The two continent-wise ANN models,

The two continent-wise ANN models, each trained on
data from three field sites, correctly predicted disease
severity class at field sites in the other continent on >77%
of days; the overall prediction error was 21·9% for the
Australian and 22·1% for the South American model
(Table 1). The prediction of the Australian ANN model
was most accurate for the Carimagua site and least accurate
for Planaltina. The South American model predicted
severity at Southedge and Springmount with an accuracy
>93%, but the prediction accuracy for the Samford site
was 85% of days. The
ANN model without the Carimagua data correctly predicted
severity on only 54% of days at this site. The other
four models were accurate on >73% of days (Table 2).
The prediction errors of these models were considerably
higher than for the continent-wise ANN models (Table 1)
for all sites except Samford and Planaltina. The percentage
of type I, II or total error was not generally influenced
by the number of observations (days) in the training or
test data sets in either continent-wise or cross-continent
ANN models. The overall prediction error was between
14 and 45% for the cross-continent models developed
with 110–139 observations (days) in the training data sets;
this was between 4 and 37% for continent-wise models
with either 73 or 77 observations in the training data set.
A sensitivity analysis of the continent-wise models
showed that RAIN, LWP and RAD for the day of disease
severity assessment and RAIN on the previous day are the
four most important weather attributes in the Australian
ANN model. RAIN and RAD on the day of severity
assessment and RAIN and LWP on the previous day were
also the four most significant input attributes in the South
American ANN model, although RAIN and RAD were
more important and LWP was less important in the South
American than in the Australian model (Table 3). Similarly,
RAIN, RAD and LWP on the day of severity assessment
and/or the previous day were the most important
weather attributes in each of the six cross-continent models,
and RAIN during the day and/or the previous day was
the single most important of all attributes in all models
except the one trained on data that excluded Planaltina,
where another moisture-related variable, LWP on the previous
day, was more important than RAIN (Table 3).
Prediction and sensitivity of REG models
Overall, the REG models developed using data from all
Australian or South American sites were not as effective as
ANN models in predicting disease severity for sites in the
other continent, and the prediction errors of the REG
models were higher for two out of three sites in each continent
(Table 1). The overall prediction error of 31·5% for
the Australian REG model was higher than the ANN
model, but the 20·8% error for the South American model
was lower than the ANN model. When data for five Australian
and South American sites were pooled to predict

ผลลัพธ์ (ไทย) 1:

The two continent-wise ANN models, each trained ondata from three field sites, correctly predicted diseaseseverity class at field sites in the other continent on >77%of days; the overall prediction error was 21·9% for theAustralian and 22·1% for the South American model(Table 1). The prediction of the Australian ANN modelwas most accurate for the Carimagua site and least accuratefor Planaltina. The South American model predictedseverity at Southedge and Springmount with an accuracy>93%, but the prediction accuracy for the Samford sitewas <63%.In the final series of ANN models, data from all Australianand South American sites were pooled and modelswere trained on data from five sites to predict the severityclass for the remaining sixth site. Of the six cross-continentANN models developed in this way, the model developedwithout the data from Planaltina was the most accurate,successfully predicting severity on >85% of days. TheANN model without the Carimagua data correctly predictedseverity on only 54% of days at this site. The otherfour models were accurate on >73% of days (Table 2).The prediction errors of these models were considerablyhigher than for the continent-wise ANN models (Table 1)for all sites except Samford and Planaltina. The percentageof type I, II or total error was not generally influencedby the number of observations (days) in the training ortest data sets in either continent-wise or cross-continentANN models. The overall prediction error was between14 and 45% for the cross-continent models developedwith 110–139 observations (days) in the training data sets;this was between 4 and 37% for continent-wise modelswith either 73 or 77 observations in the training data set.A sensitivity analysis of the continent-wise modelsshowed that RAIN, LWP and RAD for the day of diseaseseverity assessment and RAIN on the previous day are thefour most important weather attributes in the AustralianANN model. RAIN and RAD on the day of severityassessment and RAIN and LWP on the previous day werealso the four most significant input attributes in the SouthAmerican ANN model, although RAIN and RAD weremore important and LWP was less important in the SouthAmerican than in the Australian model (Table 3). Similarly,RAIN, RAD and LWP on the day of severity assessmentand/or the previous day were the most importantweather attributes in each of the six cross-continent models,and RAIN during the day and/or the previous day wasthe single most important of all attributes in all modelsexcept the one trained on data that excluded Planaltina,where another moisture-related variable, LWP on the previousday, was more important than RAIN (Table 3).Prediction and sensitivity of REG modelsOverall, the REG models developed using data from allAustralian or South American sites were not as effective asANN models in predicting disease severity for sites in theother continent, and the prediction errors of the REGmodels were higher for two out of three sites in each continent(Table 1). The overall prediction error of 31·5% forthe Australian REG model was higher than the ANNmodel, but the 20·8% error for the South American modelwas lower than the ANN model. When data for five Australianand South American sites were pooled to predict

ผลลัพธ์ (ไทย) 2:

ทั้งสองรุ่น ANN
ทวีปฉลาดแต่ละฝึกอบรมเกี่ยวกับข้อมูลจากสามเว็บไซต์สนามถูกทำนายโรคระดับความรุนแรงที่เว็บไซต์เขตข้อมูลในทวีปอื่น
ๆ บน> 77%
ของวัน ข้อผิดพลาดที่คาดการณ์โดยรวม 21 · 9%
สำหรับออสเตรเลียและ22 · 1% สำหรับรุ่นอเมริกาใต้
(ตารางที่ 1) การคาดการณ์ของแบบจำลอง ANN
ออสเตรเลียได้ถูกต้องมากที่สุดสำหรับเว็บไซต์Carimagua
น้อยและถูกต้องสำหรับPlanaltina รูปแบบอเมริกาใต้คาดการณ์ความรุนแรงที่ Southedge และ Springmount กับความถูกต้อง> 93% แต่ความถูกต้องของการคาดการณ์สำหรับเว็บไซต์ Samford เป็น <63%. ในชุดสุดท้ายของแบบจำลอง ANN ข้อมูลจากออสเตรเลียเว็บไซต์และอเมริกาใต้ถูกรวบรวมและรูปแบบได้รับการฝึกฝนกับข้อมูลจากห้าเว็บไซต์ที่จะคาดการณ์ความรุนแรงระดับสำหรับเว็บไซต์ที่หกที่เหลือ หกข้ามทวีปรุ่น ANN พัฒนาในลักษณะนี้รูปแบบการพัฒนาที่ไม่มีข้อมูลจากPlanaltina เป็นที่ถูกต้องที่สุดความรุนแรงที่ประสบความสำเร็จในการทำนาย> 85% ของวัน รูปแบบโดยไม่ต้อง ANN ข้อมูล Carimagua คาดการณ์ได้อย่างถูกต้องความรุนแรงเพียง54% ของวันที่เว็บไซต์นี้ อีกสี่รุ่นมีความถูกต้องบน> 73% ของวัน (ตารางที่ 2). ข้อผิดพลาดการทำนายของรูปแบบเหล่านี้เป็นอย่างมากที่สูงกว่าสำหรับรุ่น ANN ทวีปที่ชาญฉลาด (ตารางที่ 1) สำหรับเว็บไซต์ทั้งหมดยกเว้น Samford และ Planaltina ร้อยละของประเภท I, II หรือข้อผิดพลาดทั้งหมดที่ไม่ได้รับอิทธิพลโดยทั่วไปจากจำนวนข้อสังเกต(วัน) ในการฝึกอบรมหรือทดสอบชุดข้อมูลทั้งในทวีปฉลาดหรือข้ามทวีปรุ่นANN ข้อผิดพลาดการทำนายโดยรวมอยู่ระหว่าง14 และ 45% สำหรับรุ่นที่ข้ามทวีปการพัฒนากับการสังเกต110-139 (วัน) ในข้อมูลการฝึกอบรมชุด; นี้คือระหว่างวันที่ 4 และ 37% สำหรับรุ่นทวีปที่ชาญฉลาดที่มีทั้ง73 หรือ 77 ในการสังเกต ข้อมูลการฝึกอบรมชุด. การวิเคราะห์ความไวของรุ่นทวีปฉลาดแสดงให้เห็นว่า RAIN, LWP และ RAD สำหรับวันของโรคการประเมินความรุนแรงและฝนตกเมื่อวันก่อนมีสี่ที่สำคัญที่สุดคุณลักษณะอากาศในออสเตรเลียแบบจำลองANN RAIN และ RAD ในวันที่ความรุนแรงการประเมินและการRAIN และ LWP เมื่อวันก่อนก็ยังมีคุณลักษณะการป้อนข้อมูลที่สำคัญสี่มากที่สุดในภาคใต้แบบจำลองANN อเมริกันแม้ว่าฝนและ RAD มีความสำคัญมากขึ้นและLWP เป็นความสำคัญน้อยกว่าในภาคใต้อเมริกันกว่าในรูปแบบออสเตรเลีย (ตารางที่ 3) ในทำนองเดียวกันRAIN, RAD และ LWP ในวันของการประเมินความรุนแรงและ/ หรือวันก่อนหน้าเป็นสิ่งที่สำคัญที่สุดสภาพอากาศคุณลักษณะในแต่ละหกรูปแบบข้ามทวีป, และ RAIN ในระหว่างวันและ / หรือวันก่อนหน้าเป็นซิงเกิ้ลมากที่สุดที่สำคัญของคุณลักษณะทั้งหมดในทุกรุ่นยกเว้นหนึ่งที่ผ่านการฝึกอบรมกับข้อมูลที่ได้รับการยกเว้น Planaltina, ที่อีกตัวแปรความชื้นที่เกี่ยวข้องกับ LWP ในก่อนหน้านี้วันที่มีความสำคัญมากกว่าRAIN (ตารางที่ 3). การทำนายและความไวของรุ่น REG โดยรวมแล้ว REG รูปแบบการพัฒนาโดยใช้ข้อมูลจากเว็บไซต์ของออสเตรเลียหรืออเมริกาใต้ก็ไม่เป็นผลเป็นแบบจำลองANN ในการทำนายความรุนแรงของโรคสำหรับเว็บไซต์ในทวีปอื่นๆ และข้อผิดพลาดการทำนายของ REG รุ่นสูงสำหรับสองสามคนออกจากเว็บไซต์ในแต่ละทวีป(ตารางที่ 1) ข้อผิดพลาดที่คาดการณ์โดยรวมของ 31 · 5% สำหรับรูปแบบREG ออสเตรเลียสูงกว่า ANN รุ่น แต่ 20 ·ข้อผิดพลาด 8% สำหรับรุ่นอเมริกาใต้ต่ำกว่ารุ่นANN เมื่อข้อมูลที่เป็นเวลาห้าออสเตรเลียเว็บไซต์และอเมริกาใต้ถูกรวบรวมที่จะคาดการณ์

ผลลัพธ์ (ไทย) 3:

สองทวีปที่ฉลาด แอน นางแบบแต่ละการฝึกอบรม
ข้อมูลจากสามด้านเว็บไซต์อย่างถูกต้องทำนายโรค
ความรุนแรงชั้นเว็บไซต์ในเขตทวีปอื่นๆ > 77 %
วัน ; ข้อผิดพลาดการทำนายโดยรวมเป็น 21 ด้วย 9 %
ออสเตรเลียและ 22 ด้วย 1% สำหรับ
นางแบบอเมริกาใต้ ( ตาราง 1 ) ทำนาย
Ann แบบออสเตรเลียที่ถูกต้องที่สุดสำหรับเว็บไซต์และถูกต้อง
carimagua อย่างน้อยสำหรับ Planaltina . อเมริกาใต้แบบจำลองทำนาย
ความรุนแรงที่ southedge springmount และมีความถูกต้อง
> 93 % แต่ความถูกต้องของการพยากรณ์สำหรับแซมเฟิร์ตเว็บไซต์คือ < 63 %
.
ในชุดสุดท้ายของแอน โมเดล ข้อมูลจากออสเตรเลียและอเมริกาใต้รวมเว็บไซต์

) และแบบฝึก ข้อมูลจากเว็บไซต์นี้ทำนายระดับความรุนแรง
ที่เหลืออีก 6 เว็บไซต์ในหกทวีปข้าม
Ann ในการพัฒนารูปแบบวิธีนี้แบบจำลอง
โดยไม่ต้องใช้ข้อมูลจาก Planaltina คือถูกต้องที่สุด
เรียบร้อยแล้วทำนายความรุนแรงบน > 85% ของวัน
Ann แบบไม่มีข้อมูล carimagua คาดการณ์ได้อย่างถูกต้อง
ความรุนแรงเพียง 54% ของวันในเว็บไซต์นี้ อีก
4 โมเดลถูกต้อง > 73% ของวัน
( ตารางที่ 2 )การทำนายของโมเดลเหล่านี้เป็นข้อผิดพลาดมาก
สูงกว่าทวีปปัญญา แอน ( ตารางที่ 1 ) รุ่นสำหรับเว็บไซต์ทั้งหมดยกเว้น
แซมเฟิร์ต และ Planaltina . ร้อยละ
ประเภท I , II หรือรวมข้อผิดพลาดทั่วไปอิทธิพล
โดยจำนวนค่าสังเกต ( วัน ) ในการฝึกหรือชุดข้อมูลทดสอบในทวีป

ฉลาดหรือข้ามทวีปแอน รุ่น ความผิดพลาดของการพยากรณ์โดยรวมอยู่ระหว่าง
14 และ 45% สำหรับข้ามทวีปแบบพัฒนา
กับ 110 – 139 ) ( วัน ) ในข้อมูลการฝึกอบรมชุด ;
นี้อยู่ระหว่าง 4 และ 37% สำหรับรุ่นปัญญาทวีป
กับ 73 หรือ 77 ตัวอย่างในการฝึกอบรมชุดข้อมูล .
a การวิเคราะห์ความอ่อนไหวของแบบจำลองพบว่า ปัญญาทวีป
ฝน และสำหรับวัน LWP สามารถประเมินความรุนแรงโรค
ฝนเมื่อวันก่อนเป็น
สี่ที่สำคัญที่สุดคุณลักษณะอากาศในออสเตรเลีย
Ann รุ่น ฝนและราดในวันประเมินความรุนแรง
และฝน LWP เมื่อวันก่อนมี
ยังสี่สำคัญป้อนข้อมูลคุณลักษณะในรูปแบบใต้
อเมริกันแอน แม้ว่าฝนและราดเป็นสำคัญมากขึ้นและ LWP
สำคัญน้อยกว่าในภาคใต้
ชาวอเมริกันกว่าในรูปแบบของออสเตรเลีย ( ตารางที่ 3 ) โดย
ฝนกรมการศาสนาและ LWP วันที่
ประเมินความรุนแรง และ / หรือ วันก่อนเป็นสำคัญ
ที่สุดสภาพอากาศคุณลักษณะในแต่ละหกข้ามทวีปรุ่นใหม่
ฝนในระหว่างวันและ / หรือวันก่อนหน้า
เดียวมากที่สุดที่สำคัญของทุกคุณลักษณะในทุกรุ่นยกเว้นหนึ่ง
ฝึกข้อมูล รวม Planaltina ,
ที่ความชื้นอื่นที่เกี่ยวข้องตัวแปร LWP เมื่อวันก่อน
,สำคัญมากกว่าฝน ( ตารางที่ 3 ) .
ทำนายและความไวของเร็กโมเดล
รวม , REG แบบพัฒนาโดยใช้ข้อมูลจาก
ออสเตรเลียหรือใต้เว็บไซต์อเมริกันไม่ได้เป็นผลเป็นนางแบบ
Ann ในการพยากรณ์โรครุนแรงสำหรับเว็บไซต์ใน
ทวีปอื่นๆ และคำทำนายข้อผิดพลาดของ reg
โมเดลที่สูงขึ้นสำหรับสองจากสามเว็บไซต์ในแต่ละทวีป
( ตารางที่ 1 )รวมคำทำนายข้อผิดพลาด 31 ด้วย 5 %
แบบ REG ออสเตรเลียสูงกว่าแอน
โมเดล แต่ข้อผิดพลาด 20 ด้วย 8 %
นางแบบอเมริกาใต้ต่ำกว่าแบบแอน เมื่อข้อมูลนี้ ออสเตรเลียและอเมริกาใต้รวมเว็บไซต์
) ทำนาย