AI στο Κουίζ πρόβλεψης απόδοσης καλλιεργειών

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Τι δείχνει κυρίως ο δείκτης βλάστησης NDVI;
   • Επίπεδο pH εδάφους
   • Η τιμή των σιτηρών
   • Περικόψτε το πράσινο και το σφρίγος από την ανάκλαση του δορυφορικού φωτός
   • Ο αριθμός των εργατών σε αγροκτήματα
2. Γιατί οι προβλέψεις απόδοσης για την αρχή της σεζόν έχουν μεγαλύτερη αβεβαιότητα από τις προβλέψεις της τελευταίας σεζόν;
   • Μεγάλο μέρος της ανάπτυξης του καιρού και των καλλιεργειών που επηρεάζει την απόδοση δεν έχει συμβεί ακόμη
   • Οι δορυφόροι σβήνουν νωρίς τη σεζόν
   • Οι αγρότες κρύβουν τα χωράφια τους νωρίς
   • Το NDVI λειτουργεί μόνο το χειμώνα
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. Ποια πηγή δεδομένων παρέχει τις πολυφασματικές εικόνες που χρησιμοποιούνται συνήθως σε αυτά τα μοντέλα;
   • Μόνο μετεωρολογικοί σταθμοί στο σπίτι
   • Δορυφόροι Sentinel-2 και Landsat
   • Αναρτήσεις στα μέσα κοινωνικής δικτύωσης
   • Αποδείξεις παντοπωλείου
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