Combined Analysis to Characterize Yield Pattern of Greenhouse-grown Red Sweet Peppers
Notice bibliographique
Résumé
Understanding the irregular yield pattern of greenhouse-grown sweet peppers ( Capsicum annuum L.) has been a challenge to researchers and greenhouse producers. Experimental data from 4 years, each consisting of 26 production weeks, were used in a time series analysis, neural network (NN) modeling, and regression analysis. Time series analysis revealed that weekly yield was influenced by yields from the preceding 2 weeks (Yd_1 and Yd_2), cumulative light 2 and 4 weeks prior (L_2 and L_4), and average 24-h air temperature 5 weeks prior (T_5). Cumulative light (L) data were transformed into kL by dividing by 1000 for subsequent NN modeling and regression analysis. These five inputs were used to establish a NN model, which illustrated the positive influence of Yd_1, kL_4, and kL_2 and negative influence of Yd_2 and T_5. Again, these five inputs were used in a regression analysis illustrating the positive influence of Yd_1 and the negative influence of Yd_2. Each input was further modified to include its squared value before entering the regression, which resulted in significant inputs of Yd_1, Yd_1 squared, and Yd_2 squared. Among these three analyses, the most consistent parameters were Yd_1 and Yd_2, confirming that the irregular yield pattern of greenhouse-grown peppers is of a biological nature. Environmental factors kL_2, kL_4, and T_5 did not show a consistent effect on yield in all three analyses, indicating yield pattern is less influenced by growing environment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».