Mathematical Modeling for Leaf Area Estimation From Papaya Seedlings ‘Golden THB’
Notice bibliographique
Résumé
The aim of this study was to select the most suitable model for leaf area estimation from papaya seedlings cv. ‘Golden THB’ using linear dimensions of leaves with unilobular and trilobular morphology. It was used leaves of 60 seedlings with 30 days after sowing produced in nursery of the Fazenda Santa Teresinha which belongs to company Caliman Agrícola S.A., in the municipality of Linhares, state of Espírito Santo, in March 2016. The measurement of the length (L) was performed along the midrib, the maximum width (W) of the leaf blade, the product of the length by the width (LW) and the observed leaf area (OLA). From these results, first degree and power linear regression models was adjusted. From the proposed regression models, the validation was performed with a leaves sample of 60 seedlings produced in June 2016, obtaining, thus, the estimated leaf area (ELA). The following criteria were used to choose the best model: the highest coefficient of determination (R2), the values do not significant of the comparison of means of OLA and ELA and values of MAE and RMSE closer to zero. The leaf area estimation from papaya seedlings cv. ‘Golden THB’ can be represented through equation ELA = -0.402619 + 0.612525(LW) for trilobular leaves and through equation ELA = 0.623355 + 0.610552(LW) for unilobular leaves.
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 | 0,001 |
| 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) | 0,001 | 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 ».