nn – -Translation – Keybot Dictionary

Spacer TTN Translation Network TTN TTN Login Deutsch Français Spacer Help
Source Languages Target Languages
Keybot 3 Results  www.agr.ca
  Developing remote sensi...  
Show textShow cached sourceOpen source URL
Neural networks (NN) and maximum likelihood classification (MLC) techniques proved effective in discriminating redroot pigweed in canola, field peas and wheat (overall accuracy ranged from 89 to 96%) on two dates.
Compare text pagesCompare HTM pagesOpen source URLOpen target URLDefine agr.ca as primary domain
Les méthodes de discrimination des mauvaises herbes et des espèces cultivées ont été examinées à partir des données recueillies dans les parcelles expérimentales pendant la campagne de 2005. Les techniques fondées sur les réseaux neuronaux et sur la classification par maximum de vraisemblance se sont montrées efficaces pour distinguer l'amarante à racine rouge dans les champs de canola, de pois et de blé (exactitude globale variant de 89 à 96 p. 100) à deux dates différentes. La classification utilisant les réseaux neuronaux avait tendance à être légèrement plus efficace que celle fondée sur le maximum de vraisemblance. La discrimination de la folle avoine s'est avérée plus difficile, notamment dans les parcelles de blé puisque les deux plantes sont des graminées à feuilles étroites.
  Developing remote sensi...  
Show textShow cached sourceOpen source URL
Neural networks (NN) and maximum likelihood classification (MLC) techniques proved effective in discriminating redroot pigweed in canola, field peas and wheat (overall accuracy ranged from 89 to 96%) on two dates.
Compare text pagesCompare HTM pagesOpen source URLOpen target URLDefine agr.ca as primary domain
Les méthodes de discrimination des mauvaises herbes et des espèces cultivées ont été examinées à partir des données recueillies dans les parcelles expérimentales pendant la campagne de 2005. Les techniques fondées sur les réseaux neuronaux et sur la classification par maximum de vraisemblance se sont montrées efficaces pour distinguer l'amarante à racine rouge dans les champs de canola, de pois et de blé (exactitude globale variant de 89 à 96 p. 100) à deux dates différentes. La classification utilisant les réseaux neuronaux avait tendance à être légèrement plus efficace que celle fondée sur le maximum de vraisemblance. La discrimination de la folle avoine s'est avérée plus difficile, notamment dans les parcelles de blé puisque les deux plantes sont des graminées à feuilles étroites.
  Neural network modeling...  
Show textShow cached sourceOpen source URL
Yield was more closely related (R2=0.65) to radiation from the previous week than to radiation in the current week (R2=0.56). In addition, a neural network (NN) model of yield which included radiation as an input was better at predicting yield in the following week (R2=0.70) than yield in the current week (R2=0.57).
Compare text pagesCompare HTM pagesOpen source URLOpen target URLDefine agr.ca as primary domain
La création récente d’outils permettant de suivre automatiquement certains paramètres importants des cultures, comme le rendement, la croissance et l’utilisation de l’eau, a été l’occasion d’étudier en temps réel les relations existant entre l’état des cultures et les conditions environnementales. Dans le cadre de la présente étude, nous avons employé des mesures continues de rendement, de croissance et d’utilisation de l’eau, prises chaque minute durant toute la saison de végétation mais transformées en moyennes horaires, journalières ou hebdomadaires, pour préciser la réaction des plantes aux changements survenant dans les conditions environnementales de la serre. Nous avons obtenu les données de stations de surveillance installées dans des serres commerciales et des serres de recherche. De manière générale, les mesures de rendement générées par ces stations concordaient très étroitement avec celles calculées pour des superficies beaucoup plus grandes, dans les serres commerciales. Le rendement était plus étroitement relié (R2 = 0,65) au rayonnement de la semaine précédente qu’à celui de la semaine en cours (R2 = 0,56). De même, un modèle neuronal du rendement, dont un des intrants était le rayonnement, a généré une meilleure prédiction du rendement de la semaine suivante (R2 = 0,70) que du rendement de la semaine en cours (R2 = 0,57). Ces résultats semblent indiquer que le rayonnement a un effet décalé sur le rendement. Par ailleurs, le rendement présentait une relation positive plus prononcée avec la croissance de la semaine précédente (R2 = 0,32) qu’avec celle de la semaine en cours (R2 = 0,17). Les modèles neuronaux de la croissance journalière dans les deux sites (R2 = 0,74, 0,69) avaient pour intrants le jour de l’année, la température et la concentration de CO2. La relation négative observée entre le jour de l’année et la croissance journalière semblait indiquer que la vigueur des plantes avait diminué au cours de la période de mesure. Les modèles neuronaux de l’utilisation journalière de l’eau dans les deux sites étaient plus robustes (R2 = 0,91, 0,85) que les modèles de la croissance, ce qui fait ressortir la différence de complexité physiologique existant entre ces deux paramètres. Nous avons élaboré un modèle de l’état hydrique des parties aériennes de la plante en fonction des conditions environnementales, à partir de mesures journalières des changements survenant dans la biomasse des parties aériennes de la tomate. L’accroissement de cette