Az őszi búza virágzási és érési időpontjainak előrejelzése hosszú fenológiai adatsorok alapján
Bibliographic record
Abstract
A meteorológiai viszonyok és az ôszi búza fejlôdése közötti kapcsolatot leíró modell fejlesztésének elsô lépéseként megvizsgáltuk, hogy kizárólag fenológiai adatok felhasználásával milyen pontosságú módszer dolgozható ki.E munkánkban azt elemeztük, hogy az ôszi vetési és kelési idôpontok alapján milyen pontossággal lehetséges a virágzás és érés idôpontjának elôrejelzése.Úgy véltük ugyanis, hogy kis bemenô adatigényû és viszonylag távoli fenológiai jelenségek között kapcsolatot teremtô módszerünk segítségével -annak megfelelô használhatósága esetén -széles körben lehetôség nyílna a gyakorlat számára fontos fejlôdési jelenségekkel kapcsolatos megalapozott döntések kellô idôben való meghozatalára.Az ország különbözô területeit reprezentáló 7 állomás 30 évnél hosszabb fenológiai adatsorait használtuk fel vizsgálatainkban.A korrelációs koefficiensek és a hibaszórások vizsgálata azt mutatja, hogy az így kapott eredményeknek a gyakorlati használhatósága -viszonylag csekély adatigényük ellenére -nem rosszabb az általánosan alkalmazott növényfejlôdési modellekkel kapottaknál.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.013 | 0.003 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.024 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".