లాభాలు:
- రైతు డేటా యాజమాన్యం, గోప్యత మరియు అల్గారిథమిక్ బయాస్ వంటి నైతిక నష్టాలను గుర్తించి నిర్వహించగల సామర్థ్యం
- ఒకే కాలానుగుణ ఎండ్-టు-ఎండ్ వర్క్ఫ్లో మాడ్యూల్ యొక్క అన్ని లింక్లను కలపగల సామర్థ్యం
- భద్రత-క్లిష్టమైన వ్యవసాయ నిర్ణయాలలో సమర్థ వ్యవసాయ శాస్త్రవేత్త ఆమోదాన్ని AI అవుట్పుట్ భర్తీ చేయని నాణ్యమైన వ్యవస్థలో ఏర్పాటు చేయడం
మాడ్యూల్ పరీక్ష
1. వ్యవసాయ ఇంజనీరింగ్లో నిర్ణయంలో AI అవుట్పుట్ను చేర్చడానికి ముందు 'త్రీ యాంకర్స్' ధ్రువీకరణ యొక్క యాంకర్లు ఏమిటి?
- ఎ) పరిమాణ పరిధి, వ్యవసాయ సంబంధిత ఆమోదయోగ్యత మరియు క్షేత్ర సాక్ష్యం ✔
- బి) మోడల్ యొక్క ప్రజాదరణ, సమాధానం యొక్క పొడవు మరియు భాషా పటిమ
- సి) ధర, వేగం మరియు వినియోగదారు ఇంటర్ఫేస్
- D) బ్రాండ్ విశ్వసనీయత, ఇంటర్నెట్ కనెక్షన్ మరియు ఫైల్ ఫార్మాట్
వివరణ: ముగ్గురు వ్యాఖ్యాతలు; పరిమాణం యొక్క క్రమం, ఫలితం ఆశించిన 10 శక్తిలో ఉందో లేదో తనిఖీ చేస్తుంది, వ్యవసాయ సంబంధమైన సహేతుకత, ఇది పంట మరియు వాతావరణంతో అవుట్పుట్ యొక్క స్థిరత్వాన్ని చూస్తుంది మరియు ఫీల్డ్ సాక్ష్యం, ఇది కోర్/నమూనా కంటే ఫీల్డ్లో నిర్ధారణను అందిస్తుంది. మూలం యొక్క బ్రాండ్, మోడల్ యొక్క ప్రజాదరణ లేదా టెక్స్ట్ యొక్క పటిమ ధృవీకరణ ప్రమాణాలు కాదు.
2. NDVI (నార్మలైజ్డ్ డిఫరెన్స్ వెజిటేషన్ ఇండెక్స్) ప్రాథమికంగా దేనిని కొలుస్తుంది?
- ఎ) సెంటీమీటర్లలో నేల యొక్క ఖచ్చితమైన తేమ శాతాన్ని నిర్ణయించండి
- B) ఆకుపచ్చ, శక్తివంతమైన వృక్షసంపద యొక్క సాంద్రత మరియు బలం ✔
- సి) జాతుల స్థాయిలో ఏ వ్యాధి ఏజెంట్ ఉంటుంది?
- డి) పంట తర్వాత తుది ఉత్పత్తి ధర
వివరణ: NDVI దగ్గరి-ఇన్ఫ్రారెడ్ (NIR) మరియు రెడ్ బ్యాండ్ రిఫ్లెక్టెన్స్ల మధ్య వ్యత్యాసాన్ని సాధారణీకరించడం ద్వారా ఆకుపచ్చ, కిరణజన్య సంయోగ జీవ వృక్షాల సాంద్రత మరియు బలాన్ని కొలుస్తుంది. ఆరోగ్యకరమైన మొక్కలు NIRను బలంగా ప్రతిబింబిస్తాయి మరియు ఎరుపు రంగును తీవ్రంగా గ్రహిస్తాయి కాబట్టి, NDVI పెరుగుతుంది; ఒత్తిడితో కూడిన లేదా అరుదైన కవర్లో విలువ తగ్గుతుంది. ఇది నేరుగా దిగుబడి, నేల తేమ లేదా వ్యాధి రకాన్ని కొలవదు; వీటికి అదనపు డేటా అవసరం.
3. ఉపగ్రహ చిత్రం తక్కువ NDVI విలువ కలిగిన ప్రాంతాన్ని చూపుతుంది. ఈ క్రమరాహిత్యాన్ని ఇంజనీరింగ్ నిర్ణయంగా మార్చడానికి ముందు కింది వాటిలో ఏది ఉత్తమమైన చర్య?
- ఎ) వెంటనే ఆ ప్రాంతానికి శిలీంద్ర సంహారిణిని వేయండి
- బి) ఎరువుల మోతాదును ఆ ప్రాంతానికి రెట్టింపు చేయడం
- సి) క్షేత్ర నియంత్రణ, వాతావరణ శాస్త్రం మరియు ఫినాలజీ ✔ ద్వారా కారణాన్ని నిర్ధారించండి
- డి) క్రమరాహిత్యాన్ని విస్మరించండి మరియు మొత్తం ఫీల్డ్కు సగటును వర్తింపజేయండి
వివరణ: తక్కువ NDVI నీటి ఒత్తిడి, వ్యాధి, పోషకాల లోపం, అరుదుగా కనిపించడం, మేఘాల నీడ లేదా తాజాగా దున్నిన నేల వల్ల సంభవించవచ్చు. మేము క్షేత్ర నియంత్రణ, వాతావరణ శాస్త్రం మరియు ఫినాలజీ ద్వారా మాత్రమే ఈ అనిశ్చితిని గుర్తించగలము; మ్యాప్ మాత్రమే ఎందుకు చెప్పలేదు. పురుగుమందులు లేదా ఎరువులను నేరుగా ఉపయోగించడం వల్ల తప్పుడు కారణంతో జోక్యం చేసుకునే ప్రమాదం ఉంది.
4. రైతు క్షేత్ర కోఆర్డినేట్లు, దిగుబడి మరియు ఖర్చు డేటాను పబ్లిక్గా అందుబాటులో ఉన్న AI సాధనంలోకి నమోదు చేసేటప్పుడు అత్యంత ఖచ్చితమైన విధానం ఏమిటి?
- ఎ) దాని ID మరియు కోఆర్డినేట్లతో మొత్తం డేటాను అతికించడం
- బి) గుర్తించే సమాచారాన్ని అజ్ఞాతీకరించండి మరియు అవసరమైన సాంకేతిక డేటాను మాత్రమే భాగస్వామ్యం చేయండి ✔
- సి) డేటాను అస్సలు తనిఖీ చేయకుండా పబ్లిక్ టేబుల్లోకి లోడ్ చేయడం
- డి) రైతు నుండి అనుమతి లేకుండా మోడల్ శిక్షణకు డేటాను విరాళంగా ఇవ్వడం
ప్రకటన: రైతు డేటా వాణిజ్యపరంగా మరియు వ్యక్తిగతంగా సున్నితమైనది; సమన్వయం, గుర్తింపు మరియు ఖర్చు సమాచారం అనేది ఆస్తి మరియు గోప్యతకు సంబంధించినది. ప్రాతినిధ్య లేబుల్లతో (ప్లాట్-A, X కోఆర్డినేట్) గుర్తించే సమాచారాన్ని అనామకంగా మార్చడం మరియు విశ్లేషణకు అవసరమైన సాంకేతిక డేటాను మాత్రమే భాగస్వామ్యం చేయడం సరైన విధానం. డేటాను యథాతథంగా పంచుకోవడం లేదా అనుమతి లేకుండా విద్యకు తెరవడం నైతిక మరియు చట్టపరమైన నష్టాలను కలిగిస్తుంది.
5. మట్టి విశ్లేషణ నివేదికలో pH 4.8గా ఉంది. వ్యవసాయపరంగా ఈ విలువ అంటే ఏమిటి?
- ఎ) చాలా పంటలకు తటస్థ మరియు అనువైన నేల
- బి) బలమైన ఆమ్ల; ఆహారం తీసుకోవడాన్ని పరిమితం చేసే పరిస్థితి మరియు దిద్దుబాటు అవసరం ✔
- సి) బలమైన క్షార; సున్నం వేయవలసిన పరిస్థితి
- డి) అంటే మట్టిలో లవణీయత చాలా ఎక్కువగా ఉంటుంది.
వివరణ: pH 4.8 బలమైన ఆమ్ల మట్టిని సూచిస్తుంది; ఈ పరిస్థితిలో, భాస్వరం మరియు మాలిబ్డినం తీసుకోవడం తగ్గుతుంది, అల్యూమినియం/మాంగనీస్ విషపూరితం ప్రమాదం పెరుగుతుంది మరియు అనేక పంటలలో రూట్ అభివృద్ధి అణచివేయబడుతుంది. చాలా క్షేత్ర పంటలకు, 6.0-7.0 సరైన పరిధి. అందువల్ల, లైమింగ్ వంటి దిద్దుబాటు పరిగణించబడుతుంది; ఆమ్ల నేల 'ఆదర్శం' కాదు మరియు అధిక దిగుబడికి హామీ ఇవ్వదు.
6. AI ఒక గోధుమ క్షేత్రానికి ప్రతి డికేర్కు 60 కిలోల స్వచ్ఛమైన నైట్రోజన్ని సిఫార్సు చేసింది; ప్రాంతీయ ఆచరణాత్మక మరియు లక్ష్య దిగుబడి డికేర్కు సుమారుగా 12-16 కిలోల స్వచ్ఛమైన నైట్రోజన్ని సూచిస్తుంది. ఉత్తమ ప్రవర్తన ఏమిటి?
- A) AI లెక్కించినందున, సిఫార్సును యథాతథంగా అమలు చేయడం
- బి) సురక్షితంగా ఉండటానికి మోతాదును మరింత పెంచడం
- సి) దీన్ని మాగ్నిట్యూడ్ హెచ్చరికగా చూడండి మరియు ఇన్పుట్లు మరియు స్థానిక క్రమాంకనం తనిఖీ చేయండి ✔
- డి) మట్టి విశ్లేషణను పరిగణనలోకి తీసుకోకుండా ప్రతిపాదనను సగానికి విభజించడం
వివరణ: సిఫార్సు ఊహించిన పరిధికి దాదాపు నాలుగు రెట్లు; ఇది మాగ్నిట్యూడ్ హెచ్చరిక యొక్క ఆర్డర్. అధిక నత్రజని అంటే ఆర్థిక నష్టం మరియు మాంద్యం, వ్యాధి మరియు నైట్రేట్ కాలుష్యం ప్రమాదం. సిఫార్సును తిరస్కరించడం మరియు ఇన్పుట్లు (యూనిట్, దిగుబడి, లక్ష్య దిగుబడి, నేల N) మరియు స్థానిక క్రమాంకనం తనిఖీ చేయడం సరైన ప్రవర్తన. బ్లైండ్ అప్లికేషన్ పర్యావరణ మరియు వ్యవసాయ హానిని కలిగిస్తుంది.
7. నీటిపారుదల నిర్ణయాలలో ఉపయోగించే 'మొక్కల నీటి వినియోగం' (బాష్పవాయు ప్రేరణ, ET) అంటే ఏమిటి?
- ఎ) అవపాతం ద్వారా మాత్రమే నేలలోకి ప్రవేశించే నీటి పరిమాణం
- B) నేల నుండి బాష్పీభవనం మరియు మొక్క నుండి ట్రాన్స్పిరేషన్ ద్వారా మొత్తం నీటి నష్టం ✔
- సి) నేల యొక్క విద్యుత్ వాహకత
- D) నీటిపారుదల పైపులో ఒత్తిడి విలువ
వివరణ: ఎవాపోట్రాన్స్పిరేషన్ అనేది మొక్క నుండి బాష్పీభవనం మరియు ట్రాన్స్పిరేషన్ ద్వారా నేల నుండి వాతావరణానికి మొత్తం నీటి నష్టం. సూచన ETని పంట గుణకం (Kc)తో గుణించడం ద్వారా, ఉత్పత్తి యొక్క వాస్తవ నీటి అవసరం (ETc) అంచనా వేయబడుతుంది మరియు ఈ నీటి సమతుల్యత ప్రకారం నీటిపారుదల ప్రణాళిక చేయబడుతుంది. ET వర్షపాతం లేదా నేల లవణీయత కాదు; ఇది నీటి బడ్జెట్ యొక్క అవుట్ఫ్లో వైపు సూచిస్తుంది.
8. ఆకుపై లక్షణాలను చూసిన ఒక ఇంజనీర్ ఫోటో వివరణను AIకి అందించాడు మరియు ప్రాథమిక రోగ నిర్ధారణను అందుకున్నాడు. ఈ రోగ నిర్ధారణను పెస్ట్ కంట్రోల్ నిర్ణయంగా అనువదించడానికి ముందు ఏది తప్పనిసరి?
- ఎ) ఫీల్డ్/లాబొరేటరీలో ఏజెంట్ను నిర్ధారించడం మరియు లైసెన్స్ పొందిన మరియు లేబుల్ చేయబడిన ఔషధాన్ని ఎంచుకోవడం ✔
- బి) సురక్షితంగా ఉండటానికి అనేక రకాల మందులను కలిపి తీసుకోవడం
- సి) AI ఏది చెప్పినా వెంటనే క్రియాశీల పదార్ధాన్ని వర్తించండి.
- డి) చౌకైన పురుగుమందును ఎంచుకుని, దానిని పొలమంతా వేయండి
వివరణ: ఒకే విధమైన లక్షణాలను కలిగించే విభిన్న కారకాల (ఫంగల్, బ్యాక్టీరియా, వైరల్, పోషకాల లోపం, అబియోటిక్ ఒత్తిడి) కారణంగా చిత్రం నుండి మాత్రమే ప్రాథమిక నిర్ధారణ సరిపోదు. ఏజెంట్ను ఫీల్డ్ శాంపిల్తో నిర్ధారించి, అవసరమైతే, లేబొరేటరీ డయాగ్నసిస్ చేసి, ఆపై ఆ ఏజెంట్ మరియు ఆ ఉత్పత్తికి లైసెన్స్ పొందిన డ్రగ్ని మాత్రమే ఎంచుకోవాలి మరియు దాని లేబుల్కు తగినది ఎంచుకోవాలి. ధృవీకరణ లేకుండా విస్తృత-స్పెక్ట్రమ్ పురుగుమందుల అప్లికేషన్ నిరోధకత మరియు అవశేషాల ప్రమాదాన్ని సృష్టిస్తుంది.
9. వ్యవసాయ నిర్ణయ మద్దతులో తరచుగా ఉపయోగించే GDD (గ్రోత్ డిగ్రీ డే) భావన యొక్క ప్రయోజనం ఏమిటి?
- ఎ) నేల pH విలువను అనుసరించడం
- B) వేడి చేరడం ద్వారా మొక్కల అభివృద్ధి దశలు మరియు తెగుళ్ల ఆవిర్భావాన్ని అంచనా వేయడం ✔
- సి) నీటిపారుదల పైపు ప్రవాహం రేటును కొలవడం
- డి) ఉత్పత్తి యొక్క మార్కెట్ ధరను గణించడం
వివరణ: GDD అనేది రోజువారీ సగటు ఉష్ణోగ్రత నుండి బేస్ ఉష్ణోగ్రతను తీసివేయడం ద్వారా సేకరించబడిన మొత్తం వేడి మరియు మొక్క యొక్క అభివృద్ధి (ఫినాలజీ) దశలను మరియు కొన్ని తెగుళ్ల ఆవిర్భావ సమయాన్ని అంచనా వేయడానికి ఉపయోగించబడుతుంది. అందువలన, చల్లడం, ఫలదీకరణం మరియు పంట కిటికీలు క్యాలెండర్ కంటే వేడి చేరడం ప్రకారం ప్లాన్ చేయవచ్చు. GDD అనేది నేల pH లేదా ప్రత్యక్ష వర్షపాతం మొత్తం కాదు.
10. మెషిన్ లెర్నింగ్తో ఏర్పాటు చేయబడిన దిగుబడి అంచనా నమూనా కోసం కింది వాటిలో అత్యంత ఖచ్చితమైన ప్రకటన ఏది?
- ఎ) భవిష్యత్తును ఖచ్చితంగా మరియు లోపం లేకుండా అంచనా వేస్తుంది
- బి) ఇది గత నమూనాలపై ఆధారపడి ఉంటుంది; తప్పనిసరిగా అనిశ్చితి పరిధితో ఇవ్వాలి మరియు ధృవీకరించబడాలి ✔
- సి) శిక్షణ డేటా కాకుండా ఇతర పరిస్థితులలో ఇది ఎల్లప్పుడూ అదే ఖచ్చితత్వంతో పని చేస్తుంది.
- డి) వ్యవసాయ సంబంధ సమాచారం లేకుండా తుది నిర్ణయం తీసుకునే వ్యక్తి అతడే
వివరణ: మెషిన్ లెర్నింగ్ మోడల్ అనేది చారిత్రక డేటాలో చూసే నమూనాలపై ఆధారపడి ఉంటుంది; శిక్షణ డేటా (కొత్త రకం, అసాధారణ వాతావరణం) వెలుపల ఇన్పుట్ పరిస్థితులు పడిపోయినప్పుడు విశ్వాసం తగ్గుతుంది. అందువల్ల, అవుట్పుట్ ఒక అనిశ్చితి పరిధితో ఇవ్వాలి, ఒక పాయింట్ కాదు, మరియు చారిత్రక దిగుబడి మరియు బెంచ్మార్క్లతో ధృవీకరించబడాలి. మోడల్కు భవిష్యత్తు గురించి ఖచ్చితంగా తెలియదు మరియు అన్ని పరిస్థితుల్లోనూ అదే ఖచ్చితత్వంతో పని చేయదు.
11. AI-ఉత్పత్తి చేసిన పైథాన్/పాండాస్ విశ్లేషణ కోడ్ని అమలు చేయడానికి ముందు ఉత్తమ అభ్యాసం ఏమిటి?
- ఎ) కోడ్ని చదవకుండానే మొత్తం డేటా సెట్కు నేరుగా వర్తింపజేయడం
- B) తెలిసిన ఫలితాలతో చిన్న నమూనా డేటాతో పరీక్షించడం మరియు సూత్రాలు మరియు యూనిట్లను తనిఖీ చేయడం ✔
- సి) లోపాలు లేకుండా కేవలం పని చేస్తే సరిపోతుందని భావించడం.
- D) అవుట్పుట్ను అస్సలు తనిఖీ చేయకుండా నివేదికలో ఉంచడం
వివరణ: AI- రూపొందించిన కోడ్ సరైనదిగా కనిపించినప్పటికీ, అది యూనిట్, నిలువు వరుస పేరు, సూచిక సూత్రం లేదా ఫిల్టర్ లాజిక్ ఎర్రర్లను కలిగి ఉండవచ్చు. మీకు తెలిసిన డేటా యొక్క చిన్న నమూనాకు వ్యతిరేకంగా ఫలితాన్ని మాన్యువల్గా అమలు చేయడం, ఆశించిన అవుట్పుట్తో సరిపోల్చడం మరియు మూలానికి వ్యతిరేకంగా NDVI వంటి సూత్రాలను తనిఖీ చేయడం మంచి అభ్యాసం. పెద్ద డేటాను చూడకుండా కోడ్ని వర్తింపజేయడం వలన ఉత్పత్తికి నిశ్శబ్ద బగ్లు తరలిపోతాయి.
12. డ్రగ్ అడ్మినిస్ట్రేషన్ నోట్బుక్ ట్రేస్బిలిటీ రికార్డులలో ఎందుకు కీలకం?
- ఎ) కేవలం పన్ను మినహాయింపు పొందడానికి
- B) MRL సమ్మతి, ధృవీకరణ మరియు బ్యాచ్ ట్రేస్బ్యాక్ కోసం ధృవీకరించదగిన రికార్డును అందిస్తుంది ✔
- సి) పొరుగు ఫీల్డ్లతో పోల్చడం కోసం మాత్రమే
- D) ప్రకటనల బ్రోచర్లను సిద్ధం చేయడం
వివరణ: ఔషధ పరిపాలన పుస్తకం; ఇది ఏ ఉత్పత్తి, ఏ క్రియాశీల పదార్ధం, ఏ మోతాదులో మరియు తేదీలో ఉపయోగించబడింది మరియు చివరి దరఖాస్తు మరియు పంట మధ్య నిరీక్షణ వ్యవధిని డాక్యుమెంట్ చేస్తుంది. గరిష్ట అవశేష పరిమితి (MRL) సమ్మతి, మంచి వ్యవసాయ శాస్త్రం/సేంద్రీయ ధృవీకరణ మరియు సమస్య ఏర్పడితే బ్యాచ్ ట్రేస్ బ్యాక్ కోసం ఈ రికార్డింగ్ తప్పనిసరి. ఇది ఖర్చు ట్రాకింగ్ లేదా ప్రకటనల కోసం మాత్రమే ఉంచబడదు.
13. AI సాధనం ఆ ప్రాంతంలో కనిపించని తెగులును 'సాధారణ ముప్పు'గా నమ్మకంగా నివేదించింది. ఈ పరిస్థితిని ఏ భావన ఉత్తమంగా వివరించగలదు?
- ఎ) సెన్సార్ కాలిబ్రేషన్ లోపం
- బి) భ్రాంతి: సురక్షితమైన భాషలో లేని సమాచారం ఉత్పత్తి ✔
- సి) నెట్వర్క్ కనెక్షన్ అంతరాయం
- డి) వర్షపాతం డేటా లేకపోవడం
వివరణ: మోడల్ అసలు ఉనికిలో లేని లేదా సందర్భానికి సరిపోలని సమాచారాన్ని ఉత్పత్తి చేసినప్పుడు, అది వాస్తవమైనదిగా, నిష్ణాతులుగా మరియు నమ్మకంగా ఉన్నప్పుడు దానిని భ్రాంతి అంటారు. ఆగ్రోనమిక్ ప్లాసిబిలిటీ యొక్క వడపోత (ప్రాంతం యొక్క వాతావరణం మరియు పంటల నమూనా ఆ తెగులుకు అనుకూలంగా ఉందా?) మరియు ఫీల్డ్ సాక్ష్యం సంతకం చేయడానికి ముందు అటువంటి లోపాలను గుర్తించింది. ఇది సెన్సార్ లోపం లేదా యూనిట్ లోపం కాదు.
14. భద్రత మరియు నాణ్యతకు కీలకమైన వ్యవసాయ నిర్ణయాలలో కృత్రిమ మేధస్సు పాత్రను ఎలా నిర్వచించాలి (ఉదా. పురుగుమందుల మోతాదు, ఎరువుల ప్రిస్క్రిప్షన్, నీటిపారుదల ప్రణాళిక)?
- ఎ) సమర్థ అధికారం మాత్రమే తుది నిర్ణయం తీసుకుంటుంది
- B) సమర్థ వ్యవసాయ శాస్త్రవేత్త ఆమోదాన్ని భర్తీ చేసే స్వయంచాలక వ్యవస్థ
- సి) డ్రాఫ్ట్లు మరియు సూచనలను రూపొందించి, నిర్ణయాన్ని నిపుణుడికి వదిలివేసే సహాయకుడు ✔
- D) ధృవీకరణ అవసరం లేని సమాచారం యొక్క ఖచ్చితమైన మూలం
వివరణ: కృత్రిమ మేధస్సు; ఇది అవుట్లైన్లను రూపొందించే, డేటాను సంగ్రహించే మరియు పరికల్పనలను ప్రతిపాదించే సహాయకుడు. కీలకమైన నిర్ణయాలలో తుది నిర్ణయం క్షేత్ర పరిశీలన, స్థానిక క్రమాంకనం మరియు చట్టాల గురించి తెలిసిన సమర్థుడైన వ్యవసాయ ఇంజనీర్కు చెందినది; AI అవుట్పుట్ ఈ ఆమోదాన్ని భర్తీ చేయదు. ఉత్పత్తి, పర్యావరణం మరియు ఆహార భద్రత విషయానికి వస్తే, బాధ్యత సంతకం చేసే నిపుణుడిపై ఉంటుంది.