Gids-gekoppelde quiz · Middelmatig Niveau

AI in de quiz over gewasopbrengstvoorspelling

Bekijk vegetatie-indexen, seizoensonzekerheid, uitgestelde voorspellingen, satellietinputs, hybride gewasmodellen en de schaal van opbrengstvalidatielabels.

Gerelateerde gidspadenAI in gewasopbrengstvoorspelling
Vraag 1 van 8

Wat geeft de NDVI-vegetatie-index vooral weer?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat geeft de NDVI-vegetatie-index vooral weer?
    • pH-niveau van de bodem
    • De prijs van graan
    • Groenheid en kracht van gewassen door satellietlichtreflectie
    • Het aantal landarbeiders
  2. Waarom brengen de opbrengstvoorspellingen voor het vroege seizoen meer onzekerheid met zich mee dan die voor het late seizoen?
    • Een groot deel van de weers- en gewasontwikkeling die de opbrengst beïnvloeden, heeft nog niet plaatsgevonden
    • Satellieten worden vroeg in het seizoen uitgeschakeld
    • Boeren verstoppen hun akkers vroeg
    • NDVI werkt alleen in de winter
  3. Waar helpt validatie met apart gehouden jaren (held-out years) bij te beoordelen in een studie naar gewasopbrengstvoorspellingen?
    • 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. Welke gegevensbron levert de multispectrale beelden die gewoonlijk in deze modellen worden gebruikt?
    • Alleen weerstations voor thuisgebruik
    • Sentinel-2- en Landsat-satellieten
    • Berichten op sociale media
    • Kwitanties van de supermarkt
  5. Wat voegt de aangehaalde hybride opbrengststudie over de Amerikaanse Corn Belt toe aan machine learning-voorspellers?
    • 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