Predykcja plonów buraka cukrowego przy wykorzystaniu technik neuronowych

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

Warianty tytułu

EN

Prediction of sugar beet yields with the use of neural network techniques

• Języki publikacji: PL

Abstrakty

PL

Uzyskanie plonu korzeni buraka cukrowego o wysokich parametrach jakościowych i ilościowych wymaga starannego zaplanowania całego procesu produkcji. Do uzyskania możliwie najlepszych efektów produkcyjnych stosuje się modele plonu. Stosowane dotychczas modele charakteryzują się niewystarczającą dokładnością prognozy, są skomplikowane i uciążliwe w praktycznym zastosowaniu. Dlatego postanowiono utworzyć model plonu buraka cukrowego z wykorzystaniem Sztucznych Sieci Neuronowych (SSN). Symulatory tych sieci pozwalają na wytworzenie modelu prognostycznego i jego weryfikację bez dużych nakładów finansowych. Niezbędne są tu jednak badania polowe, dzięki którym zostanie utworzona baza danych empirycznych.

EN

To obtain the sugar beet roots yield of both, high qualitative and quantitative parameters, the correct planning of complete production is required. During planning of this process, the models for obtaining best production effects are being used. However, the models already used are characterized by insufficient exactitude of prognosis, are complicated and inconvenient in practical implementation. This inconvenience was the reason for creation of a new sugar beet yielding model with the use of Artificial Neural Networks (ANN). Simulators of these networks enabled the prognostic model creation and its verification without large financial inputs. However, the field experiments are indispensable for creation on their ground the empirical data base.

Słowa kluczowe

PL

burak cukrowy; predykcja plonu; sztuczna sieć neuronowa

EN

sugar beet; yield prediction; artificial neural network

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2005
• Tom: R. 9, nr 8
• Strony: 285--291
• Opis fizyczny: Bibliogr. 9 poz., rys.

Twórcy

autor

Niedbała G.

• Instytut Inżynierii Rolniczej, Akademia Rolnicza w Poznaniu

autor

Przybył J.

• 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: 159-168.
• Pabis St. 1985. Metodologia I metody nauk empirycznych. PWN, Warszawa.
• 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.
• 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.
• Stańko S. 1994. Prognozowanie w rolnictwie. Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego, Warszawa.
• Vandendriessche H.J. 2000. A model of growth and sugar accumulation of sugar beet for potential production conditions: SUBEMOpo I. Theory and model structure. Agricultural Systems 64: 1-19.