Možnost uporabe metod strojnega učenja pri napovedovanju razvoja krovne barve jabolk (malus domestica borkh.)Germšek, Blaž (Avtor) Rozman, Črtomir (Mentor) Unuk, Tatjana (Komentor) strojno učenjenapovedovanjekakovostni parametrijabolkaodločitvena drevesaNapovedovanje razvoja parametrov kakovosti je v kmetijski proizvodnji ob zahtevah sodobnega potrošnika postalo zelo pomembno. Tipičen parameter, ki ga potrošnik neposredno povezuje s kakovostjo, je barva kožice plodov. V raziskavi smo se osredotočili na možnosti napovedovanja razvoja in intenziviranja krovne barve jabolk, katere intenzivnost smo določili z barvnim parametrom a*. Za metodo strojnega učenja smo uporabili nadzorovano učenje, modele pa generirali s šestimi različnimi odločitvenimi drevesi (Decision Stump, J48, LMT, Random Forest, Random Tree in Rep Tree). Namen raziskave je bil zgraditi modele, ki bodo na podlagi vremenske napovedi omogočali sprejemljivo natančnost (< 60-% natančnost) napovedi razvoja krovne barve oz. barvnega parametra a* za tri obravnavane sorte jabolk (‘Gala Brookfield’, ‘Fuji Kiku 8’ in ‘Braeburn Mariri red’). Pri sorti ‘Gala Brookfield’ smo najbolj natančne modele generirali z uporabo odločitvenega drevesa J48 (89,13-% natančnost). Pri sorti ‘Fuji Kiku 8’ smo najbolj natančen model dobili z uporabo odločitvenega drevesa LMT (91,73-% natančnost), s tem modelom (LMT) smo dobili najbolj natančen model napovedi barvnega parametra a* tudi za sorto ‘Braeburn Mariri red’ (96,65-% natančnost). Model LMT je izmed vseh generiranih modelov (36) in obravnavanih sort (3) dal najbolj natančno napoved barvnega parametra a*, kar pripisujemo predvsem najbolj natančnim podatkom, ki smo jih s statistično obdelavo dobili pri sorti ‘Braeburn Mariri red’. Ugotovili smo, da je uporabnost napovedovalnih modelov odvisna predvsem od natančnosti vremenske napovedi. Pri 7-dnevni uradni vremenski napovedi, ki je bila uporabljena pri naših ekspertnih modelih, se natančnost modelov v povprečju zniža za 10,73 %. Znižanje natančnosti napovedovalnih modelov pripisujemo zelo variabilni vremenski napovedi, s katero smo v času raziskave razpolagali.20172017-01-05 20:09:37Doktorsko delo/naloga64866NUK URN: URN:SI:UM:DK:N3RA7T08sl