Mit dem Guide verknüpftes Quiz · Mittel Ebene

KI im Quiz zur Ernteertragsvorhersage

Überprüfen Sie Vegetationsindizes, saisonale Unsicherheit, ausbleibende Vorhersagen, Satelliteneingaben, Hybridkulturmodelle und den Umfang der Ertragsvalidierungskennzeichnungen.

Verwandte FührungspfadeKI bei der Ernteertragsvorhersage
Frage 1 von 8

Was sagt der NDVI-Vegetationsindex hauptsächlich aus?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was sagt der NDVI-Vegetationsindex hauptsächlich aus?
    • pH-Wert des Bodens
    • Der Getreidepreis
    • Grünheit und Vitalität der Pflanzen durch Satellitenlichtreflexion
    • Die Zahl der Landarbeiter
  2. Warum sind Ertragsprognosen zu Beginn der Saison mit größerer Unsicherheit behaftet als zu Ende der Saison?
    • Ein Großteil der Wetter- und Ernteentwicklung, die sich auf den Ertrag auswirkt, ist noch nicht eingetreten
    • Die Satellitenübertragungen werden zu Beginn der Saison ausgeschaltet
    • Bauern verstecken ihre Felder schon früh
    • NDVI funktioniert nur im Winter
  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. Welche Datenquelle liefert die in diesen Modellen üblicherweise verwendeten multispektralen Bilder?
    • Nur Heimwetterstationen
    • Sentinel-2- und Landsat-Satelliten
    • Social-Media-Beiträge
    • Quittungen aus Lebensmittelgeschäften
  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