ಲಾಭಗಳು:
- ರೈತರ ಡೇಟಾ ಮಾಲೀಕತ್ವ, ಗೌಪ್ಯತೆ ಮತ್ತು ಅಲ್ಗಾರಿದಮಿಕ್ ಪಕ್ಷಪಾತದಂತಹ ನೈತಿಕ ಅಪಾಯಗಳನ್ನು ಗುರುತಿಸುವ ಮತ್ತು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಮಾಡ್ಯೂಲ್ನ ಎಲ್ಲಾ ಲಿಂಕ್ಗಳನ್ನು ಒಂದೇ ಕಾಲೋಚಿತ ಎಂಡ್-ಟು-ಎಂಡ್ ವರ್ಕ್ಫ್ಲೋನಲ್ಲಿ ಸಂಯೋಜಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಕೃಷಿ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಸಮರ್ಥ ಕೃಷಿಶಾಸ್ತ್ರಜ್ಞರ ಅನುಮೋದನೆಯನ್ನು AI ಔಟ್ಪುಟ್ ಬದಲಿಸದ ಗುಣಮಟ್ಟದ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಸ್ಥಾಪಿಸುವುದು
ಮಾಡ್ಯೂಲ್ ಪರೀಕ್ಷೆ
1. ಕೃಷಿ ಇಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿನ ನಿರ್ಧಾರಕ್ಕೆ AI ಔಟ್ಪುಟ್ ಅನ್ನು ಸೇರಿಸುವ ಮೊದಲು ಅನ್ವಯಿಸಲಾದ 'ಮೂರು ಆಂಕರ್ಗಳು' ಮೌಲ್ಯೀಕರಣದ ಆಂಕರ್ಗಳು ಯಾವುವು?
- ಎ) ಗಾತ್ರದ ಶ್ರೇಣಿ, ಅಗ್ರೋನೊಮಿಕ್ ಪ್ಲಾಸಿಬಿಲಿಟಿ ಮತ್ತು ಕ್ಷೇತ್ರ ಸಾಕ್ಷ್ಯ ✔
- ಬಿ) ಮಾದರಿಯ ಜನಪ್ರಿಯತೆ, ಉತ್ತರದ ಉದ್ದ ಮತ್ತು ಭಾಷೆಯ ನಿರರ್ಗಳತೆ
- ಸಿ) ಬೆಲೆ, ವೇಗ ಮತ್ತು ಬಳಕೆದಾರ ಇಂಟರ್ಫೇಸ್
- ಡಿ) ಬ್ರ್ಯಾಂಡ್ ವಿಶ್ವಾಸಾರ್ಹತೆ, ಇಂಟರ್ನೆಟ್ ಸಂಪರ್ಕ ಮತ್ತು ಫೈಲ್ ಫಾರ್ಮ್ಯಾಟ್
ವಿವರಣೆ: ಮೂರು ಲಂಗರುಗಳು; ಪರಿಮಾಣದ ಕ್ರಮ, ಫಲಿತಾಂಶವು 10 ರ ನಿರೀಕ್ಷಿತ ಶಕ್ತಿಯೊಳಗೆ ಇದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುತ್ತದೆ, ಬೆಳೆ ಮತ್ತು ಹವಾಮಾನದೊಂದಿಗೆ ಉತ್ಪಾದನೆಯ ಸ್ಥಿರತೆಯನ್ನು ನೋಡುವ ಕೃಷಿಶಾಸ್ತ್ರದ ಸಮಂಜಸತೆ, ಮತ್ತು ಕ್ಷೇತ್ರ ಸಾಕ್ಷ್ಯವು ಕೋರ್/ಮಾದರಿಗಿಂತ ಹೆಚ್ಚಾಗಿ ಕ್ಷೇತ್ರದಲ್ಲಿ ದೃಢೀಕರಣವನ್ನು ನೀಡುತ್ತದೆ. ಮೂಲದ ಬ್ರ್ಯಾಂಡ್, ಮಾದರಿಯ ಜನಪ್ರಿಯತೆ ಅಥವಾ ಪಠ್ಯದ ನಿರರ್ಗಳತೆ ಪರಿಶೀಲನೆ ಮಾನದಂಡವಲ್ಲ.
2. NDVI (ಸಾಮಾನ್ಯಗೊಳಿಸಿದ ವ್ಯತ್ಯಾಸ ಸಸ್ಯವರ್ಗ ಸೂಚ್ಯಂಕ) ಮೂಲತಃ ಏನು ಅಳೆಯುತ್ತದೆ?
- ಎ) ಸೆಂಟಿಮೀಟರ್ಗಳಲ್ಲಿ ಮಣ್ಣಿನ ನಿಖರವಾದ ತೇವಾಂಶದ ಶೇಕಡಾವನ್ನು ನಿರ್ಧರಿಸಿ
- ಬಿ) ಹಸಿರು, ರೋಮಾಂಚಕ ಸಸ್ಯವರ್ಗದ ಸಾಂದ್ರತೆ ಮತ್ತು ಶಕ್ತಿ ✔
- ಸಿ) ಜಾತಿಯ ಮಟ್ಟದಲ್ಲಿ ಯಾವ ರೋಗ ಏಜೆಂಟ್ ಇರುತ್ತದೆ?
- ಡಿ) ಕೊಯ್ಲಿನ ನಂತರ ಅಂತಿಮ ಉತ್ಪನ್ನ ಬೆಲೆ
ವಿವರಣೆ: NDVI ಹತ್ತಿರದ ಅತಿಗೆಂಪು (NIR) ಮತ್ತು ಕೆಂಪು ಬ್ಯಾಂಡ್ ಪ್ರತಿಫಲನಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಸಾಮಾನ್ಯಗೊಳಿಸುವ ಮೂಲಕ ಹಸಿರು, ದ್ಯುತಿಸಂಶ್ಲೇಷಕ ಜೀವಂತ ಸಸ್ಯವರ್ಗದ ಸಾಂದ್ರತೆ ಮತ್ತು ಶಕ್ತಿಯನ್ನು ಅಳೆಯುತ್ತದೆ. ಆರೋಗ್ಯಕರ ಸಸ್ಯಗಳು NIR ಅನ್ನು ಬಲವಾಗಿ ಪ್ರತಿಬಿಂಬಿಸುವುದರಿಂದ ಮತ್ತು ಕೆಂಪು ಬಣ್ಣವನ್ನು ತೀವ್ರವಾಗಿ ಹೀರಿಕೊಳ್ಳುವುದರಿಂದ, NDVI ಹೆಚ್ಚಾಗುತ್ತದೆ; ಒತ್ತಡದ ಅಥವಾ ವಿರಳವಾದ ಕವರ್ನಲ್ಲಿ ಮೌಲ್ಯವು ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಇದು ನೇರವಾಗಿ ಇಳುವರಿ, ಮಣ್ಣಿನ ತೇವಾಂಶ ಅಥವಾ ರೋಗದ ಪ್ರಕಾರವನ್ನು ಅಳೆಯುವುದಿಲ್ಲ; ಇವುಗಳಿಗೆ ಹೆಚ್ಚುವರಿ ಡೇಟಾ ಅಗತ್ಯವಿರುತ್ತದೆ.
3. ಉಪಗ್ರಹ ಚಿತ್ರವು ಕಡಿಮೆ NDVI ಮೌಲ್ಯದೊಂದಿಗೆ ಪ್ರದೇಶವನ್ನು ತೋರಿಸುತ್ತದೆ. ಈ ಅಸಂಗತತೆಯನ್ನು ಎಂಜಿನಿಯರಿಂಗ್ ನಿರ್ಧಾರವಾಗಿ ಪರಿವರ್ತಿಸುವ ಮೊದಲು ಈ ಕೆಳಗಿನವುಗಳಲ್ಲಿ ಯಾವುದು ಉತ್ತಮ ಹೆಜ್ಜೆಯಾಗಿದೆ?
- ಎ) ತಕ್ಷಣವೇ ಆ ಜಾಗಕ್ಕೆ ಶಿಲೀಂಧ್ರನಾಶಕವನ್ನು ಅನ್ವಯಿಸಿ
- ಬಿ) ಪ್ರದೇಶಕ್ಕೆ ರಸಗೊಬ್ಬರ ಪ್ರಮಾಣವನ್ನು ದ್ವಿಗುಣಗೊಳಿಸುವುದು
- ಸಿ) ಕ್ಷೇತ್ರ ನಿಯಂತ್ರಣ, ಹವಾಮಾನ ಮತ್ತು ಫಿನಾಲಾಜಿ ✔ ಮೂಲಕ ಕಾರಣವನ್ನು ದೃಢೀಕರಿಸಿ
- ಡಿ) ಅಸಂಗತತೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ ಮತ್ತು ಸಂಪೂರ್ಣ ಕ್ಷೇತ್ರಕ್ಕೆ ಸರಾಸರಿ ಅನ್ವಯಿಸಿ
ವಿವರಣೆ: ಕಡಿಮೆ NDVI ನೀರಿನ ಒತ್ತಡ, ರೋಗ, ಪೋಷಕಾಂಶಗಳ ಕೊರತೆ, ಅಪರೂಪದ ಹೊರಹೊಮ್ಮುವಿಕೆ, ಮೋಡದ ಛಾಯೆ ಅಥವಾ ಹೊಸದಾಗಿ ಉಳುಮೆ ಮಾಡಿದ ಮಣ್ಣಿನಿಂದ ಉಂಟಾಗಬಹುದು. ನಾವು ಈ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಕ್ಷೇತ್ರ ನಿಯಂತ್ರಣ, ಹವಾಮಾನಶಾಸ್ತ್ರ ಮತ್ತು ಫಿನಾಲಾಜಿಯ ಮೂಲಕ ಮಾತ್ರ ಪ್ರತ್ಯೇಕಿಸಬಹುದು; ನಕ್ಷೆ ಮಾತ್ರ ಏಕೆ ಎಂದು ಹೇಳುವುದಿಲ್ಲ. ಕೀಟನಾಶಕಗಳು ಅಥವಾ ರಸಗೊಬ್ಬರಗಳನ್ನು ನೇರವಾಗಿ ಅನ್ವಯಿಸುವುದರಿಂದ ತಪ್ಪು ಕಾರಣಕ್ಕೆ ಅಡ್ಡಿಪಡಿಸುವ ಅಪಾಯವಿದೆ.
4. ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ AI ಸಾಧನಕ್ಕೆ ರೈತ ಕ್ಷೇತ್ರ ನಿರ್ದೇಶಾಂಕಗಳು, ಇಳುವರಿ ಮತ್ತು ವೆಚ್ಚದ ಡೇಟಾವನ್ನು ನಮೂದಿಸುವಾಗ ಅತ್ಯಂತ ನಿಖರವಾದ ವಿಧಾನ ಯಾವುದು?
- ಎ) ಎಲ್ಲಾ ಡೇಟಾವನ್ನು ಅದರ ಐಡಿ ಮತ್ತು ನಿರ್ದೇಶಾಂಕಗಳೊಂದಿಗೆ ಅಂಟಿಸುವುದು
- ಬಿ) ಗುರುತಿಸುವ ಮಾಹಿತಿಯನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿ ಮತ್ತು ಅಗತ್ಯ ತಾಂತ್ರಿಕ ಡೇಟಾವನ್ನು ಮಾತ್ರ ಹಂಚಿಕೊಳ್ಳಿ ✔
- ಸಿ) ಅದನ್ನು ಪರಿಶೀಲಿಸದೆಯೇ ಸಾರ್ವಜನಿಕ ಕೋಷ್ಟಕಕ್ಕೆ ಡೇಟಾವನ್ನು ಲೋಡ್ ಮಾಡುವುದು
- ಡಿ) ರೈತರ ಅನುಮತಿಯಿಲ್ಲದೆ ಮಾದರಿ ತರಬೇತಿಗೆ ಡೇಟಾವನ್ನು ದಾನ ಮಾಡುವುದು
ಬಹಿರಂಗಪಡಿಸುವಿಕೆ: ರೈತರ ಡೇಟಾವು ವಾಣಿಜ್ಯಿಕವಾಗಿ ಮತ್ತು ವೈಯಕ್ತಿಕವಾಗಿ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ; ಸಮನ್ವಯ, ಗುರುತು ಮತ್ತು ವೆಚ್ಚದ ಮಾಹಿತಿಯು ಆಸ್ತಿ ಮತ್ತು ಗೌಪ್ಯತೆಯ ವಿಷಯವಾಗಿದೆ. ಪ್ರತಿನಿಧಿ ಲೇಬಲ್ಗಳೊಂದಿಗೆ (ಪ್ಲಾಟ್-ಎ, ಎಕ್ಸ್ ನಿರ್ದೇಶಾಂಕ) ಗುರುತಿಸುವ ಮಾಹಿತಿಯನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವುದು ಮತ್ತು ವಿಶ್ಲೇಷಣೆಗೆ ಅಗತ್ಯವಿರುವ ತಾಂತ್ರಿಕ ಡೇಟಾವನ್ನು ಮಾತ್ರ ಹಂಚಿಕೊಳ್ಳುವುದು ಸರಿಯಾದ ವಿಧಾನವಾಗಿದೆ. ಡೇಟಾವನ್ನು ಹಾಗೆಯೇ ಹಂಚಿಕೊಳ್ಳುವುದು ಅಥವಾ ಅನುಮತಿಯಿಲ್ಲದೆ ಅದನ್ನು ಶಿಕ್ಷಣಕ್ಕೆ ತೆರೆಯುವುದು ನೈತಿಕ ಮತ್ತು ಕಾನೂನು ಅಪಾಯಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
5. ಮಣ್ಣಿನ ವಿಶ್ಲೇಷಣೆಯ ವರದಿಯು pH ಅನ್ನು 4.8 ಎಂದು ಓದುತ್ತದೆ. ಈ ಮೌಲ್ಯವು ಕೃಷಿಶಾಸ್ತ್ರದ ಅರ್ಥವೇನು?
- ಎ) ಹೆಚ್ಚಿನ ಬೆಳೆಗಳಿಗೆ ತಟಸ್ಥ ಮತ್ತು ಆದರ್ಶ ಮಣ್ಣು
- ಬಿ) ಬಲವಾಗಿ ಆಮ್ಲೀಯ; ಆಹಾರ ಸೇವನೆಯನ್ನು ನಿರ್ಬಂಧಿಸುವ ಮತ್ತು ತಿದ್ದುಪಡಿಯ ಅಗತ್ಯವಿರುವ ಸ್ಥಿತಿ ✔
- ಸಿ) ಬಲವಾದ ಕ್ಷಾರ; ಸುಣ್ಣ ಹಾಕುವ ಅಗತ್ಯವಿರುವ ಸ್ಥಿತಿ
- ಡಿ) ಅಂದರೆ ಮಣ್ಣಿನಲ್ಲಿ ಲವಣಾಂಶವು ಅತಿ ಹೆಚ್ಚು.
ವಿವರಣೆ: pH 4.8 ಬಲವಾಗಿ ಆಮ್ಲೀಯ ಮಣ್ಣನ್ನು ಸೂಚಿಸುತ್ತದೆ; ಈ ಸ್ಥಿತಿಯಲ್ಲಿ, ರಂಜಕ ಮತ್ತು ಮಾಲಿಬ್ಡಿನಮ್ ಸೇವನೆಯು ಕಡಿಮೆಯಾಗುತ್ತದೆ, ಅಲ್ಯೂಮಿನಿಯಂ/ಮ್ಯಾಂಗನೀಸ್ ವಿಷತ್ವದ ಅಪಾಯವು ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು ಅನೇಕ ಬೆಳೆಗಳಲ್ಲಿ ಬೇರಿನ ಬೆಳವಣಿಗೆಯನ್ನು ನಿಗ್ರಹಿಸಲಾಗುತ್ತದೆ. ಹೆಚ್ಚಿನ ಕ್ಷೇತ್ರ ಬೆಳೆಗಳಿಗೆ, 6.0-7.0 ಸೂಕ್ತ ಶ್ರೇಣಿಯಾಗಿದೆ. ಆದ್ದರಿಂದ, ಸುಣ್ಣದಂತಹ ತಿದ್ದುಪಡಿಯನ್ನು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ; ಆಮ್ಲೀಯ ಮಣ್ಣು 'ಆದರ್ಶ' ಅಲ್ಲ ಮತ್ತು ಸ್ವತಃ ಹೆಚ್ಚಿನ ಇಳುವರಿಯನ್ನು ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ.
6. ಗೋಧಿ ಕ್ಷೇತ್ರಕ್ಕೆ ಪ್ರತಿ ಡಿಕೇರ್ಗೆ 60 ಕೆಜಿ ಶುದ್ಧ ಸಾರಜನಕವನ್ನು AI ಶಿಫಾರಸು ಮಾಡಿದೆ; ಪ್ರಾದೇಶಿಕ ಪ್ರಾಯೋಗಿಕ ಮತ್ತು ಗುರಿ ಇಳುವರಿಯು ಪ್ರತಿ ಡಿಕೇರ್ಗೆ ಸುಮಾರು 12-16 ಕೆಜಿ ಶುದ್ಧ ಸಾರಜನಕವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಉತ್ತಮ ನಡವಳಿಕೆ ಯಾವುದು?
- ಎ) AI ಲೆಕ್ಕಾಚಾರ ಮಾಡಿರುವುದರಿಂದ ಶಿಫಾರಸನ್ನು ಹಾಗೆಯೇ ಕಾರ್ಯಗತಗೊಳಿಸುವುದು
- ಬಿ) ಸುರಕ್ಷಿತವಾಗಿರಲು ಡೋಸ್ ಅನ್ನು ಇನ್ನಷ್ಟು ಹೆಚ್ಚಿಸುವುದು
- ಸಿ) ಇದನ್ನು ಎಚ್ಚರಿಕೆಯ ಆದೇಶದಂತೆ ನೋಡಿ ಮತ್ತು ಒಳಹರಿವು ಮತ್ತು ಸ್ಥಳೀಯ ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಪರಿಶೀಲಿಸಿ ✔
- ಡಿ) ಮಣ್ಣಿನ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳದೆ ಪ್ರಸ್ತಾವನೆಯನ್ನು ಅರ್ಧದಷ್ಟು ಭಾಗಿಸುವುದು
ವಿವರಣೆ: ಶಿಫಾರಸು ನಿರೀಕ್ಷಿತ ಶ್ರೇಣಿಯ ಸರಿಸುಮಾರು ನಾಲ್ಕು ಪಟ್ಟು; ಇದು ಪರಿಮಾಣದ ಎಚ್ಚರಿಕೆಯ ಆದೇಶವಾಗಿದೆ. ಅತಿಯಾದ ಸಾರಜನಕವು ಆರ್ಥಿಕ ಹಾನಿ ಮತ್ತು ಖಿನ್ನತೆ, ರೋಗ ಮತ್ತು ನೈಟ್ರೇಟ್ ಮಾಲಿನ್ಯದ ಅಪಾಯವಾಗಿದೆ. ಸರಿಯಾದ ನಡವಳಿಕೆಯು ಶಿಫಾರಸನ್ನು ತಿರಸ್ಕರಿಸುವುದು ಮತ್ತು ಒಳಹರಿವು (ಘಟಕ, ಇಳುವರಿ, ಗುರಿ ಇಳುವರಿ, ಮಣ್ಣಿನ N) ಮತ್ತು ಸ್ಥಳೀಯ ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಪರಿಶೀಲಿಸುವುದು. ಬ್ಲೈಂಡ್ ಅಪ್ಲಿಕೇಶನ್ ಪರಿಸರ ಮತ್ತು ಕೃಷಿ ಹಾನಿ ಉಂಟುಮಾಡುತ್ತದೆ.
7. ನೀರಾವರಿ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಬಳಸುವ 'ಸಸ್ಯ ನೀರಿನ ಬಳಕೆ' (ಬಾಷ್ಪೀಕರಣ, ET) ಅರ್ಥವೇನು?
- ಎ) ಮಳೆಯ ಮೂಲಕ ಮಾತ್ರ ಮಣ್ಣನ್ನು ಪ್ರವೇಶಿಸುವ ನೀರಿನ ಪ್ರಮಾಣ
- B) ಮಣ್ಣಿನಿಂದ ಆವಿಯಾಗುವಿಕೆ ಮತ್ತು ಸಸ್ಯದಿಂದ ಉತ್ಕರ್ಷಣೆಯ ಮೂಲಕ ಒಟ್ಟು ನೀರಿನ ನಷ್ಟ ✔
- ಸಿ) ಮಣ್ಣಿನ ವಿದ್ಯುತ್ ವಾಹಕತೆ
- ಡಿ) ನೀರಾವರಿ ಪೈಪ್ನಲ್ಲಿನ ಒತ್ತಡದ ಮೌಲ್ಯ
ವಿವರಣೆ: ಬಾಷ್ಪೀಕರಣವು ಸಸ್ಯದಿಂದ ಆವಿಯಾಗುವಿಕೆ ಮತ್ತು ಉತ್ಕರ್ಷಣೆಯ ಮೂಲಕ ಮಣ್ಣಿನಿಂದ ವಾತಾವರಣಕ್ಕೆ ಒಟ್ಟು ನೀರಿನ ನಷ್ಟವಾಗಿದೆ. ಉಲ್ಲೇಖ ET ಅನ್ನು ಬೆಳೆ ಗುಣಾಂಕದೊಂದಿಗೆ (Kc) ಗುಣಿಸುವ ಮೂಲಕ, ಉತ್ಪನ್ನದ (ETc) ನಿಜವಾದ ನೀರಿನ ಅಗತ್ಯವನ್ನು ಅಂದಾಜಿಸಲಾಗಿದೆ ಮತ್ತು ಈ ನೀರಿನ ಸಮತೋಲನದ ಪ್ರಕಾರ ನೀರಾವರಿ ಯೋಜಿಸಲಾಗಿದೆ. ಇಟಿ ಮಳೆ ಅಥವಾ ಮಣ್ಣಿನ ಲವಣಾಂಶವಲ್ಲ; ಇದು ನೀರಿನ ಬಜೆಟ್ನ ಹೊರಹರಿವಿನ ಭಾಗವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.
8. ಎಲೆಯ ಮೇಲೆ ರೋಗಲಕ್ಷಣಗಳನ್ನು ನೋಡಿದ ಎಂಜಿನಿಯರ್ AI ಗೆ ಫೋಟೋ ವಿವರಣೆಯನ್ನು ನೀಡಿದರು ಮತ್ತು ಪ್ರಾಥಮಿಕ ರೋಗನಿರ್ಣಯವನ್ನು ಪಡೆದರು. ಈ ರೋಗನಿರ್ಣಯವನ್ನು ಕೀಟ ನಿಯಂತ್ರಣ ನಿರ್ಧಾರವಾಗಿ ಭಾಷಾಂತರಿಸುವ ಮೊದಲು ಯಾವುದು ಕಡ್ಡಾಯವಾಗಿದೆ?
- A) ಕ್ಷೇತ್ರ/ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಏಜೆಂಟ್ ಅನ್ನು ದೃಢೀಕರಿಸುವುದು ಮತ್ತು ಪರವಾನಗಿ ಪಡೆದ ಮತ್ತು ಲೇಬಲ್ ಮಾಡಲಾದ ಔಷಧವನ್ನು ಆಯ್ಕೆಮಾಡುವುದು ✔
- ಬಿ) ಸುರಕ್ಷಿತವಾಗಿರಲು ಹಲವಾರು ವಿಭಿನ್ನ ಔಷಧಿಗಳನ್ನು ಒಟ್ಟಿಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದು
- ಸಿ) AI ಏನು ಹೇಳಿದರೂ ತಕ್ಷಣ ಸಕ್ರಿಯ ಘಟಕಾಂಶವನ್ನು ಅನ್ವಯಿಸಿ.
- ಡಿ) ಅಗ್ಗದ ಕೀಟನಾಶಕವನ್ನು ಆರಿಸಿ ಮತ್ತು ಅದನ್ನು ಇಡೀ ಹೊಲಕ್ಕೆ ಅನ್ವಯಿಸಿ
ವಿವರಣೆ: ಒಂದೇ ರೀತಿಯ ರೋಗಲಕ್ಷಣಗಳನ್ನು ಉಂಟುಮಾಡುವ ವಿಭಿನ್ನ ಅಂಶಗಳಿಂದ (ಶಿಲೀಂಧ್ರ, ಬ್ಯಾಕ್ಟೀರಿಯಾ, ವೈರಲ್, ಪೋಷಕಾಂಶಗಳ ಕೊರತೆ, ಅಜೀವಕ ಒತ್ತಡ) ಚಿತ್ರದಿಂದ ಪ್ರಾಥಮಿಕ ರೋಗನಿರ್ಣಯವು ಸಾಕಾಗುವುದಿಲ್ಲ. ಏಜೆಂಟ್ ಅನ್ನು ಕ್ಷೇತ್ರದ ಮಾದರಿಯೊಂದಿಗೆ ದೃಢೀಕರಿಸಬೇಕು ಮತ್ತು ಅಗತ್ಯವಿದ್ದಲ್ಲಿ, ಪ್ರಯೋಗಾಲಯದ ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡಬೇಕು ಮತ್ತು ನಂತರ ಆ ಏಜೆಂಟ್ ಮತ್ತು ಆ ಉತ್ಪನ್ನಕ್ಕೆ ಪರವಾನಗಿ ಪಡೆದ ಔಷಧವನ್ನು ಮತ್ತು ಅದರ ಲೇಬಲ್ಗೆ ಸೂಕ್ತವಾದದನ್ನು ಮಾತ್ರ ಆಯ್ಕೆ ಮಾಡಬೇಕು. ಪರಿಶೀಲನೆ ಇಲ್ಲದೆ ಬ್ರಾಡ್-ಸ್ಪೆಕ್ಟ್ರಮ್ ಕೀಟನಾಶಕ ಅಪ್ಲಿಕೇಶನ್ ಪ್ರತಿರೋಧ ಮತ್ತು ಶೇಷದ ಅಪಾಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.
9. ಕೃಷಿ ನಿರ್ಧಾರ ಬೆಂಬಲದಲ್ಲಿ ಆಗಾಗ್ಗೆ ಬಳಸಲಾಗುವ GDD (ಬೆಳವಣಿಗೆಯ ಪದವಿ ದಿನ) ಪರಿಕಲ್ಪನೆಯ ಉದ್ದೇಶವೇನು?
- ಎ) ಮಣ್ಣಿನ pH ಮೌಲ್ಯವನ್ನು ಅನುಸರಿಸುವುದು
- B) ಶಾಖದ ಶೇಖರಣೆಯಿಂದ ಸಸ್ಯ ಅಭಿವೃದ್ಧಿ ಹಂತಗಳು ಮತ್ತು ಕೀಟಗಳ ಹೊರಹೊಮ್ಮುವಿಕೆಯನ್ನು ಊಹಿಸುವುದು ✔
- ಸಿ) ನೀರಾವರಿ ಪೈಪ್ ಹರಿವಿನ ಪ್ರಮಾಣವನ್ನು ಅಳೆಯುವುದು
- ಡಿ) ಉತ್ಪನ್ನದ ಮಾರುಕಟ್ಟೆ ಬೆಲೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು
ವಿವರಣೆ: GDD ಎಂಬುದು ದೈನಂದಿನ ಸರಾಸರಿ ತಾಪಮಾನದಿಂದ ಬೇಸ್ ತಾಪಮಾನವನ್ನು ಕಳೆಯುವ ಮೂಲಕ ಸಂಗ್ರಹವಾದ ಒಟ್ಟು ಶಾಖವಾಗಿದೆ ಮತ್ತು ಸಸ್ಯದ ಬೆಳವಣಿಗೆಯ (ಫಿನಾಲಜಿ) ಹಂತಗಳನ್ನು ಮತ್ತು ಕೆಲವು ಕೀಟಗಳ ಹೊರಹೊಮ್ಮುವಿಕೆಯ ಸಮಯವನ್ನು ಅಂದಾಜು ಮಾಡಲು ಬಳಸಲಾಗುತ್ತದೆ. ಹೀಗಾಗಿ, ಸಿಂಪಡಿಸುವಿಕೆ, ಫಲೀಕರಣ ಮತ್ತು ಸುಗ್ಗಿಯ ಕಿಟಕಿಗಳನ್ನು ಕ್ಯಾಲೆಂಡರ್ಗಿಂತ ಹೆಚ್ಚಾಗಿ ಶಾಖದ ಶೇಖರಣೆಗೆ ಅನುಗುಣವಾಗಿ ಯೋಜಿಸಬಹುದು. GDD ಮಣ್ಣಿನ pH ಅಥವಾ ನೇರ ಮಳೆಯ ಪ್ರಮಾಣವಲ್ಲ.
10. ಯಂತ್ರ ಕಲಿಕೆಯೊಂದಿಗೆ ಸ್ಥಾಪಿತವಾದ ಇಳುವರಿ ಮುನ್ಸೂಚನೆಯ ಮಾದರಿಗೆ ಈ ಕೆಳಗಿನವುಗಳಲ್ಲಿ ಯಾವುದು ಅತ್ಯಂತ ನಿಖರವಾದ ಹೇಳಿಕೆಯಾಗಿದೆ?
- ಎ) ಭವಿಷ್ಯವನ್ನು ನಿಖರವಾಗಿ ಮತ್ತು ದೋಷವಿಲ್ಲದೆ ಊಹಿಸುತ್ತದೆ
- ಬಿ) ಇದು ಹಿಂದಿನ ಮಾದರಿಗಳನ್ನು ಆಧರಿಸಿದೆ; ಅನಿಶ್ಚಿತತೆಯ ಶ್ರೇಣಿಯೊಂದಿಗೆ ನೀಡಬೇಕು ಮತ್ತು ಪರಿಶೀಲಿಸಬೇಕು ✔
- ಸಿ) ಇದು ಯಾವಾಗಲೂ ತರಬೇತಿ ಡೇಟಾವನ್ನು ಹೊರತುಪಡಿಸಿ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಅದೇ ನಿಖರತೆಯೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
- ಡಿ) ಅವರು ಕೃಷಿ ಮಾಹಿತಿಯಿಲ್ಲದ ಏಕೈಕ ಅಂತಿಮ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವವರಾಗಿದ್ದಾರೆ
ವಿವರಣೆ: ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯು ಐತಿಹಾಸಿಕ ಡೇಟಾದಲ್ಲಿ ನೋಡುವ ಮಾದರಿಗಳನ್ನು ಆಧರಿಸಿದೆ; ತರಬೇತಿಯ ಡೇಟಾದ ಹೊರಗೆ ಇನ್ಪುಟ್ ಪರಿಸ್ಥಿತಿಗಳು ಬಿದ್ದಾಗ ಆತ್ಮವಿಶ್ವಾಸ ಕಡಿಮೆಯಾಗುತ್ತದೆ (ಹೊಸ ವೈವಿಧ್ಯ, ಅಸಾಮಾನ್ಯ ಹವಾಮಾನ). ಆದ್ದರಿಂದ, ಔಟ್ಪುಟ್ ಅನ್ನು ಅನಿಶ್ಚಿತತೆಯ ಶ್ರೇಣಿಯೊಂದಿಗೆ ನೀಡಬೇಕು, ಬಿಂದುವಲ್ಲ, ಮತ್ತು ಐತಿಹಾಸಿಕ ಇಳುವರಿ ಮತ್ತು ಮಾನದಂಡಗಳೊಂದಿಗೆ ಪರಿಶೀಲಿಸಬೇಕು. ಮಾದರಿಯು ಭವಿಷ್ಯವನ್ನು ಖಚಿತವಾಗಿ ತಿಳಿದಿರುವುದಿಲ್ಲ ಮತ್ತು ಎಲ್ಲಾ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಅದೇ ನಿಖರತೆಯೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ.
11. AI- ರಚಿತವಾದ ಪೈಥಾನ್/ಪಾಂಡಾಸ್ ವಿಶ್ಲೇಷಣೆ ಕೋಡ್ ಅನ್ನು ಚಲಾಯಿಸುವ ಮೊದಲು ಉತ್ತಮ ಅಭ್ಯಾಸ ಯಾವುದು?
- ಎ) ಕೋಡ್ ಅನ್ನು ಓದದೆಯೇ ಸಂಪೂರ್ಣ ಡೇಟಾ ಸೆಟ್ಗೆ ನೇರವಾಗಿ ಅನ್ವಯಿಸುವುದು
- ಬಿ) ತಿಳಿದಿರುವ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಸಣ್ಣ ಮಾದರಿ ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷೆ ಮತ್ತು ಸೂತ್ರಗಳು ಮತ್ತು ಘಟಕಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು ✔
- ಸಿ) ದೋಷಗಳಿಲ್ಲದೆ ಕೆಲಸ ಮಾಡುವುದು ಸಾಕು ಎಂದು ಪರಿಗಣಿಸಿ.
- ಡಿ) ವರದಿಯನ್ನು ಪರಿಶೀಲಿಸದೆಯೇ ಔಟ್ಪುಟ್ ಅನ್ನು ಹಾಕುವುದು
ವಿವರಣೆ: AI-ರಚಿಸಿದ ಕೋಡ್ ಸರಿಯಾಗಿ ಕಾಣಿಸಬಹುದಾದರೂ, ಅದು ಘಟಕ, ಕಾಲಮ್ ಹೆಸರು, ಸೂಚ್ಯಂಕ ಸೂತ್ರ ಅಥವಾ ಫಿಲ್ಟರ್ ಲಾಜಿಕ್ ದೋಷಗಳನ್ನು ಒಳಗೊಂಡಿರಬಹುದು. ನಿಮಗೆ ತಿಳಿದಿರುವ ಡೇಟಾದ ಸಣ್ಣ ಮಾದರಿಯ ವಿರುದ್ಧ ಫಲಿತಾಂಶವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ರನ್ ಮಾಡುವುದು ಉತ್ತಮ ಅಭ್ಯಾಸವಾಗಿದೆ, ಅದನ್ನು ನಿರೀಕ್ಷಿತ ಔಟ್ಪುಟ್ಗೆ ಹೋಲಿಸಿ ಮತ್ತು ಮೂಲದ ವಿರುದ್ಧ NDVI ನಂತಹ ಸೂತ್ರಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. ದೊಡ್ಡ ಡೇಟಾವನ್ನು ನೋಡದೆ ಕೋಡ್ ಅನ್ನು ಅನ್ವಯಿಸುವುದರಿಂದ ಉತ್ಪಾದನೆಗೆ ಮೂಕ ದೋಷಗಳನ್ನು ಚಲಿಸುತ್ತದೆ.
12. ಪತ್ತೆಹಚ್ಚುವಿಕೆ ದಾಖಲೆಗಳಲ್ಲಿ ಡ್ರಗ್ ಅಡ್ಮಿನಿಸ್ಟ್ರೇಷನ್ ನೋಟ್ಬುಕ್ ಏಕೆ ನಿರ್ಣಾಯಕವಾಗಿದೆ?
- ಎ) ಕೇವಲ ತೆರಿಗೆ ವಿನಾಯಿತಿ ಪಡೆಯಲು
- B) MRL ಅನುಸರಣೆ, ಪ್ರಮಾಣೀಕರಣ ಮತ್ತು ಬ್ಯಾಚ್ ಟ್ರೇಸ್ಬ್ಯಾಕ್ಗಾಗಿ ಪರಿಶೀಲಿಸಬಹುದಾದ ದಾಖಲೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ ✔
- ಸಿ) ನೆರೆಹೊರೆಯ ಕ್ಷೇತ್ರಗಳೊಂದಿಗೆ ಹೋಲಿಕೆಗಾಗಿ ಮಾತ್ರ
- ಡಿ) ಜಾಹೀರಾತು ಕರಪತ್ರಗಳನ್ನು ಸಿದ್ಧಪಡಿಸುವುದು
ವಿವರಣೆ: ಔಷಧಿ ಆಡಳಿತ ಪುಸ್ತಕ; ಇದು ಯಾವ ಉತ್ಪನ್ನ, ಯಾವ ಸಕ್ರಿಯ ಘಟಕಾಂಶವಾಗಿದೆ, ಯಾವ ಡೋಸ್ ಮತ್ತು ದಿನಾಂಕವನ್ನು ಬಳಸಲಾಗಿದೆ ಮತ್ತು ಕೊನೆಯ ಅಪ್ಲಿಕೇಶನ್ ಮತ್ತು ಕೊಯ್ಲು ನಡುವಿನ ಕಾಯುವ ಅವಧಿಯನ್ನು ದಾಖಲಿಸುತ್ತದೆ. ಗರಿಷ್ಟ ಶೇಷ ಮಿತಿ (MRL) ಅನುಸರಣೆ, ಉತ್ತಮ ಕೃಷಿ/ಸಾವಯವ ಪ್ರಮಾಣೀಕರಣ ಮತ್ತು ಸಮಸ್ಯೆ ಉಂಟಾದರೆ ಬ್ಯಾಚ್ ಟ್ರೇಸ್ ಬ್ಯಾಕ್ಗಾಗಿ ಈ ರೆಕಾರ್ಡಿಂಗ್ ಕಡ್ಡಾಯವಾಗಿದೆ. ಇದನ್ನು ಕೇವಲ ವೆಚ್ಚದ ಟ್ರ್ಯಾಕಿಂಗ್ ಅಥವಾ ಜಾಹೀರಾತಿಗಾಗಿ ಇರಿಸಲಾಗಿಲ್ಲ.
13. AI ಉಪಕರಣವು ಆ ಪ್ರದೇಶದಲ್ಲಿ ಕಂಡುಬರದ ಕೀಟವನ್ನು 'ಸಾಮಾನ್ಯ ಬೆದರಿಕೆ' ಎಂದು ವಿಶ್ವಾಸದಿಂದ ವರದಿ ಮಾಡಿದೆ. ಈ ಪರಿಸ್ಥಿತಿಯನ್ನು ಯಾವ ಪರಿಕಲ್ಪನೆಯು ಉತ್ತಮವಾಗಿ ವಿವರಿಸುತ್ತದೆ?
- ಎ) ಸಂವೇದಕ ಮಾಪನಾಂಕ ನಿರ್ಣಯ ದೋಷ
- ಬಿ) ಭ್ರಮೆ: ಸುರಕ್ಷಿತ ಭಾಷೆಯಲ್ಲಿ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಮಾಹಿತಿಯ ಉತ್ಪಾದನೆ ✔
- ಸಿ) ನೆಟ್ವರ್ಕ್ ಸಂಪರ್ಕ ಅಡಚಣೆ
- ಡಿ) ಮಳೆಯ ಮಾಹಿತಿಯ ಕೊರತೆ
ವಿವರಣೆ: ಮಾದರಿಯು ನಿಜವಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಅಥವಾ ಸಂದರ್ಭಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗದ ಮಾಹಿತಿಯನ್ನು ಉತ್ಪಾದಿಸಿದಾಗ ಅದನ್ನು ಭ್ರಮೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಅದು ನೈಜ, ನಿರರ್ಗಳ ಮತ್ತು ಆತ್ಮವಿಶ್ವಾಸ. ಅಗ್ರೋನೊಮಿಕ್ ಪ್ಲಾಸಿಬಿಲಿಟಿಯ ಫಿಲ್ಟರ್ (ಪ್ರದೇಶದ ಹವಾಮಾನ ಮತ್ತು ಬೆಳೆ ಮಾದರಿಯು ಆ ಕೀಟಕ್ಕೆ ಸೂಕ್ತವಾಗಿದೆಯೇ?) ಮತ್ತು ಕ್ಷೇತ್ರ ಸಾಕ್ಷ್ಯವು ಸಹಿ ಮಾಡುವ ಮೊದಲು ಅಂತಹ ದೋಷಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ. ಇದು ಸಂವೇದಕ ಅಸಮರ್ಪಕ ಅಥವಾ ಘಟಕ ದೋಷವಲ್ಲ.
14. ಸುರಕ್ಷತೆ ಮತ್ತು ಗುಣಮಟ್ಟಕ್ಕೆ ನಿರ್ಣಾಯಕವಾದ ಕೃಷಿ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪಾತ್ರವನ್ನು ಹೇಗೆ ವ್ಯಾಖ್ಯಾನಿಸಬೇಕು (ಉದಾ. ಕೀಟನಾಶಕ ಡೋಸೇಜ್, ರಸಗೊಬ್ಬರ ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್, ನೀರಾವರಿ ಯೋಜನೆ)?
- ಎ) ಸಮರ್ಥ ಪ್ರಾಧಿಕಾರವು ಅಂತಿಮ ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ
- ಬಿ) ಸಮರ್ಥ ಕೃಷಿಶಾಸ್ತ್ರಜ್ಞರ ಅನುಮೋದನೆಯನ್ನು ಬದಲಿಸುವ ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆ
- ಸಿ) ಡ್ರಾಫ್ಟ್ಗಳು ಮತ್ತು ಸಲಹೆಗಳನ್ನು ತಯಾರಿಸುವ ಮತ್ತು ನಿರ್ಧಾರವನ್ನು ತಜ್ಞರಿಗೆ ಬಿಡುವ ಸಹಾಯಕ ✔
- ಡಿ) ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವಿಲ್ಲದ ಮಾಹಿತಿಯ ನಿಖರವಾದ ಮೂಲ
ವಿವರಣೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ; ಇದು ಬಾಹ್ಯರೇಖೆಗಳನ್ನು ಉತ್ಪಾದಿಸುವ, ಡೇಟಾವನ್ನು ಸಾರಾಂಶ ಮಾಡುವ ಮತ್ತು ಊಹೆಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುವ ಸಹಾಯಕ. ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಅಂತಿಮ ಹೇಳಿಕೆಯು ಕ್ಷೇತ್ರ ವೀಕ್ಷಣೆ, ಸ್ಥಳೀಯ ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು ಶಾಸನಗಳೊಂದಿಗೆ ಪರಿಚಿತವಾಗಿರುವ ಸಮರ್ಥ ಕೃಷಿ ಇಂಜಿನಿಯರ್ಗೆ ಸೇರಿದೆ; AI ಔಟ್ಪುಟ್ ಈ ಅನುಮೋದನೆಯನ್ನು ಬದಲಿಸುವುದಿಲ್ಲ. ಉತ್ಪನ್ನ, ಪರಿಸರ ಮತ್ತು ಆಹಾರ ಸುರಕ್ಷತೆಗೆ ಬಂದಾಗ, ಜವಾಬ್ದಾರಿಯು ಸಹಿ ಮಾಡುವ ತಜ್ಞರ ಮೇಲಿರುತ್ತದೆ.