Neural network models to predict the maturity of spring wheat in western Canada
Notice bibliographique
Résumé
The Canadian Wheat Board (CWB) and the railways require accurate predictions of harvest dates to facilitate the movement of grain from the Canadian Prairies. Our objective was to develop neural network (NN) models to predict, 4–8 wk in advance, the maturity date of spring wheat (Triticum aestivum L.) across the Prairies with an accuracy of 0.5 wk. We used soil and climatic zone information, cultivar, CWB wheat class, seeding date, and the first 9 wk of weather after seeding to predict days to maturity in the standing crop from seeding date. Our first Prairie-wide model (MD1), derived from data at 76 locations over 1970 –1995, performed well (R 2 = 0.82–0.83, average absolute error = 3.0–3.1 d), but used solar radiation inputs, which may not always be available. Therefore, a second model (MD2) was developed (R 2 = 0.76–0.80, average absolute error = 3.3–3.4 d) without solar radiation inputs. A third model (MD3) was developed (R 2 = 0.72, average absolute error = 3.8 d) specifically for Canada Western Red Spring (CWRS) wheat grown at dryland locations. The MD2 and MD3 models were tested on more recent (1996–1998) data, but their performance was poor (R 2 = 0.26–0.33; average absolute errors = 5.2–6.9 d) because of differences in the weather data. Thus, a fourth model (MD4) was developed (R 2 = 0.85–0.90; average absolute error = 2.7–2.8 d) using 1989–1998 crop data from 19 locations combined with more recent Environment Canada “Real Time” Weather (ECRTW) data. Considering the variation in soil types, cultivars, seeding dates, and weather conditions across the Prairies, the NN models gave accurate predictions of wheat maturity. Key words: Neural networks, model, wheat, maturity, weather, Canadian prairies
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».