Cuestionario vinculado a una guía · Medio Nivel

Prueba de IA en la predicción del rendimiento de los cultivos

Revisar los índices de vegetación, la incertidumbre estacional, los pronósticos postergados, las entradas satelitales, los modelos de cultivos híbridos y la escala de las etiquetas de validación de rendimiento.

Rutas de guía relacionadasIA en la predicción del rendimiento de los cultivos
Pregunta 1 de 8

¿Qué indica principalmente el índice de vegetación NDVI?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué indica principalmente el índice de vegetación NDVI?
    • Nivel de pH del suelo
    • El precio del grano
    • Verdor y vigor de los cultivos gracias a la reflectancia de la luz satelital
    • El número de trabajadores agrícolas
  2. ¿Por qué los pronósticos de rendimiento de principios de temporada conllevan más incertidumbre que los de finales de temporada?
    • Gran parte del clima y el desarrollo de los cultivos que afectan el rendimiento aún no han ocurrido
    • Los satélites se apagan a principios de temporada
    • Los agricultores esconden sus campos temprano
    • NDVI sólo funciona en invierno
  3. ¿Qué ayuda a evaluar la validación de años excluidos en un estudio de pronóstico de rendimiento de cultivos?
    • 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. ¿Qué fuente de datos proporciona las imágenes multiespectrales comúnmente utilizadas en estos modelos?
    • Solo estaciones meteorológicas domésticas
    • Satélites Sentinel-2 y Landsat
    • Publicaciones en redes sociales
    • Recibos de tienda de comestibles
  5. ¿Qué añade el estudio híbrido de rendimiento del Cinturón de Maíz de EE. UU. citado a los predictores de aprendizaje automático?
    • 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