Determination of the Leaflet Area of Schinus terebinthifolius Raddi in Function of Linear Dimensions
Notice bibliographique
Résumé
The objective of this study was to select mathematical equations that best fit the estimation of the leaf area of pink pepper (Schinus terebinthifolius Raddi) from the linear leaflet dimensions. 500 leaflets with different physiological ages of a commercial plantation were collected, located in the region of Gameleira, municipality of São Mateus, North of the State of Espírito Santo, Brazil. Was measured the length (L) along the main midrib, the largest width (W) and the observed leaf area (OLA) of each sheet. The product of the multiplication between L and W of the leaflets (LW) was determined. For the modeling the measurements of 400 leaflets were used, where OLA was used in function of L, W or LW. Based on the models found, we obtained the estimated leaf area (ELA). A simple linear regression was fitted for each proposed model of OLA in function of ELA. We tested the hypotheses H0: β0 = 0 versus Ha: β0 ≠ 0 and H0: β1 = 1 versus Ha: β1 ≠ 1, using Student’s t test at 5% probability. The mean values of ELA and OLA were compared by Student’s t test 5% probability. It was determined the mean error (E), mean absolute error (MAE), root mean square error (RMSE) and Willmott d index. The best adjusted equation was chosen by linear coefficient (β0) not different from zero, angular coefficient (β1) not unlike one, non-significant values of ELA and OLA, E, EAM and RQME closer to zero and Willmott’s index d closer to one. In this way, the leaf area of leaflets of Schinus terebinthifolius Raddi can be estimated by the quadratic model equation ELA = -2.6646 + 2.2124W + 1.3953(W)2 , using only the width of the leaves as a measure.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».