| Attributes | Values |
|---|
| rdf:type
| |
| rdfs:seeAlso
| |
| Description
| - Deoxynivalenol (DON) je nejčastějším fuzáriovým toxinem ve vzorcích pšenice v ČR, a proto predikce jeho výskytu může být vhodným nástrojem prevence jeho vstupu do potravního řetězce. Údaje o obsahu DON v pšeničném zrnu, meteorologických podmínkách během vegetační doby a metodách zpracování půdy ze dvou polních pokusů byly využity k vytvoření modelu na bázi neuronové sítě pro predikci obsahu DON. Nejlepší neuronová síť je založena na pěti vstupních proměnných: předplodina, průměrná teplota v dubnu, suma srážek v dubnu, průměrná teplota 5 dnů před kvetením, suma srážek 5 dnů před kvetením. Nejdůležitějšími vstupními parametry jsou předplodina a suma srážek 5 dnů před kvetením. Meteorologické podmínky v dubnu, které jsou důležité pro tvorbu inokula na rostlinných zbytcích, jsou pro model také důležité. Meteorologické podmínky v květnu a 5 dnů po kvetení nejsou pro obsah DON v zrnu příliš významné. Bylo zjištěno, že zpracování půdy má na funkci modelu také malý vliv. Korelace mezi pozorovanými a predikovanými daty s využitím modelu neuronové sítě byla R2 = 0,87.
- Deoxynivalenol (DON) je nejčastějším fuzáriovým toxinem ve vzorcích pšenice v ČR, a proto predikce jeho výskytu může být vhodným nástrojem prevence jeho vstupu do potravního řetězce. Údaje o obsahu DON v pšeničném zrnu, meteorologických podmínkách během vegetační doby a metodách zpracování půdy ze dvou polních pokusů byly využity k vytvoření modelu na bázi neuronové sítě pro predikci obsahu DON. Nejlepší neuronová síť je založena na pěti vstupních proměnných: předplodina, průměrná teplota v dubnu, suma srážek v dubnu, průměrná teplota 5 dnů před kvetením, suma srážek 5 dnů před kvetením. Nejdůležitějšími vstupními parametry jsou předplodina a suma srážek 5 dnů před kvetením. Meteorologické podmínky v dubnu, které jsou důležité pro tvorbu inokula na rostlinných zbytcích, jsou pro model také důležité. Meteorologické podmínky v květnu a 5 dnů po kvetení nejsou pro obsah DON v zrnu příliš významné. Bylo zjištěno, že zpracování půdy má na funkci modelu také malý vliv. Korelace mezi pozorovanými a predikovanými daty s využitím modelu neuronové sítě byla R2 = 0,87. (cs)
- Deoxynivalenol (DON) is the most common mycotoxin in samples of wheat in the Czech Republic, and therefore the prediction of its presence may be an appropriate tool of preventing its entry into the food chain. Data on the content of DON in wheat grain, weather conditions during the growing season and methods of tillage of two field trials were used to create the model based on neural network to predict DON content. The best neural network is based on five input variables: the previous crop, the average temperature in April, the amount of precipitation in April, average temperature 5 days before flowering, the amount of precipitation 5 days before flowering. The most important input parameters are preceding crop and amount of precipitation 5 days before flowering. Meteorological conditions in April, which are important for the formation of the inoculum, are also important for the model. Weather conditions in May and 5 days after flowering are not for DON content in grain so important. It was found that the tillage has on function of model a small influence. The correlation between observed and predicted data using neural network model was R2 = 0,87. (en)
|
| Title
| - Model predikce obsahu deoxynivalenolu v zrnu pšenice na základě meteorologických údajů a předplodiny
- Model predikce obsahu deoxynivalenolu v zrnu pšenice na základě meteorologických údajů a předplodiny (cs)
- Forecasts model for deoxynivalenol content in wheat grain based on metheorological data and previous crop (en)
|
| skos:prefLabel
| - Model predikce obsahu deoxynivalenolu v zrnu pšenice na základě meteorologických údajů a předplodiny
- Model predikce obsahu deoxynivalenolu v zrnu pšenice na základě meteorologických údajů a předplodiny (cs)
- Forecasts model for deoxynivalenol content in wheat grain based on metheorological data and previous crop (en)
|
| skos:notation
| - RIV/25328859:_____/14:#0000792!RIV15-MZE-25328859
|
| http://linked.open...avai/riv/aktivita
| |
| http://linked.open...avai/riv/aktivity
| - I, P(QI111B044), P(QJ1210008)
|
| http://linked.open...iv/cisloPeriodika
| |
| http://linked.open...vai/riv/dodaniDat
| |
| http://linked.open...aciTvurceVysledku
| |
| http://linked.open.../riv/druhVysledku
| |
| http://linked.open...iv/duvernostUdaju
| |
| http://linked.open...titaPredkladatele
| |
| http://linked.open...dnocenehoVysledku
| |
| http://linked.open...ai/riv/idVysledku
| - RIV/25328859:_____/14:#0000792
|
| http://linked.open...riv/jazykVysledku
| |
| http://linked.open.../riv/klicovaSlova
| - forecast model; deoxynivalenol content; meteorological data; previous crops (en)
|
| http://linked.open.../riv/klicoveSlovo
| |
| http://linked.open...odStatuVydavatele
| |
| http://linked.open...ontrolniKodProRIV
| |
| http://linked.open...i/riv/nazevZdroje
| |
| http://linked.open...in/vavai/riv/obor
| |
| http://linked.open...ichTvurcuVysledku
| |
| http://linked.open...cetTvurcuVysledku
| |
| http://linked.open...vavai/riv/projekt
| |
| http://linked.open...UplatneniVysledku
| |
| http://linked.open...v/svazekPeriodika
| |
| http://linked.open...iv/tvurceVysledku
| - Klem, Karel
- Váňová, Marie
|
| issn
| |
| number of pages
| |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)