Canadian Prairies, Agronomy Journal,92(6):1047-1053. Forecasting Spring Wheat Yield Using Time Series Analysis: A Case Study for the Canadian Prairies
Notice bibliographique
Résumé
Techniques commonly used for wheat yield estimation employ weather data over the growing season. However, yield estimates are also required before wheat is sown- particularly by the grain exporting agencies to help them determine, in advance, wheat-export targets. In that case, time series techniques relying only on past yield data can be used for yield forecasting. In this paper, a procedure for applying time series analysis to forecast yield is described. A few relevant techniques (linear trend, quadratic trend, simple exponential smoothing, double exponential smoothing, simple moving averaging, and double moving averaging) are tested to model the average spring wheat yield series for Saskatchewan, Canada. Using 1975-1993, 1975-1994, and 1975-1995 spring wheat yield data, yields were forecasted for 1994, 1995, and 1996, respectively. Based on a deterministic measure (i.e., mean squared error), it was found that the quadratic model produced most accurate forecast during the model development periods (1975-93, 1975-94, and 1975-95) and model testing periods (1994, 1995, and 1996, respectively). Nonetheless, on the basis of stochastic measures (coefficient of determination, R2, Durban-Watsun statistic, and coefficient of autocorrelation), the simple moving averaging technique was
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».