Test legat de ghid · Mediu Nivel

AI în Testul de predicție a randamentului culturilor

Examinați indicii de vegetație, incertitudinea sezonieră, prognoza ținută, intrările prin satelit, modelele de culturi hibride și scara etichetelor de validare a randamentului.

Căi de ghidare aferenteAI în predicția randamentului culturilor
Întrebare 1 de 8

Ce indică în primul rând indicele de vegetație NDVI?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce indică în primul rând indicele de vegetație NDVI?
    • Nivelul pH-ului solului
    • Prețul cerealelor
    • Cultură verdeață și vigoare din reflectanța luminii satelit
    • Numărul de muncitori agricoli
  2. De ce previziunile privind randamentul de la începutul sezonului prezintă mai multă incertitudine decât cele de la sfârșitul sezonului?
    • O mare parte din vremea și dezvoltarea culturilor care afectează randamentul nu s-a întâmplat încă
    • Sateliții se opresc la începutul sezonului
    • Fermierii își ascund câmpurile devreme
    • NDVI funcționează doar iarna
  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. Ce sursă de date oferă imaginile multispectrale utilizate în mod obișnuit în aceste modele?
    • Doar stații meteo de acasă
    • Sateliții Sentinel-2 și Landsat
    • Postări pe rețelele sociale
    • Chitanțe din magazinul alimentar
  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