收益：
- 能够识别和管理道德风险，例如农民数据所有权、隐私和算法偏差
- 能够将模块的所有链接合并到单个季节性端到端工作流程中
- 在质量体系中建立人工智能输出不会取代合格农艺师在安全关键型农业决策中的批准
模块考试
1. 在将人工智能输出纳入农业工程决策之前，应用“三锚”验证的锚是什么？
- A) 规格范围、农艺合理性和现场证据 ✔
- B) 模型的受欢迎程度、答案的长度和语言的流畅性
- C) 价格、速度和用户界面
- D) 品牌信誉、互联网连接和文件格式
描述：三个锚；数量级，检查结果是否在 10 的预期幂范围内；农艺合理性，着眼于产出与作物和气候的一致性；以及田间证据，在田间而不是核心/样本中提供确认。来源的品牌、模型的受欢迎程度或文本的流畅性都不是验证标准。
2. NDVI（归一化植被指数）主要衡量什么？
- A) 确定土壤的精确湿度百分比（以厘米为单位）
- B) 绿色、充满活力的植被的密度和强度 ✔
- C) 物种水平上存在哪种疾病病原体？
- D) 收获后的最终产品价格
描述：NDVI 通过标准化近红外 (NIR) 和红波段反射率之间的差异来测量绿色、光合作用的活植被的密度和强度。由于健康植物强烈反射近红外光并强烈吸收红光，因此 NDVI 增加；在有压力或稀疏的覆盖物中该值会降低。它不直接测量产量、土壤湿度或疾病类型；这些需要额外的数据。
3. 卫星图像显示 NDVI 值较低的区域。在将此异常转变为工程决策之前，应采取以下哪项最佳步骤？
- A) 立即在该区域涂抹杀菌剂
- B）将该地区的肥料剂量加倍
- C) 通过田间控制、气象、物候等确认原因✔
- D) 忽略异常并对整个字段应用平均值
解释：低 NDVI 可能是由于水分胁迫、疾病、养分缺乏、出苗率低、云层遮荫或新耕土壤造成的。我们只能通过现场控制、气象学和物候学来区分这种不确定性；仅凭地图并不能说明原因。直接施用杀虫剂或化肥存在错误原因干扰的风险。
4. 将农民田间坐标、产量和成本数据输入公开可用的人工智能工具时，最准确的方法是什么？
- A) 按原样粘贴所有数据及其 ID 和坐标
- B) 匿名识别信息并仅共享必要的技术数据 ✔
- C) 将数据加载到公共表中而不进行任何检查
- D) 未经农户许可，捐赠数据用于模型训练
披露：农民数据具有商业和个人敏感性；坐标、身份和成本信息属于财产和保密问题。正确的做法是用代表性标签（Plot-A，X坐标）对识别信息进行匿名处理，并仅共享分析所需的技术数据。按原样共享数据或未经许可将其开放给教育会带来道德和法律风险。
5. 土壤分析报告显示 pH 值为 4.8。这个值在农艺上意味着什么？
- A）适合大多数作物的中性且理想的土壤
- B) 强酸性；可能限制食物摄入并需要纠正的情况✔
- c）强碱；需要石灰的情况
- D) 表示土壤的盐度极高。
描述：pH 4.8表示强酸性土壤；在这种情况下，磷和钼的吸收减少，铝/锰毒性的风险增加，并且许多作物的根系发育受到抑制。对于大多数大田作物，6.0-7.0 是合适的范围。因此，考虑进行诸如撒石灰之类的修正；酸性土壤并不“理想”，本身并不能保证高产。
6. AI建议麦田每亩施用60公斤纯氮；区域实际产量和目标产量表明每十亩纯氮约为 12-16 公斤。最好的行为是什么？
- A）按原样实施建议，因为人工智能计算
- B）为了安全起见，增加剂量
- C) 将其视为数量级警告并检查输入和本地校准 ✔
- D) 将提案一分为二，不考虑土壤分析
描述：建议值大约是预期范围的四倍；这是一个数量级的警告。氮过量意味着经济损失以及抑郁、疾病和硝酸盐污染的风险。正确的行为是拒绝建议并检查输入（单位、产量、目标产量、土壤氮）和本地校准。盲目施用会造成环境和农艺危害。
7. 灌溉决策中使用的“植物耗水量”（蒸散量，ET）是什么意思？
- A）仅通过降水进入土壤的水量
- B) 通过土壤蒸发和植物蒸腾作用损失的总水份 ✔
- C) 土壤的电导率
- D) 灌溉管道内的压力值
解释：蒸散量是通过植物蒸发和蒸腾从土壤到大气的总水分损失。通过将参考 ET 乘以作物系数 (Kc)，可估算产品的实际需水量 (ETc)，并根据此水平衡规划灌溉。 ET 不是降雨量或土壤盐分；它代表水预算的流出侧。
8. 一位工程师在叶子上看到了症状，将照片描述给AI并得到了初步诊断。在将此诊断转化为害虫控制决策之前，哪一项是强制性的？
- A) 在现场/实验室确认药剂并选择有许可和标签的药物 ✔
- B）为了安全起见，同时服用几种不同的药物
- C) 无论 AI 说什么，立即使用活性成分。
- D) 选择最便宜的农药并施用于整个田地
解释：由于引起类似症状的不同因素（真菌、细菌、病毒、营养缺乏、非生物胁迫），仅凭图像进行初步诊断是不够的。应通过现场样本以及必要时的实验室诊断来确认该药物，然后仅选择该药物和该产品的许可药物以及适合其标签的药物。未经验证使用广谱农药，存在抗药性和残留风险。
9. 农业决策支持中经常使用的GDD（生长度日）概念的目的是什么？
- A) 遵循土壤的pH值
- B) 通过热量积累预测植物发育阶段和害虫出现✔
- C) 测量灌溉管道流量
- D) 计算产品的市场价格
描述：GDD是日平均气温减去基础温度所积累的总热量，用于估算植物的发育（物候）阶段和某些害虫的出现时间。因此，可以根据热量积累而不是日历来计划喷洒、施肥和收获窗口。 GDD 不是土壤 pH 值或直接降雨量。
10. 对于通过机器学习建立的产量预测模型，以下哪项描述最准确？
- A）准确无误地预测未来
- B）它基于过去的模式；必须给出不确定度范围并经过验证 ✔
- C) 在训练数据以外的条件下，它始终以相同的精度工作。
- D) 他是唯一没有农艺信息的最终决策者
描述：机器学习模型基于它在历史数据中看到的模式；当输入条件超出训练数据范围（新品种、异常气候）时，置信度就会降低。因此，产出应该给出一个不确定性范围，而不是一个点，并且应该用历史收益率和基准进行验证。该模型无法确定未来，并且在所有条件下都无法以相同的精度运行。
11. 运行 AI 生成的 Python/pandas 分析代码之前的最佳实践是什么？
- A）将代码直接应用到整个数据集而不读取它
- B) 使用已知结果的小样本数据进行测试并检查公式和单位 ✔
- C) 考虑到只要工作没有错误就足够了。
- D) 将输出放入报告中而不进行任何检查
描述：虽然 AI 生成的代码可能看起来正确，但它可能包含单位、列名称、索引公式或过滤器逻辑错误。好的做法是根据您知道的一小部分数据样本手动运行结果，将其与预期输出进行比较，并根据源检查 NDVI 等公式。将代码应用于大数据而没有看到它会将无声的错误转移到生产中。
12.为什么药品管理笔记本对于追溯记录至关重要？
- A）只是为了获得减税
- B) 为 MRL 合规性、认证和批次追溯提供可验证的记录 ✔
- C) 仅用于与相邻字段进行比较
- D) 准备广告手册
说明： 用药管理书；它记录了哪种产品、哪种活性成分、使用剂量和日期，以及最后一次施用和收获之间的等待时间。此记录对于最大残留限量 (MRL) 合规性、良好的农学/有机认证以及出现问题时的批次追溯是强制性的。它不仅仅用于成本跟踪或广告。
13. 人工智能工具自信地将该地区未发现的害虫报告为“常见威胁”。哪个概念最能解释这种情况？
- A) 传感器校准误差
- B) 幻觉：产生安全语言中不存在的信息 ✔
- C) 网络连接中断
- D) 缺乏降雨数据
解释：当模型产生的信息实际上并不存在或与上下文不匹配时，就称为幻觉，就好像它是真实的、流畅的和自信的一样。农艺合理性过滤器（该地区的气候和作物模式是否适合该害虫？）和现场证据在签名之前发现了此类错误。这不是传感器故障或装置错误。
14. 如何定义人工智能在对安全和质量至关重要的农业决策（例如农药用量、肥料配方、灌溉计划）中的作用？
- A) 主管当局单独做出最终决定
- B) 取代主管农艺师批准的自动化系统
- C) 一名助理，负责提出草稿和建议，并将决定留给专家✔
- D）信息来源准确，无需验证
描述：人工智能；它是一个生成大纲、总结数据并提出假设的助手。关键决策的最终决定权属于熟悉实地观察、当地校准和立法的有能力的农业工程师； AI 输出并不能取代此批准。当涉及到产品、环境和食品安全时，责任在于签约专家。