Wyniki wyszukiwania

1

Classification by multiple regression - a new approach towards the classification of extremes

100%

Enke W., Spekat A., Kreienkamp F.

Meteorology Hydrology and Water Management. Research and Operational Applications

|

2016

|

tom 04

|

nr 1

There are numerous algorithmic classification methods that attempt to address the connections between different scales of the atmosphere, such as EOFs, clustering, and neural nets. However, their relative strength lies in the description of the mean conditions, whereas extremes are poorly covered by them. A novel approach towards the identification of linkages between large-scale atmospheric fields and local extremes of meteorological parameters is presented in this paper. The principle is that a small number of objectively selected fields can be used to circumscribe a local meteorological parameter by way of regression. For each day, the regression coefficients form a kind of pattern which is used for a classification based on similarity. As it turns out, several classes are generated which contain days that constitute extreme atmospheric conditions and from which local meteorological parameters can be computed, yielding an indirect way of determining these local extremes just from large-scale information. The range of applications is large. (i) Not only local meteorological parameters can be subjected to such a regressionbased classification procedure. It can be extended to extreme indicators, such as threshold exceedances, yielding on the one hand the relevant atmospheric fields to describe those indicators, and on the other hand grouping days with “favourable atmospheric conditions”. This approach can be further extended by investigating networks of measurement stations from a region and describing, e.g., the probability for threshold exceedances at a given percentage of the network. (ii) The method can not only be used as a filtering tool to supply days in the current climate with extreme conditions, identified in an objective way. The method can be applied to climate model projections, using the previously found parameter-specific combinations of atmospheric fields. From those fields, as they constitute the modelled future climate, local time series can be generated which are then analysed with respect to the frequency and magnitude of future extremes. The method has sensitivities (i) due to the degree to which there are connections between large-scale fields and local meteorological parameters (measured, e.g., by the correlation) and (ii) due to the varying quality of the different fields (geopotential, temperature, humidity etc.) projected by the climate model.

2

Artykuł dostępny w postaci pełnego tekstu - kliknij by otworzyć plik

Households savings and financial behavior in relation to the ability to handle financial emergencies: case study of Kosovo

86%

Lulaj E., Dragusha B., Lulaj D., Rustaj V., Gashi A.

Acta Scientiarum Polonorum. Oeconomia

|

2021

|

tom 20

|

nr 1

3

Analiza współzależności między plonem nasion a cechami ilościowymi lnu oleistego (Linum usitatissimum L.)

58%

Bocianowski J., Silska G., Praczyk M.

Rośliny Oleiste - Oilseed Crops

|

2013

|

tom 34

|

nr 2

Celem pracy było określenie zależności pomiędzy plonem nasion osiemnastu genotypów lnu oleistego a wybranymi cechami ilościowymi oraz zbadanie wzajemnych korelacji pomiędzy analizowanymi cechami. Plon nasion wybrano jako cechę odniesienia z uwagi na to, iż ma ona decydujący wpływ na wartość gospodarczą odmian lnu. Oceniano wpływ, jaki na plon nasion wywierają: wysokość roślin, długość techniczna, długość wiechy, średnica łodyg, liczba rozgałęzień wiechy i masa 1000 nasion oraz plon ogólny, plon słomy i zawartość włókna. Do oceny zależności stosowano analizę regresji wielokrotnej. W dwóch latach prowadzenia doświadczenia stwierdzono piętnaście par cech charakteryzujących się istotną statystycznie współzależnością. Analiza funkcji regresji wielokrotnej wykazała natomiast, że na plon nasion w największym stopniu wpływały plon słomy oraz masa 1000 nasion.

4

Ocena podobieństwa linii wsobnych kukurydzy (Zea mays L.)

58%

Kadlubiec W., Lewandowska S., Kuriata R.

Biuletyn Instytutu Hodowli i Aklimatyzacji Roślin

|

2006

|

nr 240-241

191-195

Badano 18 linii wsobnych kukurydzy o bardzo zróżnicowanym pochodzeniu. Linie wyprowadzono z form: amerykańskiej, francuskiej, niemieckiej i węgierskiej oraz z mieszańców pojedynczych i międzyliniowych. Wybrano losowo po 5 roślin z każdej linii, na których dokonano pomiarów następujących cech: długości i grubości kolby, liczby rzędów ziaren na kolbie, liczby ziaren z kolby, masy kolby i ziarna z kolby, grubości osadki oraz zawartości suchej masy w ziarnie. Do oceny podobieństwa linii zastosowano analizę skupień metodą średnich skupień na podstawie odległości euklidesowych. Analizowane linie zgodnie z pochodzeniem zostały podzielone na grupy. Wykorzystano również analizę regresji wielokrotnej do określenia zależności masy ziarna z kolby od pozostałych cech. Otrzymany model w 94% dopasowany jest do danych empirycznych. Masę ziarna z kolby determinują przede wszystkim liczba ziaren z kolby oraz masa kolby.

5

The relationship of a diameter and a height of an apple to its weight

58%

Szczepanski K., Zwierz J., Holownicki R., Rejman S.

Fruit Science Reports

|

1987

|

tom 14

|

nr 3

6

Relationship between yielding of pea (Pisum sativum L.) and meteorological factors at selected experimental stations in northern and eastern Poland

58%

Grabowska K., Dymerska A., Banaszkiewicz B., Cymes I.

Acta Agrophysica

|

2013

|

tom 20

|

nr 2

Analysis of the effect of meteorological factors on the yielding of pea cv. Fidelia was conducted for the period of 1986-2005. The source material concerning the yields and the weather conditions originated from three experimental and meteorological stations situated in northern and eastern Poland. In the study the method of multiple regressions was applied, with the use of linear and quadratic functions with stepwise selection of variables, and the created regression equations were evaluated by means of the coefficient of determination R2, adjusted R2 adj and the Cross Validation procedure – R2 pred, as well as the F-Snedecor test. In the years of the study notable variation was observed in the weather factors in the individual stages of growth of pea, which had a significant effect on the times of their beginning, on the duration of the growth stages, and on the level of yields. The effect of the meteorological factors studied, i.e. solar radiation, air temperature and atmospheric precipitations on the yielding of the pea cultivar was related to the location of the station, stage of advancement of vegetation, and on the set of variables adopted for the analyses.

7

Variation and correlation of starch potato utility features and tuber quality traits

58%

Bombik A., Rymuza K., Olszewski T.

Acta Agrophysica

|

2019

|

tom 26

|

nr 3

8

Dokladnosc szacowania umiesnienia i otluszczenia kaczek w zaleznosci od ich wieku

37%

Brzozowski W., Bochno R.

Acta Academiae Agriculturae ac Technicae Olstenensis. Zootechnica

|

1998

|

tom 48

137-147

Celem pracy było przeanalizowanie współzależności między niektórymi cechami przyżyciowymi a zawartością mięsa lub tłuszczu ze skórą w tuszkach kaczek. Ponadto opracowano równania regresji wielokrotnej oraz sprawdzono ich dokładność pod względem szacowania zawartości mięsa i tłuszczu w tuszkach z uwzględnieniem wieku ptaków. Materiał do badań stanowiły 504 kaczki (płeć w równych ilościach) rodu A-44 pochodzące z Zakładu Hodowli Drobiu Wodnego w Dworzyskach. Ptaki do uboju wybierano losowo, po 21 samców i 21 samic, w odstępach 7-dniowych w okresie od 1. dnia do 11. tygodnia życia, celem wykonania szczegółowej dysekcji tuszek. Opracowane równania regresji wielokrotnej do przyżyciowej oceny zawartości mięsa i tłuszczu w tuszkach ptaków charakteryzują się stosunkowo małymi błędami standardowymi oceny i są proste w zastosowaniu. Na przykład do szacowania masy mięsa w tuszkach osobników obojga płci w wieku od 6. do 11. tygodnia życia zaproponowano następujące równanie: Ŷ = 0.219X1 + 161.714X12 - 113.439, a do szacowania masy tłuszczu (Û) w tym samym zakresie wiekowym równanie: Û = 0.419X1 - 101.374X2 - 61.253X4 - 27.213X6 + 1449.012.

Ograniczanie wyników