Wyniki wyszukiwania - BazTech

1

Sweet Corn Yield Simulation Using Normalized Difference Vegetation Index and Leaf Area Index

Lykhovyd Pavlo

Journal of Ecological Engineering

|

2020

|

Vol. 21, nr 3

228--236

EN

The authors determined the accuracy and reliability of yielding models by using the values of two differently obtained indices – the leaf area index (LAI) obtained through direct surface measurements, and the normalized difference vegetation index (NDVI) obtained through spatial remote sensing of crops. The study based on the drip-irrigated sweet corn yielded the data obtained in the field experiment held in the semi-arid climate on darkchestnut soil in the South of Ukraine. The suitability of the LAI and NDVI for the simulation of sweet corn yields was estimated by the regression analysis of the yielding data by correlation (R) and determination (R2) coefficients. Additionally, mathematical models for the crop yields estimation based on the regression analysis were developed. It was determined that LAI is a more suitable index for the crop yield prediction: the R2 value was 0.92 and 0.94 against 0.85 for the NDVI-based models.I It was determined that it is better to use the LAI values obtained at the stage of flowering, when R2 averaged to 0.94, and the NDVI-based models does not depend on the crop stage (the R2 was 0.85 both for the flowering and ripening stages of the plant development). The combined NDVI-LAI model showed that there is no necessity in the complication of the LAI-based model through introduction of the remotely sensed index because of insignificant improvement in the performance (R2 was 0.94 and 0.92).

2

Spring Row Crops Productivity Prediction Using Normalized Difference Vegetation Index

Vozhehova Raisa, Maliarchuk Mykola, Biliaieva Iryna, Lykhovyd Pavlo, Maliarchuk Anastasiia, Tomnytskyi Anatoliy

Journal of Ecological Engineering

|

2020

|

Vol. 21, nr 6

176--182

EN

The results of statistical modelling for the yields prediction of spring row crops, namely, maize, sorghum and soybean, depending on the values of the remotely sensed normalized difference vegetation index (NDVI) at critical stages of the crops growth and development were presented. The spatial NDVI data obtained from the Sentinel-2 satellite were used to create the models. Quadratic regression analysis was applied to develop the yielding models based on true yield data of the crops obtained in the period of 2017 and 2018 at the experimental field of the Institute of Irrigated Agriculture of NAAS, Ukraine. The results of statistical modelling revealed that the method is suitable for precise yield prediction, and the best stages for NDVI screening and use in this purpose are different for the studied crops. The best accuracy of prediction could be obtained at the stage of tasselling (VT) or silking (R1) for maize (the mean absolute percentage error MAPE is 8.75%); at the stage of second trifoliate (V2) for soybean (MAPE is 3.75%), and at the stage of half bloom (S6) for sorghum (MAPE is 17.62%). The yield predictions by NDVI are reliable at a probability level of 95% (p < 0.05).

3

Multiple regression analysis model to predict and simulate winter rapeseed yield

Niedbała G., Piekutowska M., Adamski M.

Journal of Research and Applications in Agricultural Engineering

|

2018

|

Vol. 63, nr 4

139--144

EN

The aim of the work is to create a model for prediction and simulation of winter rapeseed yield. The model made it possible to perform a yield forecast on 30 June, directly before harvest in the current agrotechnical season. The prediction model was built using the multiple regression method (MLR). The model was based on meteorological data (air temperature and precipitation) and information about mineral fertilization. The data were collected from the years 2008-2017 from 291 production fields located in Poland, in the southern Opole region. The assessment of the quality of forecasts generated on the basis of the regression model was verified by determining prediction errors using RAE, RMS, MAE and MAPE error meters. An important feature of the created prediction model concerns the possibility of making the forecast in the current agrotechnical year on the basis of the current weather and fertilizer information.

PL

Celem pracy było zbudowanie modelu do predykcji i symulacji plonu rzepaku ozimego. Model ten umożliwił wykonanie prognozy plonu na dzień 30 czerwca, bezpośrednio przed zbiorem w aktualnie trwającym sezonie agrotechnicznym. Do budowy modelu predykcyjnego użyto metody regresji wielorakiej (MLR). Model powstał w oparciu o dane meteorologiczne (temperatura powietrza i opady atmosferyczne) oraz informacje o nawożeniu mineralnym. Dane zostały zebrane z lat 2008- 2017 z 291 pól produkcyjnych zlokalizowanych w Polsce, na obszarze południowej Opolszczyzny. Ocena jakości prognoz wytworzonych na bazie modelu regresyjnego 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.

4

Modeling methods of predicting potato yield - examples and possibilities of application

Piekutowska M., Niedbała G., Adamski M., Czechlowski M., Wojciechowski T., Czechowska-Kosacka A., Wójcik Oliveira K.

Journal of Research and Applications in Agricultural Engineering

|

2018

|

Vol. 63, nr 4

176--180

EN

The purpose of the following work is to review the methods used in predicting plant yields, with particular emphasis on potato production. The article refers to the histological methods of estimating plant yields and prevailing trends: groundbased remote sensing, which is often associated with regression calculus, multiple regression, artificial intelligence and image analysis. There are also two popular models SUBSTOR and LINTUL-POTATO, which are the foundation for developing more and more accurate tools of potato yield estimation. There are many methods that allow to predict yields before the end of the growing season. The most important element in creating prediction models is choosing the appropriate number of independent variables that actually shape the yielding of potatoes. Timely and accurate prediction of crop yields improve the management of agricultural production as well as limit financial, quantitative and qualitative losses of crops.

PL

Celem niniejszej pracy był przegląd metod wykorzystywanych w prognozowaniu plonów roślin ze szczególnym uwzględnieniem produkcji ziemniaka. W artykule nawiązano do historycznych sposobów szacowania plonów roślin oraz obecnie panujących trendów w predykcji: teledetekcji naziemnej, która często powiązana jest z rachunkiem regresyjnym, regresji wielorakiej, sztucznej inteligencji, analizie obrazów. Wspomniano także o dwóch popularnych modelach SUBSTOR i LINTULPOTATO, które stworzyły podwaliny do opracowywania coraz dokładniejszych narzędzi prognozujących plony ziemniaków. Wiele metod pozwala na predykcję plonów przed zakończeniem sezonu wegetacyjnego. Najistotniejszym elementem tworzenia modeli predykcyjnych jest dobór odpowiedniej liczby zmiennych niezależnych, które rzeczywiście kształtują plonowanie ziemniaków. Terminowe i dokładne prognozy plonów roślin uprawnych usprawniają zarządzanie produkcją rolniczą, pozwalają na ograniczanie strat finansowych, ilościowych i jakościowych plonów.

5

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.

6

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.