കാലാവസ്ഥയും കാലാവസ്ഥാ ഡാറ്റയും ഉപയോഗിച്ച് കാർഷിക തീരുമാന പിന്തുണ

നേട്ടങ്ങൾ:

• കാലാവസ്ഥാ ഡാറ്റ (താപനില, മഴ, GDD, മഞ്ഞ് അപകടസാധ്യത, ഈർപ്പം) കാർഷിക തീരുമാന ജാലകവുമായി ബന്ധിപ്പിക്കാനുള്ള കഴിവ്
• കാലാവസ്ഥാ പ്രവചനവും ഫിനോളജിയും AI-യുമായി സംയോജിപ്പിച്ച് സ്പ്രേയിംഗ്/കൊയ്ത്ത്/മഞ്ഞ് സംരക്ഷണ ഷെഡ്യൂൾ ഡ്രാഫ്റ്റ് നിർമ്മിക്കാനുള്ള കഴിവ്
• പ്രവചന അനിശ്ചിതത്വവും പ്രോബബിലിസ്റ്റിക് എക്സ്പ്രഷനുകളും ശരിയായി വ്യാഖ്യാനിക്കാനും അഗ്രോണമിസ്റ്റ് വിധിയിലൂടെ അപകടസാധ്യത നിയന്ത്രിക്കാനുമുള്ള കഴിവ്

കൃഷിയിലെ മിക്കവാറും എല്ലാ തീരുമാനങ്ങളും കാലാവസ്ഥയുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു: എപ്പോൾ നടണം, എപ്പോൾ തളിക്കണം, എപ്പോൾ വെള്ളം നൽകണം, എപ്പോൾ വിളവെടുക്കണം, രാത്രിയിൽ മഞ്ഞ് വരുമോ? പരിചയസമ്പന്നനായ ഒരു കർഷകൻ ആകാശത്തേക്ക് നോക്കി ധാരാളം വായിക്കുന്നു, എന്നാൽ കാലാവസ്ഥ ഇപ്പോൾ സംഖ്യാപരമായി വായിക്കാൻ കഴിയും: താപനില, മഴ, ഈർപ്പം, കാറ്റ്, സൗരവികിരണം, അവയുടെ പ്രവചനങ്ങൾ. കാലാവസ്ഥാ ഡാറ്റയെ കാർഷിക തീരുമാന ജാലകത്തിലേക്ക് ബന്ധിപ്പിക്കാനും കാലാവസ്ഥാ പ്രവചനവും സസ്യ വികസനവും കൃത്രിമ ബുദ്ധിയുമായി സംയോജിപ്പിച്ച് സമയ ഡ്രാഫ്റ്റുകൾ നിർമ്മിക്കാനും - ഏറ്റവും നിർണായകമായ പ്രശ്നം - പ്രവചന അനിശ്ചിതത്വം ശരിയായി വായിക്കാനും ഈ യൂണിറ്റ് നിങ്ങളെ പഠിപ്പിക്കുന്നു. കാരണം കാലാവസ്ഥാ പ്രവചനം പ്രോബബിലിസ്റ്റിക് ആണ്; ഇത് ഒരു ഉറപ്പായി ഉപയോഗിക്കുന്നത് ഏറ്റവും ചെലവേറിയ തെറ്റുകളിൽ ഒന്നാണ്.

കൃഷിയുടെ നിർണായക കാലാവസ്ഥാ വ്യതിയാനങ്ങൾ

താപനില ഒരു സംഖ്യ മാത്രമല്ല; ഇത് സസ്യ വികസനത്തിൻ്റെ എഞ്ചിനാണ്. ഇത് അളക്കാൻ, GDD (ഗ്രോയിംഗ് ഡിഗ്രി ഡേയ്സ്) ഉപയോഗിക്കുന്നു: പ്രതിദിന ശരാശരി താപനില ഉൽപ്പന്നത്തിൻ്റെ അടിസ്ഥാന താപനിലയിൽ നിന്ന് കുറയ്ക്കുകയും ശേഖരിക്കപ്പെടുകയും ചെയ്യുന്നു. കലണ്ടറിനേക്കാൾ കൂടുതൽ വിശ്വസനീയമായ "ബയോളജിക്കൽ ക്ലോക്ക്" ആണ് GDD; ചൂട് ശേഖരണത്തെ അടിസ്ഥാനമാക്കി ചെടി ഏത് ഘട്ടത്തിലാണെന്നും ചില കീടങ്ങൾ എപ്പോൾ പ്രത്യക്ഷപ്പെടുമെന്നും ഇത് പ്രവചിക്കുന്നു.

മഴയും ഈർപ്പവും ജല ബജറ്റിനെയും രോഗസാധ്യതയെയും നിർണ്ണയിക്കുന്നു. നീണ്ടുനിൽക്കുന്ന ഇലകളുടെ ഈർപ്പവും ഉയർന്ന ആർദ്രതയും പല ഫംഗസ് രോഗങ്ങൾക്കും കാരണമാകുന്നു; അതുകൊണ്ടാണ് ചില രോഗ മുന്നറിയിപ്പ് സംവിധാനങ്ങൾ ഈർപ്പം-താപനില സംയോജനം നേരിട്ട് നിരീക്ഷിക്കുന്നത്.

മഞ്ഞ് അപകടസാധ്യത തോട്ടങ്ങളുടെ ജീവിതവും മരണവുമാണ്, പ്രത്യേകിച്ച് പൂവിടുമ്പോൾ; കുറച്ച് മണിക്കൂർ മൈനസ് താപനില മുഴുവൻ ഉൽപ്പന്നത്തെയും നശിപ്പിക്കും. സംരക്ഷണ നടപടികൾ (ജലസേചനം, കാറ്റ് മെഷീൻ ഉപയോഗിച്ചുള്ള മഞ്ഞ് സംരക്ഷണം) സമയബന്ധിതമായി അവതരിപ്പിക്കുന്നതിന് മഞ്ഞ് പ്രവചനം അത്യന്താപേക്ഷിതമാണ്.

സ്പ്രേ ചെയ്യാനുള്ള തീരുമാനത്തെ കാറ്റ് നേരിട്ട് ബാധിക്കുന്നു: ഉയർന്ന കാറ്റിൽ കീടനാശിനി ഒഴുകുന്നു, ലക്ഷ്യത്തിലെത്തുന്നില്ല, കൂടാതെ അയൽപക്കത്തെ / പരിസ്ഥിതിയെ നശിപ്പിക്കുന്നു.

വേരിയബിൾ

ആശ്രിത തീരുമാനം

AI സംഭാവന

GDD (താപ ശേഖരണം)

ഫിനോളജി, കീടങ്ങളുടെ ആവിർഭാവം

സ്റ്റേജ്/എമർജൻസ് ടൈം പ്രവചനം

മഴ + ഇല നനവ്

രോഗസാധ്യത, ജലസേചനം

റിസ്ക് വിൻഡോ മുന്നറിയിപ്പ്

മഞ്ഞ് (മിനിറ്റ് താപനില)

മഞ്ഞ് സംരക്ഷണ ട്രിഗർ

അപകടസാധ്യതയുള്ള രാത്രി സൂചന

കാറ്റ്

സ്പ്രേ ചെയ്യുന്ന സമയം

അനുയോജ്യമായ വിൻഡോ ശുപാർശ

ഈർപ്പം + താപനില

രോഗ മാതൃക

ഗുരുതരമായ അവസ്ഥ സംയോജനം

പ്രവചന അനിശ്ചിതത്വം വായിക്കുന്നു

ഈ യൂണിറ്റിൻ്റെ ഏറ്റവും പ്രധാനപ്പെട്ട ആശയം: കാലാവസ്ഥാ പ്രവചനം ഒരു സാധ്യതയാണ്, ഒരു വാഗ്ദാനമല്ല. "നാളെ 70% മഴ" എന്ന വാചകം "തീർച്ചയായും മഴ പെയ്യുമെന്ന്" അർത്ഥമാക്കുന്നില്ല; ഇതിനർത്ഥം സമാനമായ അവസ്ഥകളിൽ 10-ൽ 7 എണ്ണത്തിലും മഴ അനുഭവപ്പെടുന്നു എന്നാണ്. പ്രവചനത്തിൻ്റെ വിശ്വാസ്യത കാലക്രമേണ വേഗത്തിൽ കുറയുന്നു: 1-2 ദിവസത്തെ പ്രവചനം തികച്ചും വിശ്വസനീയമാണ്, 7 ദിവസത്തെ പ്രവചനം ഒരു പരുക്കൻ പ്രവണതയാണ്, 14 ദിവസത്തെ പ്രവചനം മിക്കവാറും കാലാവസ്ഥാ ശരാശരിയാണ്. കൃത്രിമബുദ്ധിക്ക് ഈ അവ്യക്തതയെ മനോഹരമായ വാക്യങ്ങൾ ഉപയോഗിച്ച് മറയ്ക്കാൻ കഴിയും; നിങ്ങളുടെ ജോലി അത് ദൃശ്യമായി സൂക്ഷിക്കുക എന്നതാണ്.

നുറുങ്ങ്: കാലാവസ്ഥയെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു തീരുമാനം AI-യോട് ചോദിക്കുമ്പോൾ, "സംഭാവ്യതയും ആത്മവിശ്വാസ കാലയളവും ഉൾപ്പെടുത്തുക, പ്രത്യേകം പറയരുത്" എന്ന് പറയുക. "നാളെ വരെ സ്‌പ്രേ ചെയ്യുന്നത് മാറ്റിവയ്ക്കുക" എന്നതിന് പകരം, "നാളെ കാറ്റ് കാറ്റ് X% കുറവാണ്, പക്ഷേ 2 ദിവസത്തെ അനിശ്ചിതത്വമുണ്ട്" എന്നതുപോലുള്ള ഔട്ട്‌പുട്ട് കൂടുതൽ ഉപയോഗപ്രദമാണ്.

മൂന്ന് മിനി കേസുകൾ: അക്കങ്ങൾ പ്രകാരം

കേസ് 1 - GDD ഉള്ള സമയം. കലണ്ടർ അനുസരിച്ച് "മെയ് പകുതിയോടെ" ഒരു ആപ്പിൾ തോട്ടത്തിൽ ഒരു കീടത്തിൻ്റെ ആവിർഭാവം പ്രതീക്ഷിച്ചിരുന്നു. GDD നിരീക്ഷണത്തോടെ, ആ വർഷം ചൂട് ശേഖരണം വൈകിയതായി കണ്ടു; 11 ദിവസത്തിന് ശേഷം റിലീസ് മാറ്റിവച്ചു. മോണിറ്ററിംഗ് ട്രാപ്പുകൾ GDD പ്രവചനം സ്ഥിരീകരിച്ചു, സ്പ്രേ ചെയ്യുന്നത് അകാലത്തിൽ പാഴായില്ല, പക്ഷേ ഉയർന്നുവരുന്ന സമയത്ത് തന്നെ ചെയ്തു.

കേസ് 2 - തെറ്റായി വായിക്കാനുള്ള സാധ്യത. ഒരു നിർമ്മാതാവ് "60% മഴ" പ്രവചനത്തെ ആശ്രയിക്കുകയും ജലസേചനം റദ്ദാക്കുകയും ചെയ്തു; മഴ പെയ്തില്ല, പ്ലാൻ്റ് രണ്ട് ദിവസത്തെ സമ്മർദ്ദം അനുഭവിച്ചു. പാഠം: 60% "നിശ്ചയം" ആയിരുന്നില്ല. അടുത്ത തവണ, മണ്ണിൻ്റെ ഈർപ്പം സെൻസറിനൊപ്പം പ്രവചന സാധ്യത വിലയിരുത്തിയാണ് തീരുമാനം എടുത്തത്; ഈർപ്പം കുറവാണെങ്കിൽ, മഴയ്ക്ക് കാത്തുനിൽക്കാതെ നേരിയ ജലസേചനം നടത്തി.

കേസ് 3 - ഫ്രോസ്റ്റ് സംരക്ഷണം. മൂന്ന് ദിവസത്തേക്ക് മഞ്ഞ് വീഴാനുള്ള സാധ്യത AI കാണിച്ചു, എന്നാൽ 5 ദിവസത്തെ അനിശ്ചിതത്വം അറിഞ്ഞുകൊണ്ട് എഞ്ചിനീയർ റഡാറും ലോക്കൽ സ്റ്റേഷനും നിരീക്ഷിച്ചു. നിർണായക രാത്രി അടുത്തപ്പോൾ, പ്രവചനം കഠിനമായി; മഞ്ഞ് സംരക്ഷണ ജലസേചനം കൃത്യസമയത്ത് സജീവമാക്കി, പൂക്കൾ സംരക്ഷിക്കപ്പെട്ടു. ദൂരെയുള്ള ഒരു പ്രവചനത്തെ അന്ധമായി വിശ്വസിച്ചാൽ ഒരാൾ തയ്യാറാകാതെ പിടിക്കപ്പെടും.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ ആഴ്ച എപ്പോഴാണ് ഞാൻ സ്പ്രേ ചെയ്യേണ്ടത്?

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ പങ്ക്: കാർഷിക കാലാവസ്ഥാ ശാസ്ത്രത്തെ പിന്തുണയ്ക്കുന്ന കാർഷിക ശാസ്ത്രജ്ഞൻ. താഴെയുള്ള 7-ദിവസത്തെ പ്രവചനം വ്യാഖ്യാനിക്കുക (ദിവസം, മിനി/പരമാവധി താപനില, മഴയുടെ സംഭാവ്യത, കാറ്റ്, ഈർപ്പം). ടാസ്ക്:- സ്പ്രേ ചെയ്യുന്നതിന് അനുയോജ്യമായ വിൻഡോകൾ ലിസ്റ്റ് ചെയ്യുക കാറ്റിൻ്റെയും മഴയുടെയും പരിമിതിയെ ന്യായീകരിക്കുക. - ഓരോ നിർദ്ദേശത്തിലും പ്രവചനത്തിൻ്റെ സാധ്യതയും എത്ര ദിവസത്തെ അനിശ്ചിതത്വവും ചേർക്കുക. - കൃത്യമായ ഭാഷ ഉപയോഗിച്ച്; "ഏറ്റവും സാധ്യത/അനിശ്ചിതത്വം" എന്ന രീതിയിൽ പ്രകടിപ്പിക്കുക. - ഫംഗസ് രോഗത്തിന് അപകടസാധ്യതയുള്ള ഈർപ്പം + താപനില സംയോജനമുണ്ടെങ്കിൽ അടയാളപ്പെടുത്തുക. - സെൻസർ/ഫീൽഡുമായി ചേർന്ന് എനിക്ക് തീരുമാനമെടുക്കേണ്ടതുണ്ടെന്ന കാര്യം ശ്രദ്ധിക്കുക. പ്രവചനം: [7 ദിവസത്തെ ഡാറ്റ]

ശക്തമായ പ്രോംപ്റ്റ് പ്രോബബിലിറ്റിയും അനിശ്ചിതത്വവും നടപ്പിലാക്കുന്നു, കൃത്യമായ ഭാഷയെ നിരോധിക്കുന്നു, തീരുമാനം ഒരൊറ്റ ഉറവിടത്തിലേക്ക് ആട്രിബ്യൂട്ട് ചെയ്യുന്നില്ല.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) GDD കാൽക്കുലേറ്ററും ഫിനോളജിയും:

ഉൽപ്പന്നം [..], അടിസ്ഥാന താപനില [..]°C. നിലവിലെ പ്രതിദിന ശരാശരി. താപനിലയിൽ GDD ശേഖരിക്കുകയും നിലവിലെ ശേഖരണത്തെ അടിസ്ഥാനമാക്കി സാധ്യമായ വികസന ഘട്ടം പ്രവചിക്കുകയും ചെയ്യുക. അനിശ്ചിതത്വം പ്രസ്താവിക്കുക; ഫീൽഡ് നിരീക്ഷണത്തിലൂടെ സ്ഥിരീകരണം ആവശ്യമാണെന്ന് എഴുതുക.

2) സ്പ്രേയിംഗ് വിൻഡോ:

7 ദിവസത്തെ കാറ്റ്/മഴ പ്രവചനത്തെ അടിസ്ഥാനമാക്കി സ്പ്രേ ചെയ്യുന്നതിന് ഏറ്റവും അനുയോജ്യമായ 2 വിൻഡോകൾ ശുപാർശ ചെയ്യുക. ഓരോന്നിനും കാറ്റിൻ്റെ വേഗത, മഴയുടെ സാധ്യത, ഡ്രിഫ്റ്റ് അപകടസാധ്യത എന്നിവ എഴുതുക. അനുയോജ്യമായ വിൻഡോ ഇല്ലെങ്കിൽ, അത് വ്യക്തമായി പറയുക.

3) മഞ്ഞ് അപകട സാധ്യത നേരത്തെയുള്ള മുന്നറിയിപ്പ്:

വരും രാത്രികളിൽ മിനി. താപനിലയും തണുപ്പിൻ്റെ സാധ്യതയും വിലയിരുത്തുക. നിർണ്ണായക പരിധിക്ക് താഴെ വീഴാൻ സാധ്യതയുള്ള രാത്രികൾ അടയാളപ്പെടുത്തുക (പൂവിടുമ്പോൾ ~0°C) പ്രവചനത്തിൻ്റെ അനിശ്ചിതത്വം എഴുതുക. കൂടാതെ, ഏത് പ്രാദേശിക ഉറവിടമാണ് ഞാൻ കാണേണ്ടതെന്ന് നിർദ്ദേശിക്കുക.

4) രോഗ സാധ്യത വിൻഡോ:

ഈ വിളയുടെ ഇലയുടെ നനവ് സമയവും ഈർപ്പം/താപനില ഡാറ്റയും അടിസ്ഥാനമാക്കി ഫംഗസ് രോഗ സാധ്യത വർദ്ധിക്കുന്ന ജനാലകൾ അടയാളപ്പെടുത്തുക. ഒരു രോഗനിർണയം നടത്തുന്നു; "സാഹചര്യങ്ങൾ അനുയോജ്യമാണ്, നിരീക്ഷണം വർദ്ധിപ്പിക്കുക" എന്ന തലത്തിൽ മാത്രം മുന്നറിയിപ്പ് നൽകുക.

സാധാരണ തെറ്റുകൾ

• ഉറപ്പിനായി തെറ്റിദ്ധരിപ്പിക്കുന്ന സംഭാവ്യത. "60% മഴ" ഒരു ഗ്യാരണ്ടി അല്ല; ഒരൊറ്റ ഊഹത്തിൻ്റെ അടിസ്ഥാനത്തിൽ നിങ്ങളുടെ തീരുമാനം എടുക്കരുത്.
• വിദൂര പ്രവചനത്തെ ആശ്രയിക്കുന്നു. 7 ദിവസം മുന്നിലാണ് ട്രെൻഡ്; പ്രവചനം അടുത്തുവരുമ്പോൾ അപ്‌ഡേറ്റ് ചെയ്‌ത് നിർണായക തീരുമാനം എടുക്കുക.
• GDD മിക്സിംഗ് അടിസ്ഥാന താപനില. ഓരോ ഉൽപ്പന്നത്തിൻ്റെയും അടിസ്ഥാനം വ്യത്യസ്തമാണ്; തെറ്റായ അടിത്തറ എല്ലാ ശേഖരണത്തെയും മാറ്റും.
• കാറ്റിനെ അവഗണിക്കുന്നു. ശക്തമായ കാറ്റിൽ സ്പ്രേ ചെയ്യുന്നത് ഡ്രിഫ്റ്റ്, പാരിസ്ഥിതിക നാശം എന്നിവയാണ്.
• ഒരൊറ്റ ഉറവിടത്തിൽ വിശ്വസിക്കുന്നു. സാറ്റലൈറ്റ്, റഡാർ, ലോക്കൽ സ്റ്റേഷൻ, ഫീൽഡ് എന്നിവ ഒരുമിച്ച് കൂടുതൽ വിശ്വസനീയമാണ്.

മുന്നറിയിപ്പ്: മഞ്ഞ് സംരക്ഷണം, തളിക്കൽ, വിളവെടുപ്പ് തുടങ്ങിയ സമയ തീരുമാനങ്ങളിൽ വിദൂര പ്രവചനത്തെ അന്ധമായി ആശ്രയിക്കുന്നത് ചെലവേറിയതാണ്. ഒരു പ്രോബബിലിറ്റി ഡിസ്ട്രിബ്യൂഷനായി പ്രവചനം വായിക്കുക, നിർണായകമായ രാത്രി/പകൽ അടുക്കുമ്പോൾ തീരുമാനം അപ്ഡേറ്റ് ചെയ്യുക.

ചുരുക്കത്തിൽ

കാലാവസ്ഥാ ഡാറ്റ എന്നത് കാർഷിക തീരുമാനങ്ങളുടെ സമയ അച്ചുതണ്ടാണ്: GDD ഫിനോളജിയും കീടങ്ങളുടെ ആവിർഭാവവും, ഈർപ്പം-താപനില രോഗസാധ്യത, മിനി. താപനില മഞ്ഞ് അപകടസാധ്യത നിർണ്ണയിക്കുന്നു, കാറ്റ് സ്പ്രേ വിൻഡോ നിർണ്ണയിക്കുന്നു. ഈ ഡാറ്റ സംയോജിപ്പിക്കുന്നതിനും ഷെഡ്യൂളിംഗ് ഔട്ട്‌ലൈനുകൾ നിർമ്മിക്കുന്നതിനും AI ശക്തമാണ്, എന്നാൽ പ്രവചനം സാധ്യതയുള്ളതാണ്, കാലക്രമേണ അതിൻ്റെ ആത്മവിശ്വാസം കുറയുന്നു. AI-യെ കൃത്യമായ ഭാഷയിൽ നിന്ന് അകറ്റി നിർത്തുക, സാധ്യതയും അനിശ്ചിതത്വവും ദൃശ്യമാക്കുക, സെൻസറും ഫീൽഡും ഉപയോഗിച്ച് തീരുമാനമെടുക്കുക, നിർണായക സമയങ്ങളിൽ നിലവിലെ പ്രവചനത്തിൽ ആശ്രയിക്കുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു പ്രതിനിധി 7 ദിവസത്തെ കാലാവസ്ഥാ പ്രവചന പട്ടിക തയ്യാറാക്കുക (മിനിറ്റ്/പരമാവധി താപനില, മഴയുടെ സംഭാവ്യത, കാറ്റ്, ഈർപ്പം). ഈ യൂണിറ്റിലെ "സ്പ്രേയിംഗ് വിൻഡോ", "ഫ്രോസ്റ്റ് റിസ്ക് മുൻകൂർ മുന്നറിയിപ്പ്" എന്നീ ടെംപ്ലേറ്റുകൾ ഉപയോഗിച്ച് ഇത് AI-ക്ക് നൽകുക. ഔട്ട്‌പുട്ടിൽ, AI ഉറപ്പോടെയോ സാധ്യതയോടെയോ സംസാരിക്കുന്നുണ്ടോ, അനിശ്ചിതത്വ കാലയളവ് വ്യക്തമാക്കുന്നുണ്ടോ, വിൻഡോ ലഭ്യമല്ലെങ്കിൽ അത് സത്യസന്ധമായി പറയുന്നുണ്ടോ എന്ന് പരിഗണിക്കുക. ഊഹക്കച്ചവടം മാത്രമല്ല, തീരുമാനമെടുക്കാൻ നിങ്ങൾ ഉപയോഗിക്കുന്ന അധിക ഉറവിടങ്ങൾ എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ മഴ/മഞ്ഞു സാധ്യതയെ ഒരു സാധ്യതയായി വ്യാഖ്യാനിച്ചു, ഒരു ഉറപ്പല്ല.
• [ ] പ്രവചനത്തിൻ്റെ ആത്മവിശ്വാസ കാലയളവ് ഞാൻ കണക്കിലെടുത്തിട്ടുണ്ട് (അത് അടുക്കുംതോറും അപ്ഡേറ്റ് ചെയ്യുന്നു).
• [ ] ഉൽപ്പന്നത്തിനനുസരിച്ച് ഞാൻ GDD അടിസ്ഥാന താപനില ശരിയായി ഉപയോഗിച്ചു.
• [ ] സ്പ്രേ ചെയ്യാനുള്ള തീരുമാനത്തിലെ കാറ്റ് / ഡ്രിഫ്റ്റ് അപകടസാധ്യത ഞാൻ പരിശോധിച്ചു.
• [ ] ഒരു എഞ്ചിനീയറുടെ വിധിന്യായത്തോടെ ഞാൻ നിർണായക സമയ തീരുമാനമെടുത്തു, നിരവധി വിഭവങ്ങളും ഫീൽഡും പിന്തുണച്ചു.