Vinster:
- Förmåga att känna igen och hantera etiska risker som ägande av jordbrukarens data, integritet och algoritmiska fördomar
- Möjlighet att kombinera alla länkar i modulen i ett enda säsongsbetonat end-to-end-arbetsflöde
- Att i ett kvalitetssystem etablera att AI-utdata inte ersätter behöriga agronomgodkännanden i säkerhetskritiska jordbruksbeslut
Modulexamen
1. Vilka är förankringarna för valideringen av "tre ankare" som tillämpas innan AI-utdata införlivas i ett beslut inom jordbruksteknik?
- A) Storleksintervall, agronomisk rimlighet och fältbevis ✔
- B) Modellens popularitet, svarslängd och språkflytande
- C) Pris, hastighet och användargränssnitt
- D) Varumärkes trovärdighet, internetuppkoppling och filformat
Beskrivning: Tre ankare; storleksordning, som kontrollerar om resultatet ligger inom den förväntade potensen 10, agronomisk rimlighet, som tittar på resultatets överensstämmelse med gröda och klimat, och fältbevis, som ger bekräftelse i fält snarare än kärna/prov. Källans varumärke, modellens popularitet eller textens flyt är inte verifieringskriterier.
2. Vad mäter NDVI (Normalized Difference Vegetation Index) i princip?
- A) Bestäm jordens exakta fuktprocent i centimeter
- B) Densitet och styrka hos grön, levande vegetation ✔
- C) Vilket sjukdomsämne finns på artnivå?
- D) Slutproduktpris efter skörd
Beskrivning: NDVI mäter tätheten och styrkan hos grön, fotosyntetisk levande vegetation genom att normalisera skillnaden mellan nära-infraröda (NIR) och röda bandreflektanser. Eftersom friska växter reflekterar NIR starkt och absorberar rött intensivt, ökar NDVI; Värdet minskar vid stressande eller sparsam täckning. Den mäter inte direkt avkastning, markfuktighet eller sjukdomstyp; dessa kräver ytterligare data.
3. En satellitbild visar ett område med ett lågt NDVI-värde. Vilket av följande är det bästa steget att ta innan denna anomali omvandlas till ett tekniskt beslut?
- A) Applicera fungicid på det området omedelbart
- B) Fördubbling av gödseldosen till området
- C) Bekräfta orsaken genom fältkontroll, meteorologi och fenologi ✔
- D) Ignorera anomalien och tillämpa ett medelvärde för hela fältet
Förklaring: Lågt NDVI kan orsakas av vattenstress, sjukdomar, näringsbrist, sällsynt uppkomst, molnskugga eller nyplöjd jord. Vi kan bara urskilja denna osäkerhet genom fältkontroll, meteorologi och fenologi; Enbart kartan berättar inte varför. Att applicera bekämpningsmedel eller gödningsmedel innebär direkt risk för att störa fel orsak.
4. Vilket är det mest exakta tillvägagångssättet när man anger jordbruksfältkoordinater, avkastning och kostnadsdata i ett allmänt tillgängligt AI-verktyg?
- A) Klistra in all data som den är med dess ID och koordinater
- B) Anonymisera identifierande information och dela endast nödvändiga tekniska data ✔
- C) Laddar data till en offentlig tabell utan att kontrollera den alls
- D) Donera data till modellutbildning utan tillstånd från bonden
Offentliggörande: Jordbrukardata är kommersiellt och personligt känsliga; Samordnings-, identitets- och kostnadsinformation är en fråga om egendom och sekretess. Det korrekta tillvägagångssättet är att anonymisera identifierande information med representativa etiketter (Plot-A, X-koordinat) och endast dela de tekniska data som krävs för analys. Att dela data som den är eller öppna den för utbildning utan tillstånd innebär etiska och juridiska risker.
5. Markanalysrapporten visar pH som 4,8. Vad betyder detta värde agronomiskt?
- A) Neutral och idealisk jord för de flesta grödor
- B) Starkt surt; Ett tillstånd som kan begränsa matintaget och kräver korrigering ✔
- C) Stark alkali; ett tillstånd som kräver kalkning
- D) Det betyder att salthalten i marken är extremt hög.
Beskrivning: pH 4,8 indikerar en starkt sur jord; Under detta tillstånd minskar fosfor- och molybdenupptaget, risken för aluminium/mangantoxicitet ökar och rotutvecklingen hämmas i många grödor. För de flesta åkergrödor är 6,0-7,0 det lämpliga intervallet. Därför övervägs en korrigering såsom kalkning; Sur jord är inte "ideal" och garanterar inte i sig höga skördar.
6. AI rekommenderade 60 kg rent kväve per dekar för ett vetefält; Regionalt praktiskt och målavkastning indikerar cirka 12-16 kg rent kväve per dekar. Vilket är det bästa beteendet?
- A) Implementera rekommendationen som den är, eftersom AI beräknas
- B) Öka dosen ännu mer för att vara säker
- C) Se det som en varning av storleksordning och kontrollera ingångar och lokal kalibrering ✔
- D) Dela förslaget på mitten utan att ta hänsyn till markanalysen
Beskrivning: Rekommendationen är ungefär fyra gånger det förväntade intervallet; Detta är en varning i storleksordningen. För mycket kväve innebär både ekonomiska skador och risk för depression, sjukdomar och nitratföroreningar. Det korrekta beteendet är att förkasta rekommendationen och kontrollera ingångarna (enhet, skörd, målavkastning, jord N) och lokal kalibrering. Blind applicering orsakar miljö- och agronomiska skador.
7. Vad betyder "växtvattenförbrukning" (evapotranspiration, ET) som används i bevattningsbeslut?
- A) Mängden vatten som kommer in i jorden endast genom nederbörd
- B) Total vattenförlust genom avdunstning från marken och transpiration från växten ✔
- C) Jordens elektriska ledningsförmåga
- D) Tryckvärde i bevattningsröret
Förklaring: Evapotranspiration är den totala vattenförlusten från marken till atmosfären genom avdunstning och transpiration från växten. Genom att multiplicera referensen ET med skördskoefficienten (Kc) uppskattas det faktiska vattenbehovet för produkten (ETc) och bevattning planeras enligt denna vattenbalans. ET är inte nederbörd eller salthalt i jorden; Den representerar utflödessidan av vattenbudgeten.
8. En ingenjör som såg symptom på bladet gav fotobeskrivningen till AI och fick en preliminär diagnos. Vilket är obligatoriskt innan man översätter denna diagnos till ett skadedjursbekämpningsbeslut?
- A) Bekräfta medlet i fältet/laboratoriet och välja ett licensierat och märkt läkemedel ✔
- B) Att ta flera olika mediciner tillsammans, bara för säkerhets skull
- C) Applicera den aktiva ingrediensen omedelbart vad AI säger.
- D) Välj det billigaste bekämpningsmedlet och applicera det på hela fältet
Förklaring: Preliminär diagnos från enbart bilden är inte tillräcklig på grund av olika faktorer (svamp, bakteriell, viral, näringsbrist, abiotisk stress) som orsakar liknande symtom. Agenten ska bekräftas med ett fältprov och, om nödvändigt, laboratoriediagnos, och sedan ska endast ett läkemedel som är licensierat för det medlet och den produkten och lämpligt för dess märkning väljas. Bredspektrumanvändning av bekämpningsmedel utan verifiering skapar risk för resistens och rester.
9. Vad är syftet med GDD-konceptet (Growth Degree Day), som ofta används inom jordbrukets beslutsstöd?
- A) Följer jordens pH-värde
- B) Förutsäga växtutvecklingsstadier och uppkomst av skadedjur genom värmeackumulering ✔
- C) Mätning av bevattningsrörets flödeshastighet
- D) Beräkna marknadspriset på produkten
Beskrivning: GDD är den totala värmen som ackumuleras genom att subtrahera en bastemperatur från den dagliga medeltemperaturen och används för att uppskatta växtens utvecklingsstadier (fenologi) och uppkomsttiden för vissa skadedjur. Således kan besprutnings-, gödslings- och skördefönster planeras efter värmeackumulering snarare än kalender. GDD är inte markens pH eller direkt nederbördsmängd.
10. Vilket av följande är det mest korrekta påståendet för en avkastningsprediktionsmodell etablerad med maskininlärning?
- A) Förutsäger framtiden exakt och utan fel
- B) Det är baserat på tidigare mönster; Måste ges med osäkerhetsintervall och verifieras ✔
- C) Den fungerar alltid med samma noggrannhet under andra förhållanden än träningsdata.
- D) Han är den enda slutliga beslutsfattaren utan agronomisk information
Beskrivning: En maskininlärningsmodell är baserad på mönster som den ser i historiska data; Förtroendet minskar när ingångsförhållandena faller utanför träningsdata (ny sort, ovanligt klimat). Därför bör utdata ges med ett osäkerhetsintervall, inte en punkt, och bör verifieras med historisk avkastning och riktmärken. Modellen vet inte framtiden med säkerhet och fungerar inte med samma noggrannhet under alla förhållanden.
11. Vad är bästa praxis innan du kör en AI-genererad Python/pandas-analyskod?
- A) Applicera koden direkt på hela datamängden utan att läsa den
- B) Testning med ett litet urvalsdata med kända resultat och kontroll av formler och enheter ✔
- C) Med tanke på att det räcker med att bara arbeta utan fel.
- D) Lägga in resultatet i rapporten utan att kontrollera det alls
Beskrivning: Även om den AI-genererade koden kan verka korrekt, kan den innehålla enhets-, kolumnnamn, indexformel eller filterlogikfel. God praxis är att manuellt köra resultatet mot ett litet urval av data som du känner till, jämföra det med den förväntade produktionen och kontrollera formler som NDVI mot källan. Genom att använda kod på big data utan att se den flyttas tysta buggar till produktionen.
12. Varför är anteckningsboken för läkemedelsadministration kritisk i spårbarhetsregistren?
- A) Bara för att få skatteavdrag
- B) Tillhandahåller verifierbara uppgifter om MRL-överensstämmelse, certifiering och batch-spårning ✔
- C) Endast för jämförelse med närliggande fält
- D) Att förbereda reklambroschyrer
Beskrivning: Läkemedelsadministrationsbok; Den dokumenterar vilken produkt, vilken aktiv ingrediens, i vilken dos och datum den användes samt väntetiden mellan senaste applicering och skörd. Denna registrering är obligatorisk för överensstämmelse med maximala resthalter (MRL), god agronomisk/ekologisk certifiering och batchspårning om ett problem uppstår. Den sparas inte enbart för kostnadsspårning eller reklam.
13. Ett AI-verktyg rapporterade med tillförsikt att ett skadedjur som inte hittades i området var ett "vanligt hot". Vilket koncept kan bäst förklara denna situation?
- A) Sensorkalibreringsfel
- B) Hallucination: produktion av information som inte finns på ett säkert språk ✔
- C) Avbrott i nätverksanslutningen
- D) Brist på nederbördsdata
Förklaring: Det kallas hallucination när modellen producerar information som faktiskt inte finns eller inte matchar sammanhanget, som om den vore verklig, flytande och säker. Filtret för agronomisk rimlighet (är regionens klimat och grödemönster lämpligt för den skadegöraren?) och fältbevis fångar upp sådana fel innan undertecknandet. Detta är inte ett sensorfel eller enhetsfel.
14. Hur ska den artificiella intelligensens roll definieras i jordbruksbeslut som är kritiska för säkerhet och kvalitet (t.ex. bekämpningsmedelsdosering, recept på gödningsmedel, bevattningsplan)?
- A) Den behöriga myndighet som ensam fattar det slutliga beslutet
- B) Automatiserat system som ersätter behörig agronomgodkännande
- C) En assistent som tar fram utkast och förslag och överlåter beslutet till experten ✔
- D) Korrekt informationskälla som inte kräver verifiering
Beskrivning: Artificiell intelligens; Det är en assistent som tar fram konturer, sammanfattar data och föreslår hypoteser. Sista ordet i kritiska beslut tillhör den kompetenta jordbruksingenjören som är bekant med fältobservation, lokal kalibrering och lagstiftning; AI-utgång ersätter inte detta godkännande. När det gäller produkt-, miljö- och livsmedelssäkerhet ligger ansvaret på signeringsexperten.