Temat: multiple regression - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Application of multiple linear regression for multi-criteria yield prediction of winter wheat
Zastosowanie analizy regresji wielorakiej dla wielokryterialnej prognozy plonów pszenicy ozimej
Autorzy:: Niedbała, G.
Powiązania:: https://bibliotekanauki.pl/articles/335462.pdf
Data publikacji:: 2018
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: forecast
multiple regression
MLR
winter wheat
yield prediction
prognoza
regresja wielokrotna
pszenica ozima
predykcja plonu
Opis:: 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.
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.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2018, 63, 4; 125-131
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Multiple regression analysis model to predict and simulate winter rapeseed yield
Model analizy regresji wielorakiej dla prognozy i symulacji plonu rzepaku ozimego
Autorzy:: Niedbała, G.
Piekutowska, M.
Adamski, M.
Powiązania:: https://bibliotekanauki.pl/articles/336860.pdf
Data publikacji:: 2018
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: Forecast
multiple regression
MLR
winter rapeseed
yield prediction
prognoza
regresja wielokrotna
rzepak ozimy
prognoza plonu
Opis:: 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.
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.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2018, 63, 4; 139-144
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Modeling greenhouse gas emissions from livestock farming in Poland with the use of stepwise multiple regression
Modelowanie emisji gazów cieplarnianych uwalnianych z chowu zwierząt gospodarskich w Polsce z wykorzystaniem regresji krokowej wielorakiej
Autorzy:: Kolasa-Więcek, A.
Powiązania:: https://bibliotekanauki.pl/articles/336566.pdf
Data publikacji:: 2013
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: regresja wieloraka
regresja krokowa wsteczna
modelowanie
metan
podtlenek azotu
zwierzęta gospodarskie
Multiple Regression
backward stepwise regression
modeling
methane
nitrous oxide
livestock
Opis:: Gazy cieplarniane emitowane przez rolnictwo to przede wszystkim metan (CH4) i podtlenek azotu (N2O). Szacuje się, iż 18% światowej emisji gazów cieplarnianych pochodzi z chowu zwierząt gospodarskich. W artykule zaprezentowano wyniki modelowania regresyjnego w emisji metanu i podtlenku azotu z chowu zwierząt gospodarskich w Polsce. Badania przeprowadzono dla emisji uwalnianych z fermentacji jelitowej zwierząt (CH4) oraz zarządzania obornikiem (CH4 i N2O). Modelowanie krokowe wsteczne umożliwiło dokładne określenie wielkości udziału pogłowia zwierząt w emisjach. I tak w przypadku emisji CH4 z fermentacji jelitowej otrzymano współczynniki Beta o wartościach: dla krów - 0,667 oraz pozostałego bydła 0,339. Modelowanie emisji CH4 z zarządzania obornikiem wskazało na udział w kolejności znaczenia następujących zmiennych: pogłowia trzody chlewnej (współczynnik Beta równy 0,986), kóz (-0,61), drobiu kurzego (0,421) oraz owiec (0,312). W przypadku emisji N2O uwalnianych z zarządzania obornikiem wysoki współczynnik odnotowano dla zmiennej pogłowie krów (0,812) oraz znaczniej niższy dla trzody chlewnej (0,227). W każdym z rozpatrywanych przypadków uzyskano wysokie dopasowanie modelu do danych.
Primarily methane (CH4) and nitrous oxide (N2O) are greenhouse gases emitted by agriculture. It is estimated that 18% of global greenhouse gas emissions originates from livestock farming. This paper presents the results of the regression modeling of methane and nitrous oxide from livestock farming in Poland. The study was conducted for the emissions released from animal enteric fermentation (CH4) and manure management (CH4 and N2O). Modeling stepwise allowed a precise determination of the share of livestock population in the emissions. And so, in the case of CH4 emissions from enteric fermentation Beta coefficients obtained values: for cows - 0.667 and 0.339 for rest of cattle. Modeling CH4 emissions from manure management pointed to participation of the following variables, in order of importance: pigs population (Beta coefficient equal to 0.986), goats (-0.61), poultry chicken (0.421) and sheep population (0.312). In the case of N2O emissions released from manure management a high rate has been recorded for cows population (0.812), and significantly lower for pigs (0.227). In each of considered cases a high fitting of the model to the data has been obtained.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2013, 58, 1; 78-85
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 4.

Tytuł:: Relationships between selected traits in maize (Zea mays L.). Part 2. Multiple linear regression
Współzależność pomiędzy wybranymi cechami kukurydzy (Zea mays L.). Cz. 2. Liniowa regresja wielokrotna
Autorzy:: Bocianowski, Jan
Cyplik, Adrian
Szulc, Piotr
Kobus-Cisowska, Joanna
Powiązania:: https://bibliotekanauki.pl/articles/336819.pdf
Data publikacji:: 2019
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: maize
multiple linear regression
grain yield
kukurydza
liniowa regresja wielokrotna
plon ziarna
Opis:: The study comprised of 13 maize cultivars, evaluated at two years in a randomized complete block design, with four replicates. To assess the quantitative impact of individual traits on the grain yield the multiple regression analysis was used. We observed grain yield and seven quantitative traits: SPAD, length of ears, number of kernels in row, damage of maize caused by P. nubilalis, infection of maize by Fusarium spp., number of ears and content of chlorophyll a.
Badanie obejmowało 13 odmian kukurydzy, analizowanych w dwóch latach w doświadczeniach polowych, w układzie bloków losowanych kompletnych, w czterech powtórzeniach. Do oceny wpływu poszczególnych cech ilościowych na plon ziarna zastosowano analizę funkcji regresji wielokrotnej. Obserwowano plon ziarna i siedem cech ilościowych: SPAD, długość kolby, liczba ziaren w rzędzie, procent roślin uszkodzonych przez P. nubilalis, porażenie przez Fusarium, liczba kolb oraz zawartość chlorofilu a.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2019, 64, 3; 15-19
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 5.

Tytuł:: The utilization of information about local variable environmental conditions to predict the quality of wheat grain during the harvest
Wykorzystanie informacji o lokalnie zmiennych warunkach środowiskowych w celu przewidywania jakości ziarna pszenicy podczas zbioru
Autorzy:: Czechlowski, M.
Wojciechowski, T.
Powiązania:: https://bibliotekanauki.pl/articles/337691.pdf
Data publikacji:: 2013
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: grain quality
multiple regression
environmental conditions
selective grain harvest
VIS-NIR spectroscopy
jakość ziarna
regresja wieloraka
warunki środowiskowe
selektywny zbiór zbóż
spektroskopia VIS-NIR
Opis:: 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.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2013, 58, 1; 31-34
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "multiple regression" wg kryterium: Temat

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język