Keuntungan:
- Keupayaan untuk mengenali dan mengurus risiko etika seperti pemilikan data petani, privasi dan kecenderungan algoritma
- Keupayaan untuk menggabungkan semua pautan modul dalam satu aliran kerja hujung ke hujung bermusim
- Mewujudkan dalam sistem kualiti yang keluaran AI tidak menggantikan kelulusan ahli agronomi yang kompeten dalam keputusan pertanian kritikal keselamatan
Peperiksaan Modul
1. Apakah sauh pengesahan 'tiga sauh' yang digunakan sebelum memasukkan keluaran AI ke dalam keputusan dalam kejuruteraan pertanian?
- A) Julat saiz, kebolehpercayaan agronomi dan bukti lapangan ✔
- B) Populariti model, panjang jawapan dan kefasihan bahasa
- C) Harga, kelajuan dan antara muka pengguna
- D) Kredibiliti jenama, sambungan internet dan format fail
Penerangan: Tiga sauh; tertib magnitud, yang menyemak sama ada keputusan berada dalam kuasa jangkaan 10, kewajaran agronomik, yang melihat pada konsistensi output dengan tanaman dan iklim, dan bukti lapangan, yang memberikan pengesahan dalam bidang dan bukannya teras/sampel. Jenama sumber, populariti model atau kefasihan teks bukanlah kriteria pengesahan.
2. Apakah yang NDVI (Normalized Difference Vegetation Index) pada asasnya mengukur?
- A) Tentukan peratusan kelembapan tanah yang tepat dalam sentimeter
- B) Ketumpatan dan kekuatan tumbuh-tumbuhan hijau dan bersemangat ✔
- C) Agen penyakit manakah yang terdapat pada peringkat spesies?
- D) Harga produk akhir selepas dituai
Penerangan: NDVI mengukur ketumpatan dan kekuatan tumbuh-tumbuhan hidup fotosintesis hijau dengan menormalkan perbezaan antara pantulan jalur inframerah dekat (NIR) dan jalur merah. Memandangkan tumbuhan yang sihat mencerminkan NIR dengan kuat dan menyerap merah dengan kuat, NDVI meningkat; Nilai berkurangan dalam perlindungan tekanan atau jarang. Ia tidak secara langsung mengukur hasil, kelembapan tanah atau jenis penyakit; ini memerlukan data tambahan.
3. Imej satelit menunjukkan kawasan dengan nilai NDVI yang rendah. Antara berikut, yang manakah langkah terbaik yang perlu diambil sebelum menjadikan anomali ini sebagai keputusan kejuruteraan?
- A) Sapukan racun kulat ke kawasan itu dengan segera
- B) Menggandakan dos baja ke kawasan tersebut
- C) Sahkan punca dengan kawalan medan, meteorologi dan fenologi ✔
- D) Abaikan anomali dan gunakan purata pada keseluruhan medan
Penjelasan: NDVI yang rendah mungkin disebabkan oleh tekanan air, penyakit, kekurangan nutrien, kemunculan yang jarang berlaku, teduhan awan atau tanah yang baru dibajak. Kita hanya boleh membezakan ketidakpastian ini melalui kawalan medan, meteorologi dan fenologi; Peta sahaja tidak memberitahu mengapa. Penggunaan racun perosak atau baja secara langsung membawa risiko mengganggu punca yang salah.
4. Apakah pendekatan yang paling tepat apabila memasukkan koordinat ladang petani, hasil dan data kos ke dalam alat AI yang tersedia untuk umum?
- A) Menampal semua data seperti yang ada dengan ID dan koordinatnya
- B) Tanpa nama maklumat mengenal pasti dan kongsi hanya data teknikal yang diperlukan ✔
- C) Memuatkan data ke dalam jadual awam tanpa menyemaknya sama sekali
- D) Menderma data untuk model latihan tanpa kebenaran daripada petani
Pendedahan: Data petani adalah sensitif secara komersial dan peribadi; Maklumat koordinat, identiti dan kos adalah soal harta dan kerahsiaan. Pendekatan yang betul adalah untuk menamakan maklumat mengenal pasti dengan label perwakilan (Plot-A, koordinat X) dan berkongsi hanya data teknikal yang diperlukan untuk analisis. Berkongsi data sebagaimana adanya atau membukanya kepada pendidikan tanpa kebenaran menimbulkan risiko etika dan undang-undang.
5. Laporan analisis tanah membaca pH sebagai 4.8. Apakah maksud nilai ini secara agronomik?
- A) Tanah neutral dan sesuai untuk kebanyakan tanaman
- B) Sangat berasid; Keadaan yang boleh menyekat pengambilan makanan dan memerlukan pembetulan ✔
- C) Alkali kuat; keadaan yang memerlukan pengapuran
- D) Ini bermakna kemasinan dalam tanah adalah sangat tinggi.
Penerangan: pH 4.8 menunjukkan tanah berasid kuat; Di bawah keadaan ini, pengambilan fosforus dan molibdenum dikurangkan, risiko ketoksikan aluminium/mangan meningkat, dan perkembangan akar ditindas dalam banyak tanaman. Bagi kebanyakan tanaman ladang, 6.0-7.0 ialah julat yang sesuai. Oleh itu, pembetulan seperti pengapuran dipertimbangkan; Tanah berasid tidak 'ideal' dan tidak dengan sendirinya menjamin hasil yang tinggi.
6. AI mengesyorkan 60 kg nitrogen tulen setiap decare untuk ladang gandum; Hasil praktikal dan sasaran serantau menunjukkan kira-kira 12-16 kg nitrogen tulen setiap decare. Apakah tingkah laku yang terbaik?
- A) Melaksanakan cadangan sebagaimana adanya, kerana AI dikira
- B) Meningkatkan dos lebih untuk selamat
- C) Lihat ia sebagai susunan amaran magnitud dan semak input dan penentukuran tempatan ✔
- D) Membahagikan cadangan kepada separuh tanpa mengambil kira analisis tanah
Penerangan: Pengesyoran adalah kira-kira empat kali julat jangkaan; Ini adalah urutan amaran magnitud. Nitrogen yang berlebihan bermakna kedua-dua kerosakan ekonomi dan risiko kemurungan, penyakit dan pencemaran nitrat. Tingkah laku yang betul ialah menolak pengesyoran dan menyemak input (unit, hasil, hasil sasaran, tanah N) dan penentukuran tempatan. Aplikasi buta menyebabkan kemudaratan alam sekitar dan agronomi.
7. Apakah maksud 'penggunaan air tumbuhan' (evapotranspirasi, ET) yang digunakan dalam keputusan pengairan?
- A) Jumlah air yang masuk ke dalam tanah hanya melalui pemendakan
- B) Jumlah kehilangan air melalui sejatan daripada tanah dan transpirasi daripada tumbuhan ✔
- C) Kekonduksian elektrik tanah
- D) Nilai tekanan dalam paip pengairan
Penjelasan: Evapotranspirasi ialah jumlah kehilangan air dari tanah ke atmosfera melalui sejatan dan transpirasi daripada tumbuhan. Dengan mendarabkan ET rujukan dengan pekali tanaman (Kc), keperluan air sebenar produk (ETc) dianggarkan dan pengairan dirancang mengikut keseimbangan air ini. ET bukan hujan atau kemasinan tanah; Ia mewakili bahagian aliran keluar belanjawan air.
8. Seorang jurutera yang melihat simptom pada daun memberikan penerangan foto kepada AI dan menerima diagnosis awal. Yang manakah wajib sebelum menterjemah diagnosis ini kepada keputusan kawalan perosak?
- A) Mengesahkan ejen di lapangan/makmal dan memilih ubat berlesen dan berlabel ✔
- B) Mengambil beberapa ubat yang berbeza bersama-sama, hanya untuk selamat
- C) Sapukan bahan aktif dengan segera apa sahaja yang dikatakan oleh AI.
- D) Pilih racun perosak yang paling murah dan sapukan ke seluruh ladang
Penjelasan: Diagnosis awal daripada imej sahaja tidak mencukupi kerana faktor berbeza (kulat, bakteria, virus, kekurangan nutrien, tekanan abiotik) yang menyebabkan gejala yang sama. Ejen harus disahkan dengan sampel lapangan dan, jika perlu, diagnosis makmal, dan kemudian hanya ubat yang dilesenkan untuk ejen itu dan produk itu serta sesuai untuk labelnya harus dipilih. Aplikasi racun perosak spektrum luas tanpa pengesahan mewujudkan risiko rintangan dan sisa.
9. Apakah tujuan konsep GDD (Growth Degree Day), yang sering digunakan dalam sokongan keputusan pertanian?
- A) Mengikut nilai pH tanah
- B) Meramalkan peringkat perkembangan tumbuhan dan kemunculan perosak melalui pengumpulan haba ✔
- C) Mengukur kadar aliran paip pengairan
- D) Mengira harga pasaran produk
Penerangan: GDD ialah jumlah haba terkumpul dengan menolak suhu asas daripada suhu purata harian dan digunakan untuk menganggarkan peringkat perkembangan (fenologi) tumbuhan dan masa kemunculan beberapa perosak. Oleh itu, tingkap penyemburan, pembajaan dan penuaian boleh dirancang mengikut pengumpulan haba dan bukannya kalendar. GDD bukan pH tanah atau jumlah hujan langsung.
10. Antara berikut, yang manakah pernyataan paling tepat untuk model ramalan hasil yang ditubuhkan dengan pembelajaran mesin?
- A) Meramalkan masa depan dengan tepat dan tanpa kesilapan
- B) Ia berdasarkan corak masa lalu; Mesti diberikan dengan julat ketidakpastian dan disahkan ✔
- C) Ia sentiasa berfungsi dengan ketepatan yang sama dalam keadaan selain daripada data latihan.
- D) Dia adalah satu-satunya pembuat keputusan muktamad tanpa maklumat agronomi
Penerangan: Model pembelajaran mesin adalah berdasarkan corak yang dilihat dalam data sejarah; Keyakinan berkurangan apabila keadaan input berada di luar data latihan (pelbagai baharu, iklim luar biasa). Oleh itu, output harus diberikan dengan julat ketidakpastian, bukan titik, dan harus disahkan dengan hasil sejarah dan penanda aras. Model tidak mengetahui masa depan dengan pasti dan tidak berfungsi dengan ketepatan yang sama dalam semua keadaan.
11. Apakah amalan terbaik sebelum menjalankan kod analisis Python/pandas yang dijana AI?
- A) Menggunakan kod terus ke seluruh set data tanpa membacanya
- B) Menguji dengan data sampel kecil dengan keputusan yang diketahui dan menyemak formula dan unit ✔
- C) Memandangkan bahawa hanya bekerja tanpa kesilapan sudah memadai.
- D) Meletakkan output ke dalam laporan tanpa menyemaknya sama sekali
Penerangan: Walaupun kod yang dijana AI mungkin kelihatan betul, ia mungkin mengandungi unit, nama lajur, formula indeks atau ralat logik penapis. Amalan yang baik ialah menjalankan hasil secara manual terhadap sampel kecil data yang anda tahu, bandingkan dengan output yang dijangkakan dan semak formula seperti NDVI terhadap sumber. Menggunakan kod pada data besar tanpa melihatnya memindahkan pepijat senyap ke pengeluaran.
12. Mengapakah buku nota pentadbiran dadah kritikal dalam rekod kebolehkesanan?
- A) Hanya untuk mendapatkan potongan cukai
- B) Menyediakan rekod yang boleh disahkan untuk pematuhan MRL, pensijilan dan jejak balik kelompok ✔
- C) Hanya untuk perbandingan dengan medan jiran
- D) Menyediakan brosur pengiklanan
Penerangan: Buku pentadbiran ubat; Ia mendokumenkan produk mana, bahan aktif mana, dalam dos dan tarikh ia digunakan, dan tempoh menunggu antara permohonan terakhir dan penuaian. Rakaman ini diwajibkan untuk pematuhan had sisa maksimum (MRL), pensijilan agronomi/organik yang baik dan pengesanan kembali kelompok jika masalah berlaku. Ia tidak disimpan semata-mata untuk penjejakan kos atau pengiklanan.
13. Alat AI dengan yakin melaporkan perosak yang tidak ditemui di kawasan itu sebagai 'ancaman biasa'. Konsep manakah yang paling boleh menjelaskan keadaan ini?
- A) Ralat penentukuran sensor
- B) Halusinasi: penghasilan maklumat yang tidak wujud dalam bahasa yang selamat ✔
- C) Gangguan sambungan rangkaian
- D) Kekurangan data hujan
Penjelasan: Ia dipanggil halusinasi apabila model menghasilkan maklumat yang sebenarnya tidak wujud atau tidak sepadan dengan konteks, seolah-olah ia nyata, lancar dan yakin. Penapis kebolehpercayaan agronomik (adakah iklim dan corak tanaman di rantau ini sesuai untuk perosak itu?) dan bukti lapangan menangkap kesilapan tersebut sebelum tandatangan. Ini bukan kerosakan sensor atau ralat unit.
14. Bagaimanakah peranan kecerdasan buatan harus ditakrifkan dalam keputusan pertanian yang penting kepada keselamatan dan kualiti (cth. dos racun perosak, preskripsi baja, pelan pengairan)?
- A) Pihak berkuasa yang berwibawa sahaja yang membuat keputusan muktamad
- B) Sistem automatik yang menggantikan kelulusan ahli agronomi yang kompeten
- C) Pembantu yang menghasilkan draf dan cadangan serta menyerahkan keputusan kepada pakar ✔
- D) Sumber maklumat yang tepat yang tidak memerlukan pengesahan
Penerangan: Kepintaran buatan; Ia adalah pembantu yang menghasilkan garis besar, meringkaskan data, dan mencadangkan hipotesis. Kata akhir dalam keputusan kritikal adalah kepunyaan jurutera pertanian yang cekap yang biasa dengan pemerhatian lapangan, penentukuran tempatan dan perundangan; Output AI tidak menggantikan kelulusan ini. Apabila bercakap tentang produk, keselamatan alam sekitar dan makanan, tanggungjawab terletak pada pakar menandatangani.