Magyar
Toggle navigation
Tudóstér
Magyar
Tudóstér
Keresés
Egyszerű keresés
Összetett keresés
CCL keresés
Egyszerű keresés
Összetett keresés
CCL keresés
Böngészés
Saját polc tartalma
(
0
)
Korábbi keresések
CCL parancs
CCL
Összesen 3 találat.
#/oldal:
12
36
60
120
Rövid
Hosszú
MARC
Részletezés:
Rendezés:
Szerző növekvő
Szerző csökkenő
Cím növekvő
Cím csökkenő
Dátum növekvő
Dátum csökkenő
1.
001-es BibID:
BIBFORM100395
035-os BibID:
(cikkazonosító)516 (WoS)000764830200001 (Scopus)85125038156
Első szerző:
Elbeltagi, Ahmed
Cím:
Combination of Limited Meteorological Data for Predicting Reference Crop Evapotranspiration Using Artificial Neural Network Method / Ahmed Elbeltagi, Attila Nagy, Safwan Mohammed, Chaitanya B. Pande, Manish Kumar, Shakeel Ahmad Bhat, József Zsembeli, László Huzsvai, János Tamás, Elza Kovács, Endre Harsányi, Csaba Juhász
Dátum:
2022
ISSN:
2073-4395
Megjegyzések:
Reference crop evapotranspiration (ETo) is an important component of the hydrological cycle that is used for water resource planning, irrigation, and agricultural management, as well as in other hydrological processes. The aim of this study was to estimate the ETo based on limited meteorological data using an artificial neural network (ANN) method. The daily data of minimum temperature (Tmin), maximum temperature (Tmax), mean temperature (Tmean), solar radiation (SR), humidity (H), wind speed (WS), sunshine hours (Ssh), maximum global radiation (gradmax), minimum global radiation (gradmin), day length, and ETo data were obtained over the long-term period from 1969 to 2019. The analysed data were divided into two parts from 1969 to 2007 and from 2008 to 2019 for model training and testing, respectively. The optimal ANN for forecasting ETo included Tmax, Tmin, H, and SR at hidden layers (4, 3); gradmin, SR, and WS at (6, 4); SR, day length, Ssh, and Tmean at (3, 2); all collected parameters at hidden layer (5, 4). The results showed different alternative methods for estimation of ETo in case of a lack of climate data with high performance. Models using ANN can help promote the decision-making for water managers, designers, and development planners.
Tárgyszavak:
Agrártudományok
Növénytermesztési és kertészeti tudományok
idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:
Agronomy-Basel. - 12 : 2 (2022), p. 1-18. -
További szerzők:
Nagy Attila (1982-) (környezetgazdálkodási agrármérnök)
Mohammed Safwan (1985-) (agrármérnök)
Pande, Chaitanya
Kumar, Manish
Bhat, Shakeel Ahmad
Zsembeli József (1967-) (agrármérnök)
Huzsvai László (1961-) (talajerőgazdálkodási szakmérnök, agrármérnök)
Tamás János (1959-) (környezetgazdálkodási agrármérnök)
Kovács Elza (1976-) (okleveles vegyész, angol-magyar szakfordító, anyagmérnök MSc)
Harsányi Endre (1976-) (agrármérnök)
Juhász Csaba (1962-) (környezetgazdálkodási agrármérnök)
Pályázati támogatás:
TKP2020-IKA-04
Egyéb
KP2021-NKTA-32
Egyéb
Internet cím:
Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:
2.
001-es BibID:
BIBFORM111452
035-os BibID:
(cikkazonosító)1297 (Scopus)85160411163 (WoS)000994795300001
Első szerző:
Harsányi Endre (agrármérnök)
Cím:
Data Mining and Machine Learning Algorithms for Optimizing Maize Yield Forecasting in Central Europe / Endre Harsányi, Bashar Bashir, Sana Arshad, Akasairi Ocwa, Attila Vad, Abdullah Alsalman, István Bácskai, Tamás Rátonyi, Omar Hijazi, Adrienn Széles, Safwan Mohammed
Dátum:
2023
ISSN:
2073-4395
Megjegyzések:
Artificial intelligence, specifically machine learning (ML), serves as a valuable tool for decision support in crop management under ongoing climate change. However, ML implementation to predict maize yield is still limited in Central Europe, especially in Hungary. In this context, we assessed the performance of four ML algorithms (Bagging (BG), Decision Table (DT), Random Forest (RF) and Artificial Neural Network-Multi Layer Perceptron (ANN-MLP)) in predicting maize yield based on four different input scenarios. The collected data included both agricultural data (production (PROD) (ton) and maize cropped area (AREA) (ha)) and climate data (annual mean temperature ?C (Tmean), precipitation (PRCP) (mm), rainy days (RD), frosty days (FD) and hot days (HD)). This research adopted four scenarios, as follows: SC1: AREA+ PROD+ Tmean+ PRCP+ RD+ FD+ HD; SC2: AREA+ PROD; SC3: Tmean+ PRCP+ RD+ FD+ HD; and SC4: AREA+ PROD+ Tmean+ PRCP. In the training stage, ANN-MLP-SC1 and ANN-MLP-SC4 outperformed other ML algorithms; the correlation coefficient (r) was 0.99 for both, while the root mean squared errors (RMSEs) were 107.9 (ANN-MLP-SC1) and 110.7 (ANN-MLP-SC4). In the testing phase, the ANN-MLP-SC4 had the highest r value (0.96), followed by ANN-MLP-SC1 (0.94) and RF-SC2 (0.94). The 10-fold cross validation also revealed that the ANN-MLP-SC4 and ANN-MLP-SC1 have the highest performance. We further evaluated the performance of the ANN-MLP-SC4 in predicting maize yield on a regional scale (Budapest). The ANN-MLP-SC4 succeeded in reaching a high-performance standard (r = 0.98, relative absolute error = 21.87%, root relative squared error = 20.4399% and RMSE = 423.23). This research promotes the use of ANN as an efficient tool for predicting maize yield, which could be highly beneficial for planners and decision makers in developing sustainable plans for crop management.
Tárgyszavak:
Agrártudományok
Növénytermesztési és kertészeti tudományok
idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
maize yield
climate
multilayer perceptron
random forest
optimum model
Megjelenés:
Agronomy-Basel. - 13 : 5 (2023), p. 1-22. -
További szerzők:
Bashir, Bashar
Arshad, Sana
Ocwa, Akasairi (1987-) (Crop scientist)
Vad Attila (1981-) (agrármérnök)
Alsalman, Abdullah
Bácskai István (1985-) (Okleveles gépészmérnök)
Rátonyi Tamás (1967-) (agrármérnök)
Hijazi, Omar
Széles Adrienn (1980-) (okleveles agrármérnök)
Mohammed Safwan (1985-) (agrármérnök)
Pályázati támogatás:
TKP2021-NKTA-32
Egyéb
Internet cím:
Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:
3.
001-es BibID:
BIBFORM102627
035-os BibID:
(cikkazonosító)1602 (WoS)000833839900001 (Scopus)85133675996
Első szerző:
Huzsvai László (talajerőgazdálkodási szakmérnök, agrármérnök)
Cím:
Mathematics of the Relationship between Plant Population and Individual Production of Maize (Zea mays L.) / László Huzsvai, Emil Bodnár, Elza Kovács, József Zsembeli, Endre Harsányi, Csaba Juhász, Szilvia Szőke
Dátum:
2022
ISSN:
2073-4395
Tárgyszavak:
Agrártudományok
Növénytermesztési és kertészeti tudományok
idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:
Agronomy-Basel. - 12 : 7 (2022), p. 1-14. -
További szerzők:
Bodnár Emil
Kovács Elza (1976-) (okleveles vegyész, angol-magyar szakfordító, anyagmérnök MSc)
Zsembeli József (1967-) (agrármérnök)
Harsányi Endre (1976-) (agrármérnök)
Juhász Csaba (1962-) (környezetgazdálkodási agrármérnök)
Szőke Szilvia (1969-) (Alkalmazott statisztika)
Pályázati támogatás:
2020-4.1.1-TKP2020
Egyéb
TKP2020-IKA-04
Egyéb
TKP2021-NKTA
Egyéb
Internet cím:
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:
Rekordok letöltése
1
Corvina könyvtári katalógus v8.2.27
© 2023
Monguz kft.
Minden jog fenntartva.