Тест, свързан с ръководство · Среден Ниво

AI в теста за прогнозиране на добивите

Прегледайте индексите на растителността, сезонната несигурност, задържаните прогнози, сателитните данни, моделите на хибридните култури и мащаба на етикетите за валидиране на добива.

Свързани ръководни пътекиAI при прогнозиране на добивите
Въпрос 1 на 8

Какво основно показва вегетационният индекс NDVI?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво основно показва вегетационният индекс NDVI?
    • Ниво на pH на почвата
    • Цената на зърното
    • Реколта зеленина и жизненост от сателитно отразяване на светлината
    • Броят на селскостопанските работници
  2. Защо прогнозите за добива в ранния сезон носят повече несигурност от тези в края на сезона?
    • Голяма част от времето и развитието на културите, които влияят на добива, все още не са се случили
    • Сателитите се изключват в началото на сезона
    • Стопаните рано скриват нивите си
    • NDVI работи само през зимата
  3. What does held-out-year validation help assess in a crop-yield forecast study?
    • A guarantee that no future information can leak into the inputs
    • Only whether the model's filename contains the year
    • Proof that every field shares the same yield
    • Generalization to another year's conditions, with forecast-time feature availability still needing control
  4. Кой източник на данни предоставя многоспектрални изображения, които обикновено се използват в тези модели?
    • Само домашни метеорологични станции
    • Сателити Sentinel-2 и Landsat
    • Публикации в социалните медии
    • Разписки от магазин за хранителни стоки
  5. What does the cited US Corn Belt hybrid yield study add to machine-learning predictors?
    • Variables supplied by a process-based crop simulation model such as APSIM
    • Removal of every weather and soil input
    • A guarantee that the model needs no regional validation
    • Only random labels unrelated to crop development
  6. Why should crop-yield evaluations examine unusual heat or drought years separately?
    • Extreme conditions always make prediction easier
    • A high NDVI guarantees an unchanged yield under every stress
    • Training mainly on ordinary conditions may not represent those stress responses adequately
    • Every weather year is identical once a crop is named
  7. If a vegetation observation has near-infrared reflectance 0.6 and red reflectance 0.2, what is its NDVI?
    • 0.8, by adding the two values only
    • 0.5, using (0.6 minus 0.2) divided by (0.6 plus 0.2)
    • 0.4, by subtracting without normalization
    • 3.0, by dividing near-infrared by red only
  8. What does validation against county-average yield labels establish about an individual-field forecast?
    • It guarantees every field has the county's average yield
    • It converts a regional label into a direct harvest measurement for each field
    • It removes all need to know the forecast's spatial unit
    • It does not by itself establish field-level accuracy; the intended scale needs its own evidence