Gompertz and Logistic Models to the Productive Traits of Sunn Hemp
Notice bibliographique
Résumé
Studies on growth models for productive character of sunn hemp are important to know the behavior of the culture. Therefore, the objective of this research was to adjust non-linear models, Gompertz and Logistic, in the description of productive traits of sunn hemp in two sowing periods. Two uniformity trials were performed. The evaluations began on October the 29th 2014 and December the 16th 2014, totaling 94 and 76 evaluation days for periods 1 and 2, respectively. After the emergence of the seeds of sunn hemp, for first period from 7 days after sowing, and from 2 to 13 days after sowing, on each day, they were collected randomly four plants. The traits: fresh matter leaf, stem, root, shoot, and total, and dry matter leaf, stem, root, shoot, and total. For both models the confidence interval was calculated of parameters a, b and c. The adjustment quality of the Gompertz and Logistic models was verified by the determination coefficient, the Akaike information criteria, residual standard deviation, mean absolute deviation, mean absolute percentage error and mean prediction error. The Gompertz model when compared between the sowing periods through the confidence interval of the parameters, for the productive traits, differs. The same result was found for the Logistic model. The growth models of Gompertz and Logistic presented good adjustment quality.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».