Comparison of Methods for Harvest Prediction in ‘Gigante’ Cactus Pear
Notice bibliographique
Résumé
Behavior analysis and plant expression are the answers the researcher needs to construct predictive models that minimize the effects of the uncertainties of field production. The objective of this study was to compare the simple and multiple linear regression methods and the artificial neural networks to allow the maximum security in the prediction of harvest in ‘Gigante’ cactus pear. The uniformity test was conducted at the Federal Institute of Bahia, Campus Guanambi, Bahia, Brazil, coordinates 14°13′30″ S, 42°46′53″ W and altitude of 525 m. At 930 days after planting, we evaluated 384 basic units, in which were measured the following variables: plant height (PH); cladode length (CL), width (CW) and thickness (CT); cladode number (CN); total cladode area (TCA); cladode area (CA) and cladode yield (Y). For the comparison between the artificial neural networks (ANN) and regression models (single and multiple-SLR and MLR), we considered the mean prediction error (MPE), the mean quadratic error (MQE), the mean square of deviation (MSD) and the coefficient of determination (R2).The values estimated by the ANN 7-5-1 showed the best proximity to the data obtained in field conditions, followed by ANN 6-2-1, MLR (TCA and CT), SLR (TCA) and SLR (CN). In this way, the ANN models with the topologies 7-2-1 and 6-2-1, MLR with the variables total cladode area and cladode thickness and SLR with the isolated descriptors total cladode area and cladode number, explain 85.1; 81.5; 76.3; 74.09 and 65.87%, respectively, of the yield variation. The ANNs were more efficient at predicting the yield of the ‘Gigante’ cactus pear when compared to the simple and multiple linear regression models.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».