Wyniki wyszukiwania - BazTech

1

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

Niedbała G.

Journal of Research and Applications in Agricultural Engineering

|

2018

|

Vol. 63, nr 4

125--131

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.

2

Predykcja plonów buraka cukrowego przy wykorzystaniu technik neuronowych

Niedbała G., Przybył J., Sęk T.

Inżynieria Rolnicza

|

2005

|

R. 9, nr 8

285--291

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.

3

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

Niedbała G., Przybył J., Boniecki P., Sęk T.

Inżynieria Rolnicza

|

2005

|

R. 9, nr 2

123--130

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.