છે; આ તીવ્રતાની ચેતવણીનો ક્રમ છે. અતિશય નાઇટ્રોજનનો અર્થ થાય છે આર્થિક નુકસાન અને હતાશા, રોગ અને નાઈટ્રેટ પ્રદૂષણનું જોખમ. યોગ્ય વર્તન એ ભલામણને નકારવા અને ઇનપુટ્સ (એકમ, ઉપજ, લક્ષ્ય ઉપજ, માટી N) અને સ્થાનિક માપાંકન તપાસવાનું છે. બ્લાઇન્ડ એપ્લીકેશન પર્યાવરણ અને કૃષિને નુકસાન પહોંચાડે છે.
7. સિંચાઈના નિર્ણયોમાં વપરાતા 'પ્લાન્ટ વોટર કન્ઝમ્પશન' (બાષ્પીભવન, ET) નો અર્થ શું છે?
- A) માત્ર વરસાદ દ્વારા જ જમીનમાં પ્રવેશતા પાણીની માત્રા
- બી) જમીનમાંથી બાષ્પીભવન અને છોડમાંથી બાષ્પીભવન દ્વારા પાણીની કુલ ખોટ ✔
- સી) જમીનની વિદ્યુત વાહકતા
- ડી) સિંચાઈ પાઇપમાં દબાણ મૂલ્ય
સમજૂતી: બાષ્પીભવન એ છોડમાંથી બાષ્પીભવન અને બાષ્પોત્સર્જન દ્વારા જમીનમાંથી વાતાવરણમાં પાણીની કુલ ખોટ છે. સંદર્ભ ET નો પાક ગુણાંક (Kc) સાથે ગુણાકાર કરીને, ઉત્પાદનની વાસ્તવિક પાણીની જરૂરિયાત (ETc) અંદાજવામાં આવે છે અને આ જળ સંતુલન અનુસાર સિંચાઈનું આયોજન કરવામાં આવે છે. ET એ વરસાદ અથવા જમીનની ખારાશ નથી; તે પાણીના બજેટની બહારના પ્રવાહને રજૂ કરે છે.
8. એક એન્જિનિયર કે જેમણે પાંદડા પર લક્ષણો જોયા તેણે AI ને ફોટો વર્ણન આપ્યું અને પ્રારંભિક નિદાન મેળવ્યું. આ નિદાનને જંતુ નિયંત્રણના નિર્ણયમાં અનુવાદિત કરતા પહેલા કયું ફરજિયાત છે?
- A) ક્ષેત્ર/લેબોરેટરીમાં એજન્ટની પુષ્ટિ કરવી અને લાઇસન્સ અને લેબલવાળી દવા પસંદ કરવી ✔
- બી) એકસાથે ઘણી જુદી જુદી દવાઓ લેવી, માત્ર સલામત રહેવા માટે
- C) AI જે કહે તે તરત જ સક્રિય ઘટક લાગુ કરો.
- ડી) સૌથી સસ્તી જંતુનાશક પસંદ કરો અને તેને સમગ્ર ખેતરમાં લાગુ કરો
સમજૂતી: જુદા જુદા પરિબળો (ફંગલ, બેક્ટેરિયલ, વાયરલ, પોષક તત્ત્વોની ઉણપ, અજૈવિક તાણ) જે સમાન લક્ષણોનું કારણ બને છે તેના કારણે એકલા ઇમેજ પરથી પ્રાથમિક નિદાન પૂરતું નથી. એજન્ટની ફિલ્ડ સેમ્પલ સાથે પુષ્ટિ થવી જોઈએ અને, જો જરૂરી હોય તો, પ્રયોગશાળા નિદાન, અને પછી માત્ર તે એજન્ટ માટે લાઇસન્સવાળી દવા અને તે ઉત્પાદન અને તેના લેબલ માટે યોગ્ય પસંદ કરવું જોઈએ. ચકાસણી વિના બ્રોડ-સ્પેક્ટ્રમ જંતુનાશકનો ઉપયોગ પ્રતિકાર અને અવશેષોનું જોખમ બનાવે છે.
9. GDD (વૃદ્ધિ ડિગ્રી દિવસ) ખ્યાલનો હેતુ શું છે, જેનો વારંવાર કૃષિ નિર્ણય સમર્થનમાં ઉપયોગ થાય છે?
- A) જમીનના pH મૂલ્યને અનુસરીને
- બી) ગરમીના સંચય દ્વારા છોડના વિકાસના તબક્કાઓ અને જીવાતોના ઉદ્ભવની આગાહી ✔
- સી) સિંચાઈ પાઇપ પ્રવાહ દર માપવા
- ડી) ઉત્પાદનની બજાર કિંમતની ગણતરી
વર્ણન: GDD એ દૈનિક સરેરાશ તાપમાનમાંથી પાયાના તાપમાનને બાદ કરીને સંચિત કુલ ગરમી છે અને તેનો ઉપયોગ છોડના વિકાસ (ફેનોલોજી) તબક્કાઓ અને કેટલાક જીવાતોના ઉદભવ સમયનો અંદાજ કાઢવા માટે થાય છે. આમ, છંટકાવ, ગર્ભાધાન અને લણણીની બારીઓ કેલેન્ડર કરતાં ગરમીના સંચય અનુસાર આયોજન કરી શકાય છે. GDD એ માટીનું pH અથવા સીધા વરસાદની માત્રા નથી.
10. મશીન લર્નિંગ સાથે સ્થાપિત યીલ્ડ અનુમાન મોડેલ માટે નીચેનામાંથી કયું સૌથી સચોટ વિધાન છે?
- એ) ભવિષ્યની ચોક્કસ અને ભૂલ વિના આગાહી કરે છે
- બી) તે ભૂતકાળની પેટર્ન પર આધારિત છે; અનિશ્ચિતતા શ્રેણી અને ચકાસાયેલ હોવું જોઈએ ✔
- સી) તે તાલીમ ડેટા સિવાયની પરિસ્થિતિઓમાં હંમેશા સમાન ચોકસાઈ સાથે કામ કરે છે.
- ડી) તે કૃષિ વિષયક માહિતી વિના એકમાત્ર અંતિમ નિર્ણય લેનાર છે
વર્ણન: મશીન લર્નિંગ મૉડલ ઐતિહાસિક ડેટામાં જોવામાં આવતા દાખલાઓ પર આધારિત છે; જ્યારે ઇનપુટ શરતો તાલીમ ડેટાની બહાર આવે છે ત્યારે આત્મવિશ્વાસ ઘટે છે (નવી વિવિધતા, અસામાન્ય આબોહવા). તેથી, આઉટપુટ અનિશ્ચિતતા શ્રેણી સાથે આપવું જોઈએ, બિંદુ નહીં, અને ઐતિહાસિક ઉપજ અને બેન્ચમાર્ક સાથે ચકાસવું જોઈએ. મોડેલ નિશ્ચિતતા સાથે ભવિષ્ય જાણતું નથી અને તમામ પરિસ્થિતિઓમાં સમાન ચોકસાઈ સાથે કામ કરતું નથી.
11. AI-જનરેટેડ Python/pandas વિશ્લેષણ કોડ ચલાવતા પહેલા શ્રેષ્ઠ પ્રેક્ટિસ શું છે?
- A) કોડને વાંચ્યા વિના સીધા જ સમગ્ર ડેટા સેટ પર લાગુ કરવો
- બી) જાણીતા પરિણામો સાથે નાના નમૂનાના ડેટા સાથે પરીક્ષણ અને સૂત્રો અને એકમો તપાસવી ✔
- સી) ધ્યાનમાં લેવું કે ફક્ત ભૂલો વિના કામ કરવું પૂરતું છે.
- ડી) આઉટપુટને બિલકુલ તપાસ્યા વિના રિપોર્ટમાં મૂકવું
વર્ણન: જ્યારે AI-જનરેટેડ કોડ સાચો દેખાઈ શકે છે, તેમાં એકમ, કૉલમનું નામ, ઇન્ડેક્સ ફોર્મ્યુલા અથવા ફિલ્ટર લોજિક ભૂલો હોઈ શકે છે. સારી પ્રેક્ટિસ એ છે કે તમે જાણતા હોવ તેવા ડેટાના નાના નમૂનાની સામે પરિણામને જાતે જ ચલાવો, તેની અપેક્ષિત આઉટપુટ સાથે સરખામણી કરો અને સ્ત્રોત સામે NDVI જેવા સૂત્રો તપાસો. મોટા ડેટાને જોયા વિના કોડ લાગુ કરવાથી સાયલન્ટ બગ્સને પ્રોડક્શનમાં ખસેડવામાં આવે છે.
12. ટ્રેસેબિલિટી રેકોર્ડ્સમાં ડ્રગ એડમિનિસ્ટ્રેશન નોટબુક શા માટે મહત્વપૂર્ણ છે?
- A) માત્ર કર કપાત મેળવવા માટે
- B) MRL અનુપાલન, પ્રમાણપત્ર અને બેચ ટ્રેસબેક માટે ચકાસી શકાય તેવું રેકોર્ડ પ્રદાન કરે છે ✔
- સી) માત્ર પડોશી ક્ષેત્રો સાથે સરખામણી માટે
- ડી) જાહેરાત પુસ્તિકાઓ તૈયાર કરવા
વર્ણન: દવા વહીવટ પુસ્તક; તે દસ્તાવેજ કરે છે કે કયા ઉત્પાદન, કયા સક્રિય ઘટક, કયા ડોઝ અને તારીખમાં તેનો ઉપયોગ કરવામાં આવ્યો હતો અને છેલ્લી અરજી અને લણણી વચ્ચેનો રાહ જોવાનો સમયગાળો. આ રેકોર્ડિંગ મહત્તમ અવશેષ મર્યાદા (MRL) અનુપાલન માટે ફરજિયાત છે, સારી એગ્રોનોમી/ઓર્ગેનિક સર્ટિફિકેશન અને જો કોઈ સમસ્યા આવે તો બેચ ટ્રેસ બેક. તે માત્ર ખર્ચ ટ્રેકિંગ અથવા જાહેરાત માટે રાખવામાં આવ્યું નથી.
13. એક AI ટૂલ વિશ્વાસપૂર્વક 'સામાન્ય ખતરા' તરીકે આ વિસ્તારમાં ન જોવા મળતા જંતુની જાણ કરે છે. કયો ખ્યાલ આ પરિસ્થિતિને શ્રેષ્ઠ રીતે સમજાવી શકે છે?
- એ) સેન્સર કેલિબ્રેશન ભૂલ
- B) આભાસ: માહિતીનું ઉત્પાદન જે સુરક્ષિત ભાષામાં અસ્તિત્વમાં નથી ✔
- સી) નેટવર્ક કનેક્શન વિક્ષેપ
- ડી) વરસાદની માહિતીનો અભાવ
સમજૂતી: તેને આભાસ કહેવામાં આવે છે જ્યારે મોડેલ એવી માહિતી ઉત્પન્ન કરે છે જે વાસ્તવમાં અસ્તિત્વમાં નથી અથવા સંદર્ભ સાથે મેળ ખાતી નથી, જાણે કે તે વાસ્તવિક, અસ્ખલિત અને આત્મવિશ્વાસુ હોય. એગ્રોનૉમિક પોઝિબિલિટીનું ફિલ્ટર (શું પ્રદેશની આબોહવા અને પાકની પેટર્ન તે જંતુ માટે યોગ્ય છે?) અને ક્ષેત્રીય પુરાવા સહી પહેલાં આવી ભૂલો પકડે છે. આ સેન્સરની ખામી કે યુનિટની ભૂલ નથી.
14. સલામતી અને ગુણવત્તા (દા.ત. જંતુનાશક ડોઝ, ખાતર પ્રિસ્ક્રિપ્શન, સિંચાઈ યોજના) માટે મહત્વપૂર્ણ કૃષિ નિર્ણયોમાં કૃત્રિમ બુદ્ધિની ભૂમિકાને કેવી રીતે વ્યાખ્યાયિત કરવી જોઈએ?
- A) સક્ષમ અધિકારી જે એકલા અંતિમ નિર્ણય લે છે
- બી) સ્વચાલિત સિસ્ટમ કે જે સક્ષમ કૃષિવિજ્ઞાનીની મંજૂરીને બદલે છે
- સી) એક સહાયક જે ડ્રાફ્ટ અને સૂચનો બનાવે છે અને નિર્ણય નિષ્ણાત પર છોડી દે છે ✔
- ડી) માહિતીનો ચોક્કસ સ્ત્રોત કે જેને ચકાસણીની જરૂર નથી
વર્ણન: કૃત્રિમ બુદ્ધિ; તે એક સહાયક છે જે રૂપરેખા બનાવે છે, ડેટાનો સારાંશ આપે છે અને પૂર્વધારણાઓનો પ્રસ્તાવ મૂકે છે. નિર્ણાયક નિર્ણયોમાં અંતિમ કહેવું સક્ષમ કૃષિ ઇજનેરનું છે જે ક્ષેત્ર નિરીક્ષણ, સ્થાનિક માપાંકન અને કાયદાથી પરિચિત છે; AI આઉટપુટ આ મંજૂરીને બદલતું નથી. જ્યારે ઉત્પાદન, પર્યાવરણીય અને ખાદ્ય સુરક્ષાની વાત આવે છે, ત્યારે જવાબદારી સહી કરનાર નિષ્ણાતની રહે છે.