Вікторина, пов’язана з посібником · Середній Рівень

AI у вікторині прогнозування врожайності

Перегляньте вегетаційні індекси, сезонну невизначеність, відкладене прогнозування, супутникові дані, моделі гібридних культур і масштаб міток перевірки врожайності.

Пов'язані напрямні шляхиШІ в прогнозуванні врожайності
Питання 1 з 8

Про що в першу чергу свідчить індекс рослинності NDVI?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Про що в першу чергу свідчить індекс рослинності NDVI?
    • Рівень pH грунту
    • Ціна на зерно
    • Збирайте зелень і бадьорість завдяки відбиттю світла супутника
    • Кількість робітників ферми
  2. Чому прогнози врожайності на початку сезону містять більше невизначеності, ніж прогнози наприкінці сезону?
    • Більшість погодних умов і розвитку посівів, які впливають на врожайність, ще не відбулися
    • Супутники відключаються на початку сезону
    • Фермери рано ховають свої поля
    • NDVI працює тільки взимку
  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. Яке джерело даних надає багатоспектральне зображення, яке зазвичай використовується в цих моделях?
    • Тільки домашні метеостанції
    • Супутники Sentinel-2 і Landsat
    • Пости в соціальних мережах
    • Чеки продуктового магазину
  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