Analiza założeń dla modelowania plonu buraka cukrowego z wykorzystaniem sztucznych sieci neuronowych

• Autorzy: Niedbała G. , Przybył J. , Boniecki P. , Sęk T.

Warianty tytułu

EN

The analysis of assumptions for modeling sugar beet crop with utilization of artificial neural networks

• Języki publikacji: PL

Abstrakty

PL

Do planowania plonu roślin, w tym plonu buraka cukrowego, wykorzystuje się modele prognostyczne. Istniejące modele mają zastosowanie zarówno w skali mikro - dla gospodarstwa, jaki i makro - dla regionu, czy kraju. Te modele, najczęściej zaimplementowane w programach komputerowych, ze względu na dużą liczbę danych wejściowych, są raczej niedostępne dla plantatora buraka cukrowego i rolniczych służb doradczych. Dlatego w pracy podjęto próbę opracowania własnego modelu plonu buraka cukrowego, opartego na metodach sztucznej inteligencji, przy wykorzystaniu możliwie niewielkiej liczby danych wejściowych. Założono, że dane wejściowe do modelu powinny stanowić podstawowe czynniki charakteryzujące siedlisko, użyte środki produkcji i przebieg warunków pogodowych.

EN

In planning crops, including sugar beet crop, prognostic models are used. Existing models are utilized in micro scale - for the farm, as well as in macro scale - for region or country. These models, generally implemented in computer programmes, are rather unavailable for sugar beet planters and agricultural advisory services because of the huge amount of input data. That is why in this paper an attempt was made to create own model of sugar beet crop based on artificial intelligence methodology and the smallest possible amount of input data. It was assumed that input data for models should be the basic factors characterizing habitat, means of production used and weather conditions course.

Słowa kluczowe

PL

burak cukrowy; predykcja plonu; sztuczne sieci neuronowe

EN

sugar beet; crop prediction; artificial neural network

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2005
• Tom: R. 9, nr 2
• Strony: 123--130
• Opis fizyczny: Bibliogr. 9 poz., rys., tab.

Twórcy

autor

Niedbała G.

• Instytut Inżynierii Rolniczej, Akademia Rolnicza w Poznaniu

autor

Przybył J.

• Instytut Inżynierii Rolniczej, Akademia Rolnicza w Poznaniu

autor

Boniecki P.

• Instytut Inżynierii Rolniczej, Akademia Rolnicza w Poznaniu

autor

Sęk T.

• Instytut Inżynierii Rolniczej, Akademia Rolnicza w Poznaniu

Bibliografia

• Fick G. W., Williams W. A., Loomis R. S. 1973. Computer simulation of dry matter distribution during sugar beet growth. Crop Science 13, 413-417.
• Jaggard K. W. 2001. The growth of sugar beet in 2000. British Sugar Beet Review, 69 (1), 2-4.
• Jaggard K. W., Werker A. R. 1999. An evaluation of the potential benefits and costs of autumn- sown sugarbeet in NW Europe. Journal of Agricultural Science, 132, 91-102.
• Kaburlasos V.G., Spais V., Petridis V., Petrou L., Kazarlis S., Maslaris N., Kallinakis A. 2002. Intelligent clustering techniques for prediction of sugar production. Mathematics and Computers in Simulation 60 (2002) 159-168.
• Patefield W. M., Austin R. B. 1971. A model for the simulation of the growth of Beta vulgaris L. Annals of Botany 35: 1227-1250.
• Smit A.B., Muijs G.J.W., Struik P.C., van Niejenhuis J.H. 1996. Evaluation of a model for sugar beet production by comparing field measurements with computer predictions. Computers and Electronics in Agriculture 16 (1996) 69-85.
• Spitters C. J. T., van Keulen H, van Kraailingen D.W.G. 1989. A simple and universal crop growth simulator: SUCROS87. In: Rabbinge R, Ward S.A., van Laar H.H., eds. Simulation and systems management in crop protection. Simulation Monographs 32, Pudoc, Wageningen, 147-181.
• Vandendriessche H.J. 2000a. A model of growth and sugar accumulation of sugar beet for potential production conditions: SUBEMOpo. I. Theory and model structure. Agricultural Systems 64 (2000) 1-19.
• Vandendriessche H.J. 2000b. A model of growth and sugar accumulation of sugar beet for potential production conditions: SUBEMOpo. II. Model performance. Agricultural Systems 64 (2000) 21-35.