Application of artificial neural networks for the prediction of quality characteristics of potato tubers - Innovator variety

• Autorzy: Niedbała G. , Piekutowska M.

Warianty tytułu

PL

Zastosowanie sztucznych sieci neuronowych do predykcji cech jakościowych bulw ziemniaka odmiany Innovator

• Języki publikacji: EN

Abstrakty

EN

The aim of the research was to create a model for prediction of tuber dry matter on the basis of underwater weight of tubers (UWW), with the use of neural modelling methods. In order to achieve the aim of the study, data from the years 2011-2017 were collected from the production fields of an individual farm located at the border of Pomeranian and West Pomeranian Voivodeships in Słupski and Sławieński districts. The subject of the research concerned potatoes of the Innovator variety, which were grown for processing purposes - production of French fries. To build a neural model, data from September sampling as well as meteorological and fertilizer data were used. A total of 82 learning cases from the fields covered by the analyses were used, which were divided into two sets. Set 1, for the construction of the neural model consisted of 75 samples. Set 2, which consisted of 7 randomly selected samples, had a validation function and did not participate in the construction of the neural model. For proper model validation, four forecast error measures were used, i.e. relative approximation error (RAE), root mean square error (RMS), mean absolute error (MAE), mean absolute percentage error (MAPE). The model MLP 8:8-12-5-1:1 (BP100,CG31b) was based on eight inputs (meteorological data, fertilization levels) and one output (dry matter of tubers under water). The analysis resulted in a forecast error of 2.81% of MAPE. Moreover, the sensitivity analysis of the neural network showed that the mean air temperature in the period from April to September (T4-9) had the greatest influence on the dry matter of tubers.

PL

Celem pracy było wytworzenie modelu do predykcji suchej masy bulw na podstawie masy bulw pod wodą z wykorzystaniem metod modelowania neuronowego. Dla realizacji celu pracy zebrano dane pochodzące z lat 2011-2017 pochodzące z pól produkcyjnych gospodarstwa indywidualnego, zlokalizowanego przy granicy województw pomorskiego i zachodniopomorskiego w powiatach słupskim i sławieńskim. Przedmiotem badań były ziemniaki odmiany Innovator, które uprawiano na cele przetwórcze - produkcję frytek. Do budowy modelu neuronowego, wykorzystano dane pochodzące z wrześniowych próbkowań oraz dane meteorologiczne i nawozowe. Łącznie użyto 82 przypadków uczących pochodzących z pól objętych analizami, które zostały podzielone na dwa zbiory. Zbiór 1, do budowy modelu neuronowego składał się z 75 prób. Zbiór 2, który tworzyło 7 losowo wybranych prób, pełnił funkcję walidacyjną i nie uczestniczył w budowie modelu neuronowego. Dla właściwej walidacji modelu zastosowano cztery mierniki błędów prognozy, tj. globalny względny błąd aproksymacji modelu (RAE), błąd średniokwadratowy (RMS), błąd średni bezwzględny (MAE), błąd średni bezwzględny procentowy (MAPE). Wytworzony model MLP 8:8-12-5-1:1 (BP100,CG31b) bazował na ośmiu wejściach (dane meteorologiczne, poziomy nawożenia) i jednym wyjściu (sucha masa bulw pod wodą). W wyniku przeprowadzonych analiz uzyskano wynik błędu prognozy na poziomie 2.81% MAPE. Ponadto analiza wrażliwości sieci neuronowej wykazała, że największy wpływ na suchą masę bulw miała średnia temperatura powietrza w okresie od kwietnia do września (T4-9).

Słowa kluczowe

EN

potato; Innovator; dry matter; neural networks; sensitivity analysis; MLP

PL

ziemniak; Innovator; sucha masa; sieci neuronowe; analiza wrażliwości; MLP

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2018
• Tom: Vol. 63, nr 4
• Strony: 132--138
• Opis fizyczny: Bibliogr. 40 poz., rys., tab., wykr., zdj.

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, Poland

autor

Piekutowska M.

• Koszalin University of Technology, Department of Agrobiotechnology, Faculty of Mechanical Engineering ul. Racławicka 15-17, 75-620 Koszalin, Poland

Bibliografia

• [1] Aghighi Shahverdi Kandi M., Tobeh A., Gholipoor A., Jahanbakhsh S., Hassanpanah D., Sofalian O.: Effects of different n fertilizer rate on starch percentage, soluble sugar, dry matter, yield and yield components of potato cultivars. Australian Journal of Basic and Applied Sciences, 2011, 5 (9), 1846-1851.
• [2] Bombik A., Rymusza K., Markowska M., Stankiewicz C.: Variability analysis of selected quantitative characteristics in edible potato varieties. Acta Sci. Pol., Agricultura, 2007, 6 (3), 5-15.
• [3] Boniecki P.: Wykorzystanie technik neuronowych w praktyce rolniczej. Journal of Research and Applications in Agricultural Engineering, 2005, 50 (2), 9-14.
• [4] Carputo D., Aversano R., Frusciante L.: Breeding potato for quality traits. Acta Hort., 2005, 684, 55-64.
• [5] Dar E.A., Brar A.S., Mishra S.K., Singh K.B.: Simulating response of wheat to timing and depth of irrigation water in drip irrigation system using CERES-Wheat model. F. Crop. Res., 2017, 214, 149-163.
• [6] Department of Environment and Primary Industries, Australia. Potatoes: Factors affecting dry matter, 1995. Access: http://agriculture.vic.gov.au/agriculture/horticulture/vegetables/vegetables-a-z/potatoes/potatoes-factors-affecting-dry-matter.
• [7] Dias H.B., Sentelhas P.C.: Evaluation of three sugarcane simulation models and their ensemble for yield estimation in commercially managed fields. F. Crop. Res., 2017, 213, 174-185.
• [8] Dzwonkowski W.: Międzynarodowy rynek a eksport ziemniaków z Polski [W:] Produkcja i rynek ziemniaka. Wydawnictwo Wieś Jutra, 2012, 7-20.
• [9] Emamgholizadeh S., Parsaeian M., Baradaran M.: Seed yield prediction of sesame using artificial neural network. Eur. J. Agron., 2015, 68, 89-96.
• [10] Gegov Y., Pevicharova G., Nacheva E., Slavchev V.: Potato breeding lines suitable for production of frozen French fries. Bulgarian Journal of Agricultural Science, 2007, 13, 15-29.
• [11] Geremew E.B., Steyn J.M., Annandale J.G.: Evaluation of growth performance and dry matter partitioning of four processing potato (Solanum tuberosum) cultivars. New Zealand Journal of Crop and Horticultural Science, 2007, 35, 385-393.
• [12] 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.
• [13] Grzebisz W.: Ziemniaki. Technologia nawożenia [W:] Technologie nawożenia roślin uprawnych- fizjologia plonowania. Tom 1. Oleiste, okopowe i strączkowe. Powszechne Wydawnictwo Rolnicze i Leśne, 2012, 8, 269-323.
• [14] Hardaha M.K., Chouhan S.S., Ambast S.K.: Application of artificial neural network in prediction of response of farmers’ water management decisions on wheat yield. Journal of Indian water resources society, 2012, 32 (1-2), 1-2.
• [15] Kantanantha N., Serban N., Griffin P.: Yield and price forecasting for stochastic crop decision planning. J. Agric. Biol. Environ. Stat., 2010, 15, 362-380.
• [16] Khairunniza- Bejo S., Mustaffha S., Ismail W. I. W.: Application of artificial neural network in predicting crop yield: a review. Journal of Food Science and Engineering, 2014, 4, 1-9.
• [17] Khandelwal M., Kumar D.L., Yellishetty M.: Application of soft computing to predict blast-induced ground vibration. Eng. Comput., 2011, 27, 117-125.
• [18] Kołodziejczyk M.: Wpływ warunków opadowo-termicznych na skład chemiczny oraz wybrane parametry jakości bulw średnio późnych i późnych odmian ziemniaka jadalnego. Annales UMCS- Plonia, Sectio E, 2014, 69 (3), 1-10.
• [19] Kumar D., Ezekiel R., Singh B., Ahmed I.: Conversion table for specific gravity, dry matter and starch content from under water weight of potatoes grown in North-Indian plains. Potato Journal, 2005, 32, 79-84.
• [20] Laboski C.A.M., Kelling, K.A.: Influence of fertilizer management and soil fertility on tuber specific gravity: a review. Am. J. of Potato Res., 2007, 84, 283-290.
• [21] Lenartowicz T.: Ziemniak. Lista opisowa odmian roślin rolniczych 2018 burak, ziemniak, oleiste, pastewne. Słupia Wielka, 2018.
• [22] 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.
• [23] Lisińska G.: Wartość technologiczna i jakość konsumpcyjna polskich odmian ziemniaka. Zesz. Probl. Post. Nauk. Roln., 2006, 511, 81-94.
• [24] Lutomirska B.: Technologia uprawy ziemniaka przeznaczonego do przetwórstwa. Zeszyty problemowe postępów nauk rolniczych, 2008, 530, 53- 67.
• [25] 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. Engineering, 2007, 2, 225–234.
• [26] Niedbała G., Zaborowicz M., Lenartowicz T., Kozłowski R.: Modelowanie neuronowe jako narzędzie wspomagające prognozę plonu bulw ziemniaków. W: Aktualne problemy inżynierii biosystemów. (red.) Lipiński M., Przybył J., Wydawnictwo Uniwersytetu Przyrodniczego w Poznaniu, 2015, 345-350.
• [27] Niedbała G., Mioduszewska N., Mueller W., Boniecki P., Wojcieszak D., Koszela K., et al.: Use of computer image analysis methods to evaluate the quality topping sugar beets with using artificial neural networks. In: Falco, C.M., Jiang, X. (Eds.), Proc. SPIE 10033, Eighth International Conference on Digital Image Processing (ICDIP 2016), Chengdu, 2016, 100332M.
• [28] NIVAA On the way to the processing industry. Opublikowane przez Nivaa- The Netherlands Potato Consultative Institute, Hollande 2002.
• [29] Pshechenkov, K., Davidenkova O.: Suitability of varieties for processing in depending on growing and storage conditions. Potatoes and vegetables, 2004, 1, 22-24 (Ru).
• [30] Puła J., Skowera B., 2004. Zmienność cech jakościowych bulw ziemniaka odmiany Mila uprawianego na glebie lekkiej w zależności od warunków pogodowych. Acta Agrophysica, 2004, 3(2), 359-366.
• [31] Rymuza K., Radzka E., Lenartowicz T.: Wpływ warunków środowiskowych na zawartość skrobi w bulwach odmian ziemniaka średnio wczesnego. Acta Agrophysica, 2015, 22(3), 279-289.
• [32] Sharma L.K., Singh T.N.: Regression-based models for the prediction of unconfined compressive strength of artificially structured soil. Eng. Comput., 2017, 34, 1-12;
• [33] Simson R., Tartlan L., Nugis E., Eremeev V.: The effect of fertilizer and growing season on tuber dry matter and nitrate content in potato. Agronomy research, 2016, 14(4), 1486-1493.
• [34] Singh, S.V., Marwaha R.S., Kumar D., Kumar P., Pandey S.K.: Suitability of potato varieties grown in north-eastern Indian plains for processing. Potato J, 2009, 36, 25-34.
• [35] Stańko S.: Prognozowanie w agrobiznesie. Teoria i przykłady zastosowania. Wydawnictwo SGGW, Warszawa 2013.
• [36] StatSoft Inc.: Statistica (data analysis software system), version 7.1. www.statsoft.com. 2005.
• [37] 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.
• [38] Wierzbicka A.: Wpływ odmiany, nawożenia azotem i terminu zbioru na zawartość suchej masy i skrobi w bulwach ziemniaków wczesnych. Fragm. Agron., 2012, 29(2), 134-142.
• [39] Zgórska K.: Ziemniak - surowiec do produkcji żywności wygodnej i minimalnie przetworzonej. [W:] Produkcja i rynek ziemniaka. Wydawnictwo Wieś Jutra, 2012, 324-333.
• [40] Zhang G.P., Patuwo E.B., Michael Y. H.: Forecasting with artificial neural networks: The state of the art. Int. J. Forecast., 1998, 14, 35-62.