Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "yield forecast" wg kryterium: Wszystkie pola


Wyświetlanie 1-2 z 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
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
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies