This work is among a handful of exa

This work is among a handful of examples applying ANN
tools to developing weather-based prediction models for
plant diseases. While previous research has largely used
data from the same site (De Wolf & Francl, 1997; Francl
& Panigrahi, 1997; Chtioui et al., 1999), the work reported
here demonstrates that data from some or all field sites
in Australia and/or South America can be used in ANN
models to predict anthracnose severity at other sites. The
series 3 ANN models trained on data from all sites within
one continent correctly predicted disease severity in
the other continent on >77% of days, and the prediction
success of cross-continent ANN models trained on the
pooled data for five sites from both continents to predict
severity for the sixth site ranged from 54 to >85%. All
ANN models consistently selected moisture-related variables
such as RAIN, LWP and variables that influence
moisture availability such as RAD and WND on the day
Figure 4 Actual () and predicted () mean disease severity at South American field sites predicted using continent-wise artificial neural network
(ANN) model trained on Australian data (a); continent-wise multiple linear regression (REG) model trained on Australian data (b); cross-continental
ANN (c) and REG (d) models trained on pooled data for five Australian and South American sites to predict disease severity for the Samford
(Australia) site; and cross-continental ANN (e) and REG (f) models trained on pooled data for five South American sites to predict disease severity
for the Planaltina (South America) site.
© 2004 BSPP Plant Pathology (2004) 53, 375–386
Weather-based neural network models for disease prediction 383
of disease severity assessment, or the day before assessment,
as the most important weather variables influencing
severity. This is one of a growing number of reports demonstrating
the usefulness of ANN models for weather and
plant disease prediction (De Wolf & Francl, 1997; Francl
& Panigrahi, 1997; Chtioui et al., 1999) and other related
analyses (Hajmeer & Basheer, 2003).

ผลลัพธ์ (ไทย) 1:

งานนี้เป็นหนึ่งในกำมือของตัวอย่างที่ใช้แอนเครื่องมือในการพัฒนาแบบจำลองพยากรณ์อากาศใช้สำหรับพืชโรค ในขณะที่ส่วนใหญ่ใช้การวิจัยก่อนหน้านี้ข้อมูลจากเว็บไซต์เดียว (หมาป่าเด & Francl, 1997 Francl& Panigrahi, 1997 Chtioui et al., 1999), งานรายงานนี่แสดงให้เห็นว่าข้อมูลจากไซต์ฟิลด์บางส่วน หรือทั้งหมดในออสเตรเลียหรืออเมริกาใต้ใช้ในแอนแบบจำลองเพื่อทำนายความรุนแรง anthracnose ที่ไซต์อื่น ที่ชุด 3 แอนโมเดลข้อมูลการฝึกอบรมบนไซต์ภายในทวีปหนึ่งได้อย่างถูกต้องทำนายความรุนแรงของโรคในทวีปอื่น ๆ บน > 77% ของวัน และการทำนายความสำเร็จข้ามทวีปแอนรุ่นฝึกอบรมในการรวมข้อมูลท่องเที่ยวห้าจากทั้งสองทวีปเพื่อทำนายความรุนแรงสำหรับไซต์หกอยู่ในช่วงจาก 54 ไป > 85% ทั้งหมดตัวแปรที่เกี่ยวข้องกับความชื้นอย่างสม่ำเสมอเลือกรุ่นแอนฝน LWP และตัวแปรที่มีอิทธิพลต่อความพร้อมใช้งานความชื้น RAD และ WND ในวันรูปที่ 4 ()จริงและ(คาดการณ์)หมายถึง ความรุนแรงของโรคที่คาดว่า ใช้ continent-wise อเมริกาอเมริกาใต้ฟิลด์โครงข่ายประสาทเทียมฝึกอบรมในออสเตรเลีย (a); ข้อมูลจำลอง (แอน) continent-wise การฝึกอบรมแบบจำลองถดถอยเชิงเส้น (REG) หลายข้อมูลออสเตรเลีย (b); ข้ามทวีปแอน (c) และ REG (d) รูปแบบการฝึกอบรมรวมข้อมูลท่องเที่ยวออสเตรเลียและอเมริกาใต้ 5 เพื่อทำนายความรุนแรงของโรคสำหรับการ Samfordเว็บไซต์ (ออสเตรเลีย) และข้ามทวีปแอน (e) และ REG (f) รูปแบบการฝึกอบรมรวมข้อมูลท่องเที่ยวอเมริกาใต้ 5 เพื่อทำนายความรุนแรงของโรคสำหรับเว็บไซต์ Planaltina (อเมริกาใต้)© 2004 BSPP พืชพยาธิ (2004) 53, 375-386อากาศที่ใช้เครือข่ายประสาทแบบจำลองสำหรับทำนายโรค 383ประเมินความรุนแรงของโรค หรือวันก่อนประเมินเป็นตัวแปรอากาศสำคัญที่มีอิทธิพลต่อความรุนแรง นี้เป็นหนึ่งในจำนวนที่เพิ่มขึ้นของรายงานที่เห็นประโยชน์ของแอนรุ่นสภาพอากาศ และพยากรณ์โรคพืช (หมาป่าเด & Francl, 1997 Francl& Panigrahi, 1997 Chtioui et al., 1999) และอื่น ๆ ที่เกี่ยวข้องวิเคราะห์ (Hajmeer & บะชีร 2003)

ผลลัพธ์ (ไทย) 2:

งานนี้เป็นหนึ่งในไม่กี่คนของตัวอย่างที่ใช้แอนเครื่องมือในการพัฒนาสภาพอากาศที่ใช้แบบจำลองการคาดการณ์สำหรับโรคพืช ขณะที่การวิจัยก่อนหน้านี้ได้ส่วนใหญ่ใช้ข้อมูลจากเว็บไซต์เดียวกัน (เดอหมาป่าและ Francl, 1997; Francl และ Panigrahi 1997. Chtioui, et al, 1999) การทำงานที่มีการรายงานที่นี่แสดงให้เห็นว่าข้อมูลจากบางส่วนหรือทั้งหมดเว็บไซต์สาขาในประเทศออสเตรเลียและ/ หรืออเมริกาใต้สามารถใช้ใน ANN รุ่นที่จะคาดการณ์ความรุนแรงแอนแทรกโนที่เว็บไซต์อื่น ๆ ชุด 3 รุ่น ANN ฝึกอบรมเกี่ยวกับข้อมูลจากเว็บไซต์ทั้งหมดภายในหนึ่งทวีปอย่างถูกต้องคาดการณ์ความรุนแรงของโรคในทวีปอื่น ๆ บน> 77% ของวันและการทำนายความสำเร็จของการข้ามทวีปรุ่นANN ฝึกอบรมเกี่ยวกับข้อมูลที่รวบรวมสำหรับห้าเว็บไซต์จากทวีปทั้งที่จะคาดการณ์ความรุนแรงสำหรับเว็บไซต์ที่หกตั้งแต่ 54> 85% ทุกรุ่น ANN เลือกอย่างต่อเนื่องตัวแปรความชื้นที่เกี่ยวข้องเช่นฝนตก, LWP และตัวแปรที่มีอิทธิพลต่อความชื้นความพร้อมเช่นRAD และ WND ในวันรูปที่4 ที่เกิดขึ้นจริง (?) และคาดการณ์ (?) หมายถึงความรุนแรงของโรคที่เว็บไซต์สนามอเมริกาใต้คาดการณ์โดยใช้ทวีป -wise เครือข่ายประสาทเทียม(ANN) รูปแบบการฝึกอบรมเกี่ยวกับข้อมูลที่ออสเตรเลีย (ก); ทวีปที่ชาญฉลาดหลายถดถอยเชิงเส้น (REG) รูปแบบการฝึกอบรมเกี่ยวกับข้อมูลที่ออสเตรเลีย (ข); ข้ามทวีปแอน (ค) และ REG (ง) รูปแบบการฝึกอบรมเกี่ยวกับการรวบรวมข้อมูลสำหรับห้าเว็บไซต์ของออสเตรเลียและอเมริกาใต้ที่จะคาดการณ์ความรุนแรงของโรคสำหรับ Samford (ออสเตรเลีย) เว็บไซต์; และแอนข้ามทวีป (จ) และ REG (ฉ) รูปแบบการฝึกอบรมเกี่ยวกับการรวบรวมข้อมูลสำหรับห้าเว็บไซต์อเมริกาใต้ที่จะคาดการณ์ความรุนแรงของโรคสำหรับPlanaltina (อเมริกาใต้) เว็บไซต์. © 2004 BSPP โรคพืช (2004) 53, 375-386 อากาศ ชั่นรูปแบบเครือข่ายประสาทการทำนายโรค 383 ของโรคการประเมินความรุนแรงหรือวันก่อนการประเมินเป็นตัวแปรสภาพอากาศที่สำคัญที่สุดที่มีอิทธิพลต่อความรุนแรง นี้เป็นหนึ่งในจำนวนที่เพิ่มขึ้นของรายงานแสดงให้เห็นถึงประโยชน์ของแบบจำลอง ANN สำหรับสภาพอากาศและการทำนายโรคพืช(เดอหมาป่าและ Francl, 1997; Francl และ Panigrahi 1997. Chtioui, et al, 1999) และอื่น ๆ ที่เกี่ยวข้องวิเคราะห์(Hajmeer และแบชเชียร์ , 2003)

ผลลัพธ์ (ไทย) 3:

งานนี้เป็นหนึ่งในกำมือของตัวอย่างการประยุกต์ใช้เครื่องมือแอน
การพัฒนาแบบจำลองการคาดการณ์สำหรับสภาพอากาศตาม
โรคพืช ในขณะที่งานวิจัยก่อนหน้านี้ส่วนใหญ่ได้ใช้
ข้อมูลจากเว็บไซต์เดียวกัน ( เดอหมาป่า& francl , 1997 ; francl
& panigrahi , 1997 ; chtioui et al . , 1999 ) งานรายงาน
ที่นี่แสดงให้เห็นว่าข้อมูลบางส่วนหรือทั้งหมด ด้านเว็บไซต์
ในออสเตรเลีย และ / หรือ อเมริกาใต้สามารถใช้แอน
แบบจำลองเพื่อทำนายความรุนแรงของโรคแอนแทรคโนสที่เว็บไซต์อื่น ๆ
3 ชุด แบบฝึก แอน ข้อมูลจากเว็บไซต์ทั้งหมดภายใน
ทวีปหนึ่งอย่างถูกต้องทำนายโรครุนแรงในทวีปอื่น ๆบน
> 77 % ของวันและการทำนายความสำเร็จของข้ามทวีปแอน

แบบฝึกในด้านข้อมูลสำหรับห้าเว็บไซต์จากทั้งสองทวีปทำนาย
ความรุนแรงสำหรับเว็บไซต์ที่หกอยู่ระหว่าง 54 เพื่อ > 85% ทั้งหมด
แอนรุ่นอย่างต่อเนื่อง เลือกตัวแปรที่เกี่ยวข้อง เช่น ความชื้น
ฝน LWP และตัวแปรที่มีความชื้น เช่น แรดและอิทธิพล

รูปที่ 4 WND ในวันจริง (  ) และคาดการณ์ (  ) หมายถึงโรครุนแรงที่เว็บไซต์เขตอเมริกาใต้ทวีปปัญญาทำนายโดยใช้โครงข่ายประสาทเทียม ( ANN )
แบบฝึกในออสเตรเลียข้อมูล ( ) ;ทวีปปัญญาสมการถดถอยพหุคูณ ( REG ) รูปแบบการฝึกอบรมข้อมูลออสเตรเลีย ( b ) ; ข้ามทวีป
Ann ( C ) และขวา ( D ) แบบฝึกในด้านข้อมูลสำหรับห้าออสเตรเลียและอเมริกาใต้เว็บไซต์ทำนายโรครุนแรงสำหรับแซมเฟิร์ต
( ออสเตรเลีย ) เว็บไซต์ และข้ามทวีปแอน ( E ) และ REG ( f ) แบบฝึกในด้านข้อมูลสำหรับห้าอเมริกาใต้เว็บไซต์ทำนายโรครุนแรง
สำหรับ Planaltina ( อเมริกาใต้ ) เว็บไซต์ .
สงวนลิขสิทธิ์ 2004 bspp โรคพืช ( 2004 ) 53 , สภาพอากาศ 375 – 386
ตามแบบจำลองโครงข่ายประสาทเพื่อการพยากรณ์โรค 383
การประเมินความรุนแรงโรค หรือก่อนวันประเมินเป็นสำคัญที่สุด

อากาศตัวแปร ที่มีผลต่อความรุนแรง นี้เป็นหนึ่งในตัวเลขการเติบโตของรายงานที่แสดงให้เห็นถึงประโยชน์ของแอนแบบ

อากาศและการพยากรณ์โรคพืช ( เดอหมาป่า& francl , 1997 ; francl
& panigrahi , 1997 ; chtioui et al . , 1999 ) และอื่น ๆ ที่เกี่ยวข้องกับ
วิเคราะห์ ( hajmeer & basheer , 2003 )