An Artificial Neural Network Model to Predict Wheat Stem Sawfly Cutting in Solid-Stemmed Wheat Cultivars
Notice bibliographique
Résumé
The wheat stem sawfly, Cephus cinctus Norton (Hymenoptera: Cephidae), is a major pest of wheat (Triticum aestivum L.) in the northern Great Plains of North America. The use of solid-stemmed cultivars helps mitigate crop losses and can also affect the survivorship of C. cinctus. The efficacy of a plant’s resistance is based on its ability to develop pith in the culm of the stem, which is influenced greatly by interactions between the genotype and environment. Precipitation-related weather interacts with photoperiod to reduce pith expression in solid-stemmed wheat. A model that predicts pith expression could serve as a management tool to prevent losses by alerting producers if in-season precipitation patterns have caused less than ideal pith expression in a cultivar. Artificial Neural Network (ANN) models are used to make predictions for complex, non-linear systems with many co-related variables. Our objective was to improve upon past models that used regression analyses by deploying an ANN model to predict in-season stem cutting of wheat by wheat stem sawfly. Results indicate that stem cutting is influenced by the precipitation within a 5 wk period from 1 June to 5 July. These results were successfully deployed in a model that should assist with predictions of potential late season stem cutting. Deployment of this ANN model as a transferable executable file may facilitate predictions of stem cutting by wheat stem sawfly in any given year, which will empower producers to implement the appropriate harvest management strategies to reduce losses.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».