Informacja

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

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "yield forecast" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Application of satellite remote sensing in investigation of environment in Poland
    Autorzy:
    Ciołkosz, Andrzej
    Białousz, Stanisław
    Powiązania:
    https://bibliotekanauki.pl/articles/703300.pdf
    Data publikacji:
    2008
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    Remote Sensing Centre
    land use
    image maps
    NDVI
    yield forecast
    monitoring of Baltic
    Opis:
    The Remote Sensing Centre has been set up within the Institute of Geodesy and Cartography shortly after launching the first environmental satellite. The main task of the Centre was to use satellite images in research of environment. The Landsat images have been used by the Centre to elaborate the first maps of land use in Poland. Satellite images have also been used to assess the forest damage in Sudety Mountains, elaboration of the satellite maps, assess of the air pollution in the country and elaboration of the soil data bases for Poland. Satellite images acquired in microwaves have been used to map a flood extent in Odra River Valley and to estimate damage caused by the flood. The most diverse application satellite images found in agriculture. They were used for assessment of the stage of crop development, crop yield and production of the cereals in Poland. Several other scientific institutes have also used satellite images in their investigation. One of them was the Institute of Oceanology. It has used satellite images for the Baltic ecosystem monitoring.
    Źródło:
    Nauka; 2008, 3
    1231-8515
    Pojawia się w:
    Nauka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    FORECASTING THE YIELD OF GRAIN CROPS USING FUZZY LOGIC SYSTEMS
    PROGNOZOWANIE WYDAJNOŚCI UPRAW ZBOŻOWYCH Z WYKORZYSTANIEM METODY LOGIKI ROZMYTEJ
    ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ ЗЕРНОВЫХ КУЛЬТУР С ИСПОЛЬ- ЗОВАНИЕМ СИСТЕМ НЕЧЕТКОЙ ЛОГИКИ
    Autorzy:
    Hrytsiuk, Petro
    Bachyshyna, Larysa
    Powiązania:
    https://bibliotekanauki.pl/articles/576798.pdf
    Data publikacji:
    2017-09-18
    Wydawca:
    Międzynarodowy Instytut Innowacji Nauka – Edukacja – Rozwój w Warszawie
    Tematy:
    fuzzy logic, forecast model, grain yield, climatic factors
    rozmyta logika, modele prognostyczne, wydajoność upraw zbożowych, czynniki klimatyczne
    нечеткая логика, прогнозные модели, урожайность зерновых, климатические факторы.
    Opis:
    W artykule omówiono dwa podejścia do budowy modelu prognostycznego wydajności upraw zbożowych: na podstawie równania regresji wielokrotnej i za pomocą rozmytych systemów logicznych. Przeprowadzono analizę wydajności upraw w zależności od warunków klimatycznych. Wykonano analizę porównawczą jakości prognoz z uwzględnieniem wyżej wymienionych dwóch modeli.
    The grain industry has a special place in the export of Ukraine. Ukraine takes the third place for some years in the world by grain supply to the foreign markets. That’s why the problem solving of the agricultural production stability is one of the most important tasks of agricultural industrial complex. The successful forecasts play important role in this. The best forecasts are realized when the qualitative model of the object is developed. Two approaches of the predictive model development are considered in the paper: traditional mathematical and using fuzzy logic systems. The models take into account the influence of climatic factors on grain crops yield.
    В cтатье рассмотрены два подхода к построению прогнозной модели урожайности зерновых культур: на основе уравнения множественной регрессии и с использованием систем нечеткой логики. Проведено исследование зависимости урожайности от погодно-климатических условий. Выполнен сравнительный анализ качества прогноза, полученного на основе построенных моделей.
    Źródło:
    International Journal of New Economics and Social Sciences; 2016, 4(2); 61-70
    2450-2146
    2451-1064
    Pojawia się w:
    International Journal of New Economics and Social Sciences
    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
    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
      Wyświetlanie 1-4 z 4

      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