Predicting models for mass and volume of the sweet cherry (<i>Prunus avium</i>L.) fruits based on some physical traits
Notice bibliographique
Résumé
Khadivi-Khub, A. and Naderiboldaji, M. 2013. Predicting models for mass and volume of the sweet cherry ( Prunus avium L . ) fruits based on some physical traits. Can. J. Plant Sci. 93: 831–838. There are instances when it is desirable to determine relationships among fruit physical attributes. For example, fruits are often graded on the basis of size and projected area, but it may be more economical to develop a machine which grades by mass or volume. Therefore, the relationships between mass/volume (either mass or volume) and other physical attributes of fruit are needed. In this study three Iranian cultivars (Mashhad, Siah Mashhad, Siah Daneshkadeh), of sweet cherry were selected and the various models for predicting mass/volume of sweet cherry from its dimensions, projected areas, and volume/mass were established. The models were divided into three classifications: (1) single and multiple variable regressions of sweet cherry dimensions, (2) single and multiple variable regressions of projected areas and (3) estimating sweet cherry mass/volume based on its volume/mass. Moreover, some physical characteristics, such as dimensional characteristics, true density, bulk density, and porosity were determined with common methods. Results revealed that mass modeling based on minor diameter, three projected areas, and the measured volume are the best models. The highest determination coefficient in all the models was obtained for mass modeling based on measured volume as R2= 0.93. At last, mass modeling from an economic standpoint was recommended as the most reliable modeling.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».