Keresés

Keresési eredmények

• Tartamkísérletek tervezése és analízise – Győrffy Béla (1928–2002) emlékére ajánlom –

  115-138

  Berzsenyi Zoltán

  Megtekintések száma:

  15

  A tartamkísérletek nélkülözhetetlenek a különböző növénytermesztési eljárások és technológiák tartamhatásának tanulmányozásában. Győrffy Béla által Martonvásáron beállított tartamkísérletek több mint 60 évesek és a nemzeti vagyon részének tekintendők. A tartamkísérletek (LTE) parcelláin a méréseket általában minden évben elvégezzük a termés és más növénytulajdonságok esetében. Míg az ANOVA használata az ismételt mérési adatokra speciális esetekre korlátozódik, a többváltozós módszereken alapuló más statisztikai eljárások sokkal reálisabbak. Megfelelőbb alternatíva a kevert (mixed) modell analízis, felhasználva az REML módszert. Vetésforgó tartamkísérletben tanulmányoztuk a búza és kukorica vetésforgók vs. monokultúra többváltozós elkülönítését, felhasználva a diszkriminanciaanalízist. Különböző trágyázási kezelések és az év hatását a kukorica termésére kukorica monokultúra és kukorica-búza dikultúra kísérletekben tanulmányoztuk.

• Hajdú Miklós (1927–2024)

  139-140

  Berzsenyi Zoltán

  Megtekintések száma:

  18

• A mesterséges intelligencia felhasználása a növénytermesztési kísérletekben

  47-66

  Berzsenyi Zoltán

  Megtekintések száma:

  19

  Az összefüggések megértése a termés, a talajtulajdonságok, az időjárás és az input applikáció között fontos a mezőgazdasági produkció optimalizálásához. A fenntartható intenzifikáció célja, hogy növeljük a produktivitást és az inputfelhasználás hatékonyságát, miközben fokozzuk a mezőgazdasági rendszerek rugalmasságát a kedvezőtlen környezeti tényezőkre a javított menedzsmenten és technológián keresztül. A mesterséges intelligencia (AI) a precíziós gazdálkodásban (PA) lehetővé teszi a gazdálkodóknak, hogy nagyon célirányos és pontos termesztési eljárásokat használjanak a helyspecifikus agroklimatikus szántóföldi mérések alapján. A legújabb fejlesztések az érzékelésben, a gépi tanulásban (ML) és a modellezésben lehetőséget kínálnak az új digitális technológiákra, hogy megvalósítsuk a fenntartható intenzifikációt.
  Az újabb tudományos publikációk áttekintése alapján bemutattuk a digitális technológia alkalmazását a növénytermesztési kísérletekben három területen: (i) növény- és talajtulajdonságok folyamatos monitorozása, (ii) termésreakció térbeni és időbeni variabilitásának vizsgálata és (iii) gépi tanulás (ML) modellek felhasználása a termés előrejelzésére. Levonható az a következtetés, hogy az adatok varianciájának analízise, felhasználva a statisztikai és gépi tanulás megközelítéseket, segíthet azonosítani és megérteni azokat a termesztési eljárásokat, melyek optimalizálják a termést.