Neural network modelling to predict weekly yields of sweet peppers in a commercial greenhouse
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The production of greenhouse-grown sweet pepper (Capsicum annuum L.) is irregular with a peak-and-valley pattern of weekly yields. We monitored the yields and environment in a commercial greenhouse in British Columbia over six (2000–2005) growing seasons. Light was defined as cumulative light over the current week, with L_1, L_2, L_3, L_4, L _ 5 and L_6 representing light over previous weeks. Temperature (AvgT) was defined as the current weekly average of 24-h air temperatures, with T_1, T_2 and T_3 representing temperatures over previous weeks. Inputs were also created for the current weekly yield (Y) and previous weekly yields (Y_1, Y_2, Y_3 and Y_4). Neural network (NN) modelling with up to 21 inputs was used to predict yields 1 wk (Y + 1) and 2 wk (Y + 2) in advance of the actual fruit harvest. Data for five different years were combined for model training with the year to be predicted held separate as a validation set. The best models used 13 inputs to predict Y + 1 with an average R 2 of 0.66 over the 6 yr. Y_4, Y-Y_1, Y_1, L_1, Y, Y_3, Y-Y_3 and wk (of the year) were important inputs. The environmental inputs were of lesser importance, which suggests that the cyclic nature of pepper yields is inherent in the pepper biology. Predicting Y + 2 was more difficult with an average R 2 of 0.59 over the 6 yr. NN have good potential for predicting pepper yields. Key words: Capsicum annuum L., flushing, fruit, greenhouse production, neural networks
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.
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 découle