Application of multiple linear regression for multi-criteria yield prediction of winter wheat

• Autorzy: Niedbała G.

Warianty tytułu

PL

Zastosowanie analizy regresji wielorakiej dla wielokryterialnej prognozy plonów pszenicy ozimej

• Języki publikacji: EN

Abstrakty

EN

The aim of the work was to produce three independent models for prediction and simulation of winter wheat yield, which were marked in the following way: ReWW15_04, ReWW31_05 and ReWW30_06. The produced models enable to make yield forecasts for April 15, May 31 and June 30, directly before harvest in the current agrotechnical season. For the construction of prediction models the Multiple Linear Regression (MLR) method was used. The models are based on meteorological data (air temperature and rainfall) and information on mineral fertilisation. The data were collected from 2008- 2015 from 301 production fields located in Poland, in the Wielkopolskie Voivodeship. Evaluation of the quality of forecasts based on MLR models was verified by determining forecast errors using RAE, RMS, MAE and MAPE error gauges. An important feature of the produced prediction model consists in the possibility of making a prediction in the current agrotechnical year on the basis of current weather and fertilizer information.

PL

Celem pracy było wytworzenie trzech niezależnych modeli do predykcji i symulacji plonu pszenicy ozimej, które oznaczono w następujący sposób: ReWW15_04, ReWW31_05 and ReWW30_06. Wytworzone modele umożliwiają wykonanie prognozy plonu na dzień 15 kwietnia, 31 maja i 30 czerwca, bezpośrednio przed zbiorem w aktualnie trwającym sezonie agrotechnicznym. Do budowy modeli predykcyjnych użyto metody liniowej regresji wielorakiej (MLR). Modele powstały w oparciu o dane meteorologiczne (temperatura powietrza i opady atmosferyczne) oraz informacje o nawożeniu mineralnym. Dane zostały zebrane z lat 2008-2015 z 301 pól produkcyjnych zlokalizowanych w Polsce, na terenie województwa Wielkopolskiego. Ocena jakości prognoz wytworzonych na bazie modeli MLR została zweryfikowana poprzez określenie błędów prognozy za pomocą mierników błędów RAE, RMS, MAE oraz MAPE. Ważną cechą wytworzonego modelu predykcyjnego jest możliwość wykonania prognozy w bieżącym roku agrotechnicznym w oparciu o aktualne informacje pogodowe i nawozowe.

Słowa kluczowe

EN

forecast; multiple regression; MLR; winter wheat; yield prediction

PL

prognoza; regresja wielokrotna; MLR; pszenica ozima; predykcja plonu

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2018
• Tom: Vol. 63, nr 4
• Strony: 125--131
• Opis fizyczny: Bibliogr. 20 poz., rys., tab., wykr.

Twórcy

autor

Niedbała G.

• Poznan University of Life Sciences, Institute of Biosystems Engineering, Faculty of Agronomy and Bioengineering ul. Wojska Polskiego 50, 60-627 Poznań

Bibliografia

• [1] Bussay A., van der Velde M., Fumagalli D., Seguini L.: Improving operational maize yield forecasting in Hungary. Agric. Syst., 2015, 141: 94-106.
• [2] Domínguez J.A., Kumhálová J., Novák P.: Winter oilseed rape and winter wheat growth prediction using remote sensing methods. Plant, Soil Environ., 2015, 61: 410-416.
• [3] Emamgholizadeh S., Parsaeian M., Baradaran M.: Seed yield prediction of sesame using artificial neural network. Eur. J. Agron., 2015, 68: 89-96.
• [4] FAO: Food and Agriculture Organization of the United Nations (FAO). FAOSTAT Online Statistical Service. http://faostat.fao.org. 2018.
• [5] Farjam A., Omid M., Akram A., Fazel Niari Z.: A neural network based modeling and sensitivity analysis of energy inputs for predicting seed and grain corn yields. J. Agric. Sci. Technol., 2014, 16: 767-778.
• [6] Gonzalez-Sanchez A., Frausto-Solis J., Ojeda-Bustamante W.: Attribute selection impact on linear and nonlinear regression models for crop yield prediction. Sci. World J., 2014, 2014.
• [7] Guérif M., Duke C.: Calibration of the SUCROS emergence and early growth module for sugar beet using optical remote sensing data assimilation. Eur. J. Agron., 1998, 9: 127-136.
• [8] Kantanantha N., Serban N., Griffin P.: Yield and price forecasting for stochastic crop decision planning. J. Agric. Biol. Environ. Stat., 2010, 15: 362-380.
• [9] Khairunniza-Bejo S., Mustaffha S., Ishak W., Ismail W.: Application of Artificial Neural Network in Predicting Crop Yield: A Review. J. Food Sci. Eng., 2014, 4: 1-9.
• [10] Li F., Qiao J., Han H., Yang C.: A self-organizing cascade neural network with random weights for nonlinear system modeling. Appl. Soft Comput., 2016, 42: 184-193.
• [11] Li H., Jiang Z. Wei, Chen Z. Xin, Ren J. Qiang, Liu B., Hasituya: Assimilation of temporal-spatial leaf area index into the CERES-Wheat model with ensemble Kalman filter and uncertainty assessment for improving winter wheat yield estimation. J. Integr. Agric., 2017, 16: 2283-2299.
• [12] Logan T.M., McLeod S., Guikema S.: Predictive models in horticulture: A case study with Royal Gala apples. Sci. Hortic. (Amsterdam)., 2016, 209: 201-213.
• [13] Niazian M., Sadat-Noori S.A., Abdipour M.: Artificial neural network and multiple regression analysis models to predict essential oil content of ajowan (Carum copticum L.). J. Appl. Res. Med. Aromat. Plants, 2018, 9: 124-131.
• [14] Niedbała G., Przybył J., Sęk T.: Prognosis of the content of sugar in the roots of sugar-beet with utilization of the regression and neural techniques. Agric. Engienering, 2007, 2: 225-234.
• [15] Papageorgiou E.I., Aggelopoulou K.D., Gemtos T.A., Nanos G.D.: Yield prediction in apples using Fuzzy Cognitive Map learning approach. Comput. Electron. Agric., 2013, 91: 19-29.
• [16] Park S.J., Hwang C.S., Vlek P.L.G.: Comparison of adaptive techniques to predict crop yield response under varying soil and land management conditions. Agric. Syst., 2005, 85: 59-81.
• [17] Stańko S.: Prognozowanie w agrobiznesie. Teoria i przykłady zastosowania. Wydawnictwo SGGW, Warszawa 2013.
• [18] Torkashvand A.M., Ahmadi A., Nikravesh N.L.: Prediction of kiwifruit firmness using fruit mineral nutrient concentration by artificial neural network (ANN) and multiple linear regressions (MLR). J. Integr. Agric., 2017, 16: 1634-1644.
• [19] Trzepieciński T.: Zastosowanie regresji wielokrotnej i sieci neuronowej do modelowania zjawiska tarcia. Zesz. Nauk. WSInf, 2010, 9: 31-43.
• [20] Vandendriessche H.J.: A model of growth and sugar accumulation of sugar beet for potential production conditions: SUBEMOpo I. Theory and model structure. Agric. Syst., 2000, 64: 21-35.