ලාභ:
- ගොවි දත්ත හිමිකම, පෞද්ගලිකත්වය සහ ඇල්ගොරිතම නැඹුරුව වැනි සදාචාරාත්මක අවදානම් හඳුනාගෙන කළමනාකරණය කිරීමේ හැකියාව
- මොඩියුලයේ සියලුම සබැඳි තනි සෘතුමය අවසානය දක්වා වැඩ ප්රවාහයක් තුළ ඒකාබද්ධ කිරීමේ හැකියාව
- ආරක්ෂිත-විවේචනාත්මක කෘෂිකාර්මික තීරණ වලදී දක්ෂ කෘෂි විද්යාඥයින්ගේ අනුමැතිය වෙනුවට AI ප්රතිදානය ප්රතිස්ථාපනය නොකරන ගුණාත්මක පද්ධතියක් තුළ ස්ථාපිත කිරීම
මොඩියුල විභාගය
1. කෘෂිකාර්මික ඉංජිනේරු විද්යාවේ තීරණයකට AI ප්රතිදානය ඇතුළත් කිරීමට පෙර 'නැංගුරම් තුන' වලංගු කිරීමේ නැංගුරම් මොනවාද?
- A) ප්රමාණ පරාසය, කෘෂි විද්යාත්මක පිළිගත හැකි බව සහ ක්ෂේත්ර සාක්ෂි ✔
- B) ආකෘතියේ ජනප්රියත්වය, පිළිතුරේ දිග සහ භාෂා චතුරතාව
- C) මිල, වේගය සහ පරිශීලක අතුරුමුහුණත
- D) සන්නාම විශ්වසනීයත්වය, අන්තර්ජාල සම්බන්ධතාවය සහ ගොනු ආකෘතිය
විස්තරය: නැංගුරම් තුනක්; විශාලත්වයේ අනුපිළිවෙල, ප්රතිඵලය අපේක්ෂිත බලය 10 තුළ තිබේදැයි පරීක්ෂා කරයි, කෘෂි විද්යාත්මක සාධාරණත්වය, බෝග සහ දේශගුණය සමඟ නිමැවුමේ අනුකූලතාව දෙස බලන අතර, හරය/නියැදියට වඩා ක්ෂේත්රයේ තහවුරු කිරීමක් සපයන ක්ෂේත්ර සාක්ෂි. මූලාශ්රයේ වෙළඳ නාමය, ආකෘතියේ ජනප්රියත්වය හෝ පාඨයේ චතුරතාව සත්යාපන නිර්ණායක නොවේ.
2. NDVI (සාමාන්ය වෙනස් වෘක්ෂලතා දර්ශකය) මූලික වශයෙන් මනින්නේ කුමක්ද?
- A) පසෙහි නිශ්චිත තෙතමනය ප්රතිශතය සෙන්ටිමීටර වලින් තීරණය කරන්න
- B) හරිත, විචිත්රවත් වෘක්ෂලතා වල ඝනත්වය සහ ශක්තිය ✔
- C) විශේෂ මට්ටමේ පවතින රෝග කාරකය කුමක්ද?
- D) අස්වැන්නෙන් පසු අවසාන නිෂ්පාදන මිල
විස්තරය: NDVI විසින් අධෝරක්ත කිරණ (NIR) සහ රතු කලාප පරාවර්තන අතර වෙනස සාමාන්යකරණය කිරීම මගින් හරිත, ප්රභාසංස්ලේෂණ ජීවී වෘක්ෂලතාවල ඝනත්වය සහ ශක්තිය මනිනු ලබයි. නිරෝගී ශාක NIR ප්රබල ලෙස පරාවර්තනය කරන අතර රතු පැහැය දැඩි ලෙස අවශෝෂණය කරන බැවින් NDVI වැඩි වේ; ආතති හෝ විරල ආවරණයේදී අගය අඩු වේ. එය අස්වැන්න, පාංශු තෙතමනය හෝ රෝග වර්ගය සෘජුව මනින්නේ නැත; මේවාට අමතර දත්ත අවශ්ය වේ.
3. චන්ද්රිකා ඡායාරූපයක් අඩු NDVI අගයක් සහිත ප්රදේශයක් පෙන්වයි. මෙම විෂමතාව ඉංජිනේරුමය තීරණයක් බවට පත් කිරීමට පෙර ගත යුතු හොඳම පියවර වන්නේ පහත සඳහන් දේවලින් කුමක්ද?
- A) වහාම එම ප්රදේශයට දිලීර නාශක යොදන්න
- B) පෙදෙසට පොහොර මාත්රාව දෙගුණ කිරීම
- C) ක්ෂේත්ර පාලනය, කාලගුණ විද්යාව සහ phenology ✔ මගින් හේතුව තහවුරු කරන්න
- D) විෂමතාව නොසලකා හරිමින් සමස්ත ක්ෂේත්රයට සාමාන්යයක් යොදන්න
පැහැදිලි කිරීම: අඩු NDVI ජල ආතතිය, රෝග, පෝෂක ඌනතාවය, කලාතුරකින් මතුවීම, වලාකුළු සෙවන හෝ නැවුම් ලෙස සීසාන ලද පස හේතු විය හැක. අපට මෙම අවිනිශ්චිතතාවය වෙන්කර හඳුනාගත හැක්කේ ක්ෂේත්ර පාලනය, කාලගුණ විද්යාව සහ ප්රකාශ විද්යාව මගිනි; ඒ ඇයි කියලා සිතියමෙන් විතරක් කියන්න බැහැ. පළිබෝධනාශක හෝ පොහොර යෙදීම වැරදි හේතුවට බාධා කිරීමේ අවදානම සෘජුවම දරයි.
4. ගොවි ක්ෂේත්ර ඛණ්ඩාංක, අස්වැන්න සහ පිරිවැය දත්ත ප්රසිද්ධියේ ලබා ගත හැකි AI මෙවලමකට ඇතුළත් කිරීමේදී වඩාත් නිවැරදි ප්රවේශය කුමක්ද?
- A) එහි ID සහ ඛණ්ඩාංක සමඟ සියලු දත්ත ඇලවීම
- B) හඳුනාගැනීමේ තොරතුරු නිර්නාමික කිරීම සහ අවශ්ය තාක්ෂණික දත්ත පමණක් බෙදාගැනීම ✔
- C) දත්ත කිසිසේත් පරීක්ෂා නොකර පොදු වගුවකට පැටවීම
- D) ගොවියාගේ අවසරයකින් තොරව ආදර්ශ පුහුණුව සඳහා දත්ත පරිත්යාග කිරීම
හෙළිදරව් කිරීම: ගොවි දත්ත වාණිජමය වශයෙන් සහ පුද්ගලිකව සංවේදී වේ; සම්බන්ධීකරණය, අනන්යතාවය සහ පිරිවැය තොරතුරු දේපල හා රහස්යභාවය පිළිබඳ කාරණයකි. නිවැරදි ප්රවේශය වන්නේ නියෝජන ලේබල් (Plot-A, X ඛණ්ඩාංක) සමඟ හඳුනාගැනීමේ තොරතුරු නිර්නාමික කිරීම සහ විශ්ලේෂණය සඳහා අවශ්ය තාක්ෂණික දත්ත පමණක් බෙදා ගැනීමයි. අවසරයකින් තොරව දත්ත එලෙසම බෙදාගැනීම හෝ අධ්යාපනයට විවෘත කිරීම සදාචාරාත්මක සහ නීතිමය අවදානම් ඇති කරයි.
5. පාංශු විශ්ලේෂණ වාර්තාවේ pH අගය 4.8 ලෙස කියවේ. මෙම අගය කෘෂි විද්යාත්මකව අදහස් කරන්නේ කුමක්ද?
- A) බොහෝ භෝග සඳහා උදාසීන සහ සුදුසු පස
- B) දැඩි ආම්ලික; ආහාර ගැනීම සීමා කළ හැකි සහ නිවැරදි කිරීමක් අවශ්ය වන කොන්දේසියක් ✔
- C) ශක්තිමත් ක්ෂාර; දෙහි දැමීම අවශ්ය කොන්දේසියකි
- D) එයින් අදහස් වන්නේ පසෙහි ලවණතාව අතිශයින් ඉහළ මට්ටමක පවතින බවයි.
විස්තරය: pH 4.8 දැඩි ආම්ලික පසක් පෙන්නුම් කරයි; මෙම තත්ත්වය යටතේ, පොස්පරස් සහ මොලිබ්ඩිනම් අවශෝෂණය අඩු වේ, ඇලුමිනියම් / මැංගනීස් විෂ වීමේ අවදානම වැඩි වන අතර, බොහෝ භෝග වල මුල් වර්ධනය යටපත් වේ. බොහෝ ක්ෂේත්ර භෝග සඳහා, 6.0-7.0 සුදුසු පරාසය වේ. එබැවින්, හුණු දැමීම වැනි නිවැරදි කිරීමක් සලකනු ලැබේ; ආම්ලික පස 'පරමාදර්ශී' නොවන අතර එය විසින්ම ඉහළ අස්වැන්නක් සහතික නොකරයි.
6. AI විසින් තිරිඟු ක්ෂේත්රයක් සඳහා පිරිසිදු නයිට්රජන් කිලෝග්රෑම් 60ක් නිර්දේශ කරන ලදී; ප්රාදේශීය ප්රායෝගික සහ ඉලක්කගත අස්වැන්නෙන් දළ වශයෙන් පිරිසිදු නයිට්රජන් කිලෝග්රෑම් 12-16 ක් පමණ වේ. හොඳම හැසිරීම කුමක්ද?
- A) AI ගණනය කළ නිසා නිර්දේශය එලෙසම ක්රියාත්මක කිරීම
- B) ආරක්ෂිත වීමට මාත්රාව තවත් වැඩි කිරීම
- C) එය විශාලත්වයේ අනතුරු ඇඟවීමේ අනුපිළිවෙලක් ලෙස බලන්න සහ යෙදවුම් සහ දේශීය ක්රමාංකනය පරීක්ෂා කරන්න ✔
- D) පාංශු විශ්ලේෂණය සැලකිල්ලට නොගෙන යෝජනාව අඩකින් බෙදීම
විස්තරය: නිර්දේශය අපේක්ෂිත පරාසයට වඩා හතර ගුණයක් පමණ වේ; මෙය විශාලත්වයේ අනතුරු ඇඟවීමේ අනුපිළිවෙලකි. අධික නයිට්රජන් යන්නෙන් අදහස් කරන්නේ ආර්ථික හානිය සහ මානසික අවපීඩනය, රෝග සහ නයිට්රේට් දූෂණය යන දෙකමයි. නිවැරදි හැසිරීම නම් නිර්දේශය ප්රතික්ෂේප කිරීම සහ යෙදවුම් (ඒකකය, අස්වැන්න, ඉලක්ක අස්වැන්න, පස N) සහ දේශීය ක්රමාංකනය පරීක්ෂා කිරීමයි. අන්ධ යෙදුම පාරිසරික හා කෘෂි විද්යාත්මක හානි ඇති කරයි.
7. වාරිමාර්ග තීරණ වලදී භාවිතා කරන 'ශාක ජල පරිභෝජනය' (වාෂ්ප උත්ප්රේරණය, ET) යන්නෙන් අදහස් කරන්නේ කුමක්ද?
- A) වර්ෂාපතනය හරහා පමණක් පසට ඇතුල් වන ජල ප්රමාණය
- B) පසෙන් වාෂ්ප වීම සහ ශාකයෙන් පිටවීම හරහා සම්පූර්ණ ජල හානිය ✔
- C) පසෙහි විද්යුත් සන්නායකතාවය
- D) වාරිමාර්ග පයිප්පයේ පීඩන අගය
පැහැදිලි කිරීම: Evapotranpiration යනු ශාකයේ වාෂ්පීකරණය හා සම්ප්රේෂණය හරහා පසේ සිට වායුගෝලයට සිදුවන සම්පූර්ණ ජල හානියයි. යොමු ET බෝග සංගුණකය (Kc) සමඟ ගුණ කිරීමෙන් නිෂ්පාදනයේ (ETc) සැබෑ ජල අවශ්යතාවය ඇස්තමේන්තු කර මෙම ජල සමතුලිතතාවයට අනුව වාරිමාර්ග සැලසුම් කෙරේ. ET යනු වර්ෂාපතනය හෝ පාංශු ලවණතාව නොවේ; එය ජල අයවැයේ පිටතට ගලා යන පැත්ත නියෝජනය කරයි.
8. පත්රයේ රෝග ලක්ෂණ දුටු ඉංජිනේරුවෙක් ඡායාරූප විස්තරය AI වෙත ලබා දී මූලික රෝග විනිශ්චය ලබා ගත්තේය. මෙම රෝග විනිශ්චය පළිබෝධ පාලන තීරණයක් බවට පරිවර්තනය කිරීමට පෙර අනිවාර්යය වන්නේ කුමක්ද?
- A) ක්ෂේත්රයේ / රසායනාගාරයේ නියෝජිතයා තහවුරු කිරීම සහ බලපත්රලාභී සහ ලේබල් කළ ඖෂධයක් තෝරා ගැනීම ✔
- B) ආරක්ෂිතව සිටීම සඳහා විවිධ ඖෂධ කිහිපයක් එකට ගැනීම
- C) AI පවසන ඕනෑම දෙයක් වහාම ක්රියාකාරී අමුද්රව්ය යොදන්න.
- D) ලාභම පළිබෝධනාශකය තෝරා මුළු ක්ෂේත්රයටම යොදන්න
පැහැදිලි කිරීම: සමාන රෝග ලක්ෂණ ඇති කරන විවිධ සාධක (දිලීර, බැක්ටීරියා, වෛරස්, පෝෂක ඌනතාවය, අජීවී ආතතිය) හේතුවෙන් රූපයෙන් මූලික රෝග විනිශ්චය පමණක් ප්රමාණවත් නොවේ. නියෝජිතයා ක්ෂේත්ර නියැදියකින් තහවුරු කළ යුතු අතර, අවශ්ය නම්, රසායනාගාර රෝග විනිශ්චය කළ යුතු අතර, පසුව එම නියෝජිතයා සඳහා බලපත්ර ඇති ඖෂධයක් සහ එම නිෂ්පාදනය සහ එහි ලේබලය සඳහා සුදුසු ඖෂධයක් පමණක් තෝරා ගත යුතුය. සත්යාපනයකින් තොරව පුළුල් පරාසයක පළිබෝධනාශක යෙදීම ප්රතිරෝධය සහ අවශේෂ අවදානම නිර්මාණය කරයි.
9. කෘෂිකාර්මික තීරණ සහය සඳහා නිතර භාවිතා වන GDD (වර්ධන උපාධි දිනය) සංකල්පයේ අරමුණ කුමක්ද?
- A) පසෙහි pH අගය අනුගමනය කිරීම
- B) තාප සමුච්චය ✔ මගින් ශාක සංවර්ධන අවධීන් සහ පළිබෝධ මතුවීම පුරෝකථනය කිරීම
- C) වාරිමාර්ග නල ප්රවාහ අනුපාතය මැනීම
- D) නිෂ්පාදනයේ වෙළඳපල මිල ගණනය කිරීම
විස්තරය: GDD යනු දෛනික සාමාන්ය උෂ්ණත්වයෙන් පාදක උෂ්ණත්වයක් අඩු කිරීමෙන් එකතු වන සම්පූර්ණ තාපය වන අතර ශාකයේ සංවර්ධන (phenology) අවධීන් සහ සමහර පළිබෝධකයන්ගේ මතුවන කාලය තක්සේරු කිරීමට භාවිතා කරයි. මේ අනුව, කැලැන්ඩරයට වඩා තාප සමුච්චය අනුව ඉසීම, පොහොර සහ අස්වැන්න කවුළු සැලසුම් කළ හැකිය. GDD යනු පසෙහි pH අගය හෝ සෘජු වර්ෂාපතන ප්රමාණය නොවේ.
10. යන්ත්ර ඉගෙනීම සමඟ ස්ථාපිත අස්වැන්න පුරෝකථන ආකෘතියක් සඳහා වඩාත් නිවැරදි ප්රකාශය පහත සඳහන් ඒවායින් කවරේද?
- A) අනාගතය නිවැරදිව හා දෝෂයකින් තොරව පුරෝකථනය කරයි
- B) එය අතීත රටාවන් මත පදනම් වේ; අවිනිශ්චිත පරාසයක් සහිතව ලබා දිය යුතු අතර සත්යාපනය කළ යුතුය ✔
- C) එය සෑම විටම පුහුණු දත්ත හැර වෙනත් කොන්දේසි වල එකම නිරවද්යතාවයකින් ක්රියා කරයි.
- D) කෘෂි විද්යාත්මක තොරතුරු නොමැතිව එකම අවසාන තීරණ ගන්නා ඔහුය
විස්තරය: යන්ත්ර ඉගෙනුම් ආකෘතියක් ඓතිහාසික දත්තවල එය දකින රටා මත පදනම් වේ; පුහුණු දත්ත වලට පිටින් ආදාන තත්වයන් වැටෙන විට විශ්වාසය අඩු වේ (නව විවිධත්වය, අසාමාන්ය දේශගුණය). එබැවින්, නිමැවුම ලබා දිය යුත්තේ ලක්ෂ්යයක් නොව අවිනිශ්චිත පරාසයකින් වන අතර ඓතිහාසික අස්වැන්න සහ මිණුම් සලකුණු සමඟ සත්යාපනය කළ යුතුය. ආකෘතිය නිශ්චිතවම අනාගතය නොදන්නා අතර සියලු කොන්දේසි යටතේ එකම නිරවද්යතාවයකින් ක්රියා නොකරයි.
11. AI-ජනනය කරන ලද Python/pandas විශ්ලේෂණ කේතයක් ධාවනය කිරීමට පෙර හොඳම භාවිතය කුමක්ද?
- A) කේතය කියවීමෙන් තොරව සම්පූර්ණ දත්ත කට්ටලයට කෙලින්ම යෙදීම
- B) දන්නා ප්රතිඵල සහිත කුඩා නියැදි දත්ත සමඟ පරීක්ෂා කිරීම සහ සූත්ර සහ ඒකක පරීක්ෂා කිරීම ✔
- C) දෝෂ නොමැතිව වැඩ කිරීම පමණක් ප්රමාණවත් බව සලකමින්.
- D) ප්රතිදානය කිසිසේත් පරීක්ෂා නොකර වාර්තාවට දැමීම
විස්තරය: AI-උත්පාදනය කරන ලද කේතය නිවැරදිව දිස්විය හැකි අතර, එහි ඒකක, තීරු නම, දර්ශක සූත්රය, හෝ පෙරහන් තාර්කික දෝෂ අඩංගු විය හැක. හොඳ පරිචයක් නම්, ඔබ දන්නා කුඩා දත්ත නියැදියකට එරෙහිව ප්රතිඵලය අතින් ධාවනය කිරීම, අපේක්ෂිත ප්රතිදානයට එය සංසන්දනය කිරීම සහ මූලාශ්රයට එරෙහිව NDVI වැනි සූත්ර පරීක්ෂා කිරීමයි. එය නොදැක විශාල දත්ත වලට කේතය යෙදීමෙන් නිශ්ශබ්ද දෝෂ නිෂ්පාදනයට ගෙන යයි.
12. සොයාගැනීමේ ලේඛනවල ඖෂධ පරිපාලන සටහන් පොත තීරනාත්මක වන්නේ ඇයි?
- A) බදු අඩු කිරීමක් ලබා ගැනීම සඳහා පමණි
- B) MRL අනුකූලතාව, සහතික කිරීම සහ කණ්ඩායම් සොයාගැනීම් සඳහා සත්යාපනය කළ හැකි වාර්තාවක් සපයයි ✔
- C) අසල්වැසි ක්ෂේත්ර සමඟ සංසන්දනය කිරීම සඳහා පමණි
- D) ප්රචාරණ පත්රිකා සකස් කිරීම
විස්තරය: ඖෂධ පරිපාලන පොත; එය කුමන නිෂ්පාදනයක්, කුමන ක්රියාකාරී අමුද්රව්යයක්ද, කුමන මාත්රාවකින් සහ එය භාවිතා කළේද යන්න සහ අවසාන යෙදුම සහ අස්වැන්න අතර පොරොත්තු කාලය ලේඛනගත කරයි. මෙම පටිගත කිරීම උපරිම අවශේෂ සීමාව (MRL) අනුකූලතාව, හොඳ කෘෂි විද්යාව/කාබනික සහතික කිරීම සහ ගැටලුවක් ඇති වුවහොත් කණ්ඩායම් සොයා ගැනීම සඳහා අනිවාර්ය වේ. එය පිරිවැය සොයා බැලීම හෝ වෙළඳ දැන්වීම් සඳහා පමණක් තබා නැත.
13. AI මෙවලමක් ප්රදේශයේ දක්නට නොලැබෙන පළිබෝධයක් 'පොදු තර්ජනයක්' ලෙස විශ්වාසයෙන් වාර්තා කළේය. මෙම තත්වය වඩාත් හොඳින් පැහැදිලි කළ හැක්කේ කුමන සංකල්පයද?
- A) සංවේදක ක්රමාංකන දෝෂය
- B) මායාව: ආරක්ෂිත භාෂාවකින් නොපවතින තොරතුරු නිෂ්පාදනය ✔
- C) ජාල සම්බන්ධතා බාධාව
- D) වර්ෂාපතන දත්ත නොමැතිකම
පැහැදිලි කිරීම: ආකෘතිය සැබෑ, චතුර සහ විශ්වාසදායක ලෙස, ඇත්ත වශයෙන්ම නොපවතින හෝ සන්දර්භයට නොගැලපෙන තොරතුරු නිපදවන විට එය මායාව ලෙස හැඳින්වේ. කෘෂි විද්යාත්මක පිළිගත හැකි පෙරහන (කලාපයේ දේශගුණය සහ බෝග රටාව එම පළිබෝධ සඳහා සුදුසුද?) සහ ක්ෂේත්ර සාක්ෂි අත්සනට පෙර එවැනි දෝෂයන් අල්ලා ගනී. මෙය සංවේදක දෝෂයක් හෝ ඒකක දෝෂයක් නොවේ.
14. ආරක්ෂාවට සහ ගුණාත්මක භාවයට තීරණාත්මක කෘෂිකාර්මික තීරණ වලදී කෘත්රිම බුද්ධියේ භූමිකාව නිර්වචනය කළ යුත්තේ කෙසේද (උදා. පළිබෝධනාශක මාත්රාව, පොහොර වට්ටෝරුව, වාරි සැලැස්ම)?
- A) අවසන් තීරණය ගනු ලබන්නේ තනිකරම නිසි බලධාරියා විසිනි
- B) දක්ෂ කෘෂි විද්යාඥ අනුමැතිය වෙනුවට ස්වයංක්රීය පද්ධතියක්
- C) කෙටුම්පත් සහ යෝජනා ඉදිරිපත් කරන සහකාරයෙක් සහ තීරණය විශේෂඥයාට භාර දෙයි ✔
- D) සත්යාපනය අවශ්ය නොවන නිවැරදි තොරතුරු මූලාශ්රය
විස්තරය: කෘතිම බුද්ධිය; එය දළ සටහන් නිපදවන, දත්ත සාරාංශ කරන සහ උපකල්පන යෝජනා කරන සහායකයෙකි. තීරණාත්මක තීරණ වල අවසාන ප්රකාශය අයත් වන්නේ ක්ෂේත්ර නිරීක්ෂණය, ප්රාදේශීය ක්රමාංකනය සහ නීති සම්පාදනය පිළිබඳව හුරුපුරුදු දක්ෂ කෘෂිකාර්මික ඉංජිනේරුවරයාට ය. AI ප්රතිදානය මෙම අනුමැතිය ප්රතිස්ථාපනය නොකරයි. නිෂ්පාදන, පාරිසරික සහ ආහාර සුරක්ෂිතතාව සම්බන්ධයෙන්, වගකීම අත්සන් කිරීමේ විශේෂඥයා වෙත පැවරේ.