A Price-Forecast-Based Irrigation Scheduling Optimization Model under the Response of Fruit Quality and Price to Water
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Different from the traditional irrigation optimization model based only on the water production function, in this study, we explored the water–yield–quality–benefit relationship and established a general irrigation scheduling optimization framework. To establish the framework, (1) an artificial neural network coupled with ensemble empirical mode decomposition (EEMD-ANN) is used to decompose the original price time series into several subseries and then forecast each of them; (2) factor analysis and a technique for order of preference by similarity to ideal solution (FA-TOPSIS), as an integrated evaluation method, is used to comprehensively evaluate the fruit quality parameters; and (3) regression analysis is used to simulate water-yield and water-fruit quality relationships. The model is applied to a case study of greenhouse tomato irrigation schedule optimization. The results indicate that EEMD-ANN can improve the accuracy of price forecasting. Jensen and additive models are selected to simulate the relationships of tomato yield and quality with water deficit at various stages. Besides, the model can balance the contradiction between higher yields and better quality, and optimal irrigation scheduling is obtained under different market conditions. Comparison between the developed model and a traditional modeling approach indicates that the former can improve net benefits, fruit quality, and water use efficiency. This model considers the economic mechanism of market price changing with fruit quality. Forecasting and optimization results can provide reliable and useful advices for local farmers on planting and irrigation.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle