Kukorica egyes beltartalmi paramétereinek értékelése hagyományos és gépi tanuláson alapuló módszerekkel

A tétel rövid nézete
dc.contributor.advisorRátonyi, Tamás
dc.contributor.authorFejér, Péter István
dc.contributor.departmentKerpely Kálmán növénytermesztési- és kertészeti tudományok doktori iskolahu
dc.contributor.submitterdepMezőgazdaság-, Élelmiszertudományi és Környezetgazdálkodási Kar
dc.date.accessioned2025-09-29T07:41:57Z
dc.date.available2025-09-29T07:41:57Z
dc.date.defended2025-09-14
dc.date.issued2025
dc.description.abstractKUKORICA EGYES BELTARTALMI PARAMÉTEREINEK ÉRTÉKELÉSE HAGYOMÁNYOS ÉS GÉPI TANULÁSON ALAPULÓ MÓDSZEREKKEL Fejér Péter István doktorjelölt Absztrakt: A globális élelmezésbiztonság biztosítása a gabonatermelés mennyiségi és minőségi paramétereinek együttes javítását teszi szükségessé. A kukorica (Zea mays L.) stratégiai jelentőségű növény, amelynek keményítőtartalma meghatározó szerepet játszik a feldolgozhatóságban, az energiatartalomban és a végtermék minőségében. A kutatás célja különböző műtrágyakezelések, talajművelési módok és az évjárathatás keményítőtartalomra gyakorolt hatásának feltárása, valamint a keményítőtartalom előrejelzésére alkalmas mesterséges neurális hálózati (ANN) modellek kialakítása volt. A vizsgálatok három éven (2017-2019) keresztül, a Debreceni Egyetem Látóképi Növénytermesztési Kísérleti Telepén, három talajművelési rendszerben (őszi szántás, sávos művelés, lazítás) és három műtrágyakezelés mellett (kontoll, 80 kg és 160 kg N ha⁻¹+PK) kerültek elvégzésre. Az adatértékeléshez varianciaanalízis, LSD-teszt, korrelációelemzés, főkomponens-analízis, valamint két ANN-modell – többrétegű perceptron (MLP) és radiális bázisfüggvény (RBF) – került alkalmazásra. Az eredmények alapján az évjárat szignifikáns hatással volt a keményítőtartalomra, a legmagasabb érték 2018-ban adódott (65,76%). A keményítő- és fehérjetartalom között erős negatív korreláció (r = -0,72) volt kimutatható. A tápanyagszintek növekedésével a keményítőtartalom csökkent, ami a hozam és a beltartalmi minőség közötti kompromisszumot jelzi. Az MLP-modell minden forgatókönyvben jobb predikciós teljesítményt mutatott, mint az RBF-modell (legjobb esetben RE = 0,006). Kulcsszavak: kukorica, keményítőtartalom, ANN, neurális hálózatok Abstract: Global food security requires the simultaneous improvement of both the quantitative and qualitative parameters of cereal production. Maize (Zea mays L.) is a crop of strategic importance, with starch content playing a decisive role in processing quality, energy value, and final product characteristics. The aim of this study was to examine the effects of different fertilization treatments, tillage systems, and year-to-year climatic variability on grain starch content, and to develop artificial neural network (ANN) models suitable for its prediction. The experiments were conducted over three years (2017–2019) at the Látókép Crop Production Experiment Station of the University of Debrecen, under three tillage systems (ploughing, strip-tillage, and ripping) and three fertilization treatments (control, 80 kg and 160 kg N ha⁻¹ + PK). Data evaluation was performed by analysis of variance (ANOVA), LSD test, correlation analysis, principal component analysis (PCA), and two ANN models: multilayer perceptron (MLP) and radial basis function (RBF). A significant crop-year effect was observed, with the highest mean starch content measured in 2018 (65.76%). A strong negative correlation (r = -0.72) was found between starch and protein content. Increasing nutrient levels resulted in a decrease in starch content, indicating a trade-off between yield and grain quality. The MLP model outperformed the RBF model across all scenarios, achieving the lowest relative error (RE = 0.006) in the best case.. Keywords: maize, starch content, ANN, neural networks
dc.format.extent137
dc.identifier.urihttps://hdl.handle.net/2437/397688
dc.language.isohu
dc.language.isoen
dc.subjectkukorica, keményítőtartalom, ANN, neurális hálózatok
dc.subjectmaize, starch content, ANN, neural networks
dc.subject.disciplineNövénytermesztési és kertészeti tudományok
dc.subject.sciencefieldAgrártudományok
dc.titleKukorica egyes beltartalmi paramétereinek értékelése hagyományos és gépi tanuláson alapuló módszerekkel
dc.title.translatedEvaluation of certain qualitative parameters of maize using traditional and machine learning-based methods
dc.typePhD, doktori értekezéshu
Fájlok
Eredeti köteg (ORIGINAL bundle)
Megjelenítve 1 - 3 (Összesen 3)
Nincs kép
Név:
PhD_értekezés_Fejér Péter István.pdf
Méret:
7.98 MB
Formátum:
Adobe Portable Document Format
Letöltés
Nincs kép
Név:
PhD_tézisfüzet_Fejér Péter István.pdf
Méret:
3.12 MB
Formátum:
Adobe Portable Document Format
Letöltés
Nincs kép
Név:
PhD_tézisfüzet_ENG_Fejér Péter István.pdf
Méret:
3.12 MB
Formátum:
Adobe Portable Document Format
Letöltés
Engedélyek köteg
Megjelenítve 1 - 1 (Összesen 1)
Nincs kép
Név:
license.txt
Méret:
1.93 KB
Formátum:
Item-specific license agreed upon to submission
Leírás:
Letöltés
Gyűjtemények
Kerpely Kálmán Doktori Iskola