Logistic model analysis of winter wheat growth on China's Loess Plateau
Notice bibliographique
Résumé
Xiangxiang, W., Quanjiu, W., Jun, F., Lijun, S. and Xinlei, S. 2014. Logistic model analysis of winter wheat growth on China's Loess Plateau. Can. J. Plant Sci. 94: 1471–1479. The leaf area index (LAI) and above-ground biomass are closely related to crop growth status and yields. Therefore, analysis of their variation and development of a mathematical model for their prediction can provide a theoretical basis for further research. This paper presents a new equation for logistic pattern that calculates above-ground biomass and LAI for different irrigation treatments independent of growing degree days (GDD) and plant height. The model root mean square of error (RMSE) for the LAI was from 0.25 to 1.36, and for above-ground biomass it was from 0.49 to 1.34. The r2 values for the model's output under the single irrigation, double irrigation, triple irrigation, and quadruple irrigation treatments were 0.98, 0.87, 0.96, 0.98 and 0.99, respectively. For above-ground biomass they were 0.96, 0.97, 0.99, 0.97, and 0.97, respectively. The relative error for LAI ranged from 0.026 to 15.2%. For above-ground biomass, the Re ranged from 5.78 to 8.79%. The results gave good agreement between the estimated values and the measured values. The Logistic model was good at estimating the LAI and the above-ground biomass from the plant height.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».