Estimating Fresh Weight of Individual Pea Shoots Using Measurable Morphological Characteristics
Notice bibliographique
Résumé
Nondestructive estimation of individual shoot fresh weight (FW) from its measurable morphological traits is useful for a wide variety of purposes in pea shoot production. To predict individual shoot FW, nine regression models in total were developed, including two power models using stem diameter (SMD) or stem length (SML) as a variable, and seven linear models using part or all the following variables: SMD, SML, leaflet length (LL), leaflet width (LW), stipule length (SEL), and stipule width (SEW). Among the nine models, the 6-variable linear equation had the highest coefficient of determination, R 2 = 0.92, indicating it is most effective at explaining the variation in FW. The linear equations including only one variable, SMD or SML, were equally the least effective as nonlinear equations (i.e., power models). This finding suggests that there was a linear rather than nonlinear relationship between FW and the morphological variables. During stepwise regression, SEW and LW together were first removed from the 6-variable linear models without reducing the R 2 , and then SEL, SMD, SML were further removed one-by-one, which reduced the R 2 from 0.92 to 0.90, 0.85, and 0.71, respectively. The result suggests that SMD, SML, SEL, and LL were the most important four predictor variables for multivariable linear regression models to estimate FW, an idea that was also supported by path analysis. For the four linear models with 1–4 predictor variables from stepwise regression, the prediction accuracy of FW was evaluated based on the agreement between the predicted and measured values using another independent dataset. The 4- and 3-variable linear models (i.e., FW = −1.437 + 0.276 SMD + 0.010 SML + 0.022 LL + 0.013 SEL and FW = −1.383 + 0.308 SMD + 0.011 SML + 0.030 LL, respectively) were selected for their more accurate prediction than 1- and 2-variable linear models and relatively simpler forms than a 6-variable linear model. Although the prediction accuracy can be potentially affected by air temperature, light conditions, and harvesting time, the multilinear regression model is an effective approach for estimating fresh weight of individual pea shoots using its measurable morphological traits.
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 | 0,000 | 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 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 ».