Non-destructive Method for Estimating the Leaf Area of Pear cv. ‘Triunfo’
Notice bibliographique
Résumé
The present study had as objective to determine mathematical equations to estimate the leaf area of pear cv. ‘Triunfo’ using linear dimensions of the leaves. For that, 300 healthy leaves of different sizes from each quadrant of plants from the small farm of Boa Vista located in the city of Montanha, at the northern side of the State of Espírito Santo, Brazil were used. The length (L) along the main vein was measured, along with the maximum width (W) of the leaf blade and observed leaf area (OLA), in addition to the product of the length and width (LW) of each leaf. From these measurements models of linear equations of first degree, quadratic and power were adjusted and their respective R2, using OLA as dependent variable and L, W and LW as independent variable. Based on the proposed equations, the data were validated obtaining the estimated leaf area (ELA). The mean of the ELA and OLA were compared by Student t test 5% probability. The mean error (E), the mean absolute error (MAE) and the root mean squared error (RMSE) was also used as validation criterion. The best equation model was defined based on the non-significant values from the comparison of means of ELA and OLA, E, MAE and RMSE values closer to zero and highest R2. The leaf area of pear cv. ‘Triunfo’ can be estimated by the equation ELA = -0.432338 + 0.712862(LW) non-destructively and with a high degree of precision.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 ».