Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Journal of Research and Applications in Agricultural Engineering

2 2013

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: VIS-NIR spectroscopy

Sortuj według:

Ogranicz wyniki do:

The utilization of information about local variable environmental conditions to predict the quality of wheat grain during the harvest

Czechlowski M., Wojciechowski T.

Journal of Research and Applications in Agricultural Engineering

2013

Vol. 58, nr 1

31--34

The study presents the correlation between the quality of winter wheat grain, understood as the content of protein, and the parameters of harvested grain (moisture and yield) and locally variable environmental conditions (relative altitude, the content of total Kjeldahl nitrogen, exchangeable phosphorus and potassium, magnesium, the pH coefficient, the content of organic matter in soil). The results obtained on the basis of the data collected from 5 production fields of the total area of 112 ha give grounds for the conclusion that by application of multiple regression it is possible to construct a relatively precise model for prediction of the content of protein in wheat grain even on the basis of the measurement of easily obtainable information about the relative altitude and yield. However, the effectiveness of the model will be limited to a small field area. The construction of universal model using information about locally variable environmental conditions is difficult due to the strong variability of the correlation between the analysed traits describing environmental conditions and the content of protein in wheat grain. The study was a part of the development project No. R12 0073 06 entitled "Development and validation of the technology for separation grain stream during cereals selective harvesting ", financed by the Polish Ministry of Science and Higher Education.

W pracy przedstawiono zależności pomiędzy jakością ziarna pszenicy ozimej, rozumianą jako zawartość białka, a parametrami zbieranego ziarna (wilgotność i wielkości plonu) oraz lokalnie zmiennymi warunkami środowiskowymi (względna wysokość n.p.m., zawartość azotu ogólnego, wymiennego fosforu i potasu, oraz magnezu, współczynnik pH, zawartość materii organicznej w glebie). Wyniki uzyskane w oparciu o dane zgromadzone na 5 produkcyjnych polach o łącznej powierzchni 112,78 ha pozwalają stwierdzić, że stosując regresję wieloraką można zbudować stosunkowo dokładny model do predykcji zawartości białka w ziarnie pszenicy nawet w oparciu o pomiar łatwych do pozyskania informacji o względnej wysokości n.p.m. i wielkości polonu, jednak jego skuteczność będzie ograniczona do niewielkiego obszaru powierzchni. Budowa uniwersalnego modelu wykorzystującego informacje o lokalnie zmiennych warunkach środowiskowych jest utrudniona ze względu na silną zmienność zależności pomiędzy analizowanymi cechami opisującymi warunki środowiskowe, a zawartością białka w ziarnie pszenicy. Pracę zrealizowano w ramach projektu rozwojowego nr R12 0073 06 pt: „Opracowanie i walidacja technologii rozdziału strumienia ziarna podczas selektywnego zbioru zbóż” finansowanego przez MNiSW.

The use of artificial neural networks to predict the spatial variability of grain quality during combine harvest of wheat

Niedbała G., Czechlowski M., Wojciechowski T.

Journal of Research and Applications in Agricultural Engineering

2013

Vol. 58, nr 1

126--129

The aim of the study was to attempt to build and validate the neural model controlling the qualitative selection of the stream of grain mass as early as the stage of combine harvesting of winter wheat. The model uses the highest possible number of data describing locally changeable environmental conditions such as: protein content, moisture and yield of wheat grain, soil abundance in basic nutrients (total Kjeldahl nitrogen, exchangeable phosphorus and potassium, magnesium) and additionally - the pH coefficient, content of organic matter in soil and the relative altitude. The construction of the neural model was preceded with a multiple regression analysis. The results of the analysis (α = 0.05) indicated statistical significance of all of the traits under analysis, which influence grain quality and are defined as the content of protein. The MLP neural network (9-30-1) consisted of one hidden layer containing 30 neurons, one output and nine inputs. The network learning was done with the BFGS (Broyden-Fletcher-Goldfarb-Shanno) algorithm in a single phase during 827 epochs with the SOS error function. The study was a part of the development project No. R12 0073 06 entitled “Development and validation of the technology for separation grain stream during cereals selective harvesting”, financed by the Polish National Centre for Research and Development.

Celem pracy było podjęcie próby budowy i walidacji modelu neuronowego sterującego selekcją jakościową strumienia masy ziarna już na etapie kombajnowego zbioru pszenicy ozimej. Model wykorzystuje jak najwięcej danych opisujących lokalnie zmienne warunki środowiskowe takie jak: zawartości białka, wilgotność i wielkość plonu ziarna pszenicy, zasobność gleby w podstawowe składniki pokarmowe (azot ogólny, fosfor i potas wymienny, magnez) oraz dodatkowo współczynnik pH, zawartość materii organicznej w glebie oraz wysokość względną NPM. Budowę modelu neuronowego poprzedzono analizą regresji wielorakiej. Wyniki tej analizy na poziomie α = 0,05 wskazały istotność statystyczną wszystkich badanych cech wpływających na jakość ziarna zdefiniowaną jako zawartość białka. Zbudowana sieć neuronowa typu MLP (9-30-1) składała się jednej warstwy ukrytej zawierającej 30 neuronów, jednego wyjścia i dziewięciu wejść. Uczenie sieci z wykorzystaniem algorytmu BFGS wykonano jednofazowo w trakcie 827 epok z funkcją błędu SOS. Pracę zrealizowano w ramach projektu rozwojowego nr R12 0073 06 pt: „Opracowanie i walidacja technologii rozdziału strumienia ziarna podczas selektywnego zbioru zbóż” finansowanego przez NCBIR.