- Tytuł:
-
Application of artificial neural networks for the prediction of quality characteristics of potato tubers - Innovator variety
Zastosowanie sztucznych sieci neuronowych do predykcji cech jakościowych bulw ziemniaka odmiany Innovator - Autorzy:
-
Niedbała, G.
Piekutowska, M. - Powiązania:
- https://bibliotekanauki.pl/articles/335124.pdf
- Data publikacji:
- 2018
- Wydawca:
- Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
- Tematy:
-
potato
Innovator
dry matter
neural networks
sensitivity analysis
MLP
ziemniak
sucha masa
sieci neuronowe
analiza wrażliwości - Opis:
-
The aim of the research was to create a model for prediction of tuber dry matter on the basis of underwater weight of tubers (UWW), with the use of neural modelling methods. In order to achieve the aim of the study, data from the years 2011-2017 were collected from the production fields of an individual farm located at the border of Pomeranian and West Pomeranian Voivodeships in Słupski and Sławieński districts. The subject of the research concerned potatoes of the Innovator variety, which were grown for processing purposes - production of French fries. To build a neural model, data from September sampling as well as meteorological and fertilizer data were used. A total of 82 learning cases from the fields covered by the analyses were used, which were divided into two sets. Set 1, for the construction of the neural model consisted of 75 samples. Set 2, which consisted of 7 randomly selected samples, had a validation function and did not participate in the construction of the neural model. For proper model validation, four forecast error measures were used, i.e. relative approximation error (RAE), root mean square error (RMS), mean absolute error (MAE), mean absolute percentage error (MAPE). The model MLP 8:8-12-5-1:1 (BP100,CG31b) was based on eight inputs (meteorological data, fertilization levels) and one output (dry matter of tubers under water). The analysis resulted in a forecast error of 2.81% of MAPE. Moreover, the sensitivity analysis of the neural network showed that the mean air temperature in the period from April to September (T4-9) had the greatest influence on the dry matter of tubers.
Celem pracy było wytworzenie modelu do predykcji suchej masy bulw na podstawie masy bulw pod wodą z wykorzystaniem metod modelowania neuronowego. Dla realizacji celu pracy zebrano dane pochodzące z lat 2011-2017 pochodzące z pól produkcyjnych gospodarstwa indywidualnego, zlokalizowanego przy granicy województw pomorskiego i zachodniopomorskiego w powiatach słupskim i sławieńskim. Przedmiotem badań były ziemniaki odmiany Innovator, które uprawiano na cele przetwórcze - produkcję frytek. Do budowy modelu neuronowego, wykorzystano dane pochodzące z wrześniowych próbkowań oraz dane meteorologiczne i nawozowe. Łącznie użyto 82 przypadków uczących pochodzących z pól objętych analizami, które zostały podzielone na dwa zbiory. Zbiór 1, do budowy modelu neuronowego składał się z 75 prób. Zbiór 2, który tworzyło 7 losowo wybranych prób, pełnił funkcję walidacyjną i nie uczestniczył w budowie modelu neuronowego. Dla właściwej walidacji modelu zastosowano cztery mierniki błędów prognozy, tj. globalny względny błąd aproksymacji modelu (RAE), błąd średniokwadratowy (RMS), błąd średni bezwzględny (MAE), błąd średni bezwzględny procentowy (MAPE). Wytworzony model MLP 8:8-12-5-1:1 (BP100,CG31b) bazował na ośmiu wejściach (dane meteorologiczne, poziomy nawożenia) i jednym wyjściu (sucha masa bulw pod wodą). W wyniku przeprowadzonych analiz uzyskano wynik błędu prognozy na poziomie 2.81% MAPE. Ponadto analiza wrażliwości sieci neuronowej wykazała, że największy wpływ na suchą masę bulw miała średnia temperatura powietrza w okresie od kwietnia do września (T4-9). - Źródło:
-
Journal of Research and Applications in Agricultural Engineering; 2018, 63, 4; 132-138
1642-686X
2719-423X - Pojawia się w:
- Journal of Research and Applications in Agricultural Engineering
- Dostawca treści:
- Biblioteka Nauki
Artykuł