OculimaCast - Software pro předpověď napadení ozimé pšenice pravým stéblolamem (původci Oculimacula yallundae a Oculimacula acuformis)

0484791 - ÚVGZ 2019 RIV CZ cze L4 - Software
Klem, Karel - Pokrývka, Filip
OculimaCast - Software pro předpověď napadení ozimé pšenice pravým stéblolamem (původci Oculimacula yallundae a Oculimacula acuformis).
[OculimaCast - Software for prediction of winter wheat infestation by eyespot (Oculimacula yallundae and Oculimacula acuformis).]
Internal code: OculimaCast 1.01 ; 2017
Technical parameters: Software OculimaCast představuje predikční model založený na neuronové síti, který umožňuje aktuální předpověď napadení pravým stéblolamem v daném roce a na základě této predikce pak přizpůsobení ochrany proti pravému stéblolamu. Současně s použitím klimatických modelů je možné model využít pro odhad budoucích trendů vývoje napadení v souvislostí se změnou klimatu a při použití různých scénářů změny klimatu. Algoritmus neuronové sítě byl převeden do kódu C++ a následně využit pro vytvoření webové aplikace v jazyce PHP. Aplikace obsahuje stránku s licenčními ujednáními a stránku pro vkládání vstupních a generování výstupních dat. Vstupní data mohou být zadávána manuálně nebo ve formě vstupní tabulky. Výstupem je predikovaná hodnota indexu napadení zobrazená přímo na stránce nebo ve formě výstupní tabulky.
Economic parameters: Snížení nákladů na ochranu proti pravému stéblolamu. Snížení škod způsobených pravým stéblolamem díky cíleným aplikacím. Snížení zatížení životního prostředí pesticidy. Využití pro tvorbu dlouhodobé strategie šlechtění a ochrany rostlin v souvislosti se změnou klimatu
R&D Projects: GA MŠMT(CZ) LO1415; GA MZe QJ1530373
Research Infrastructure: CzeCOS II - 90061
Institutional support: RVO:86652079
Keywords : eyespot * Oculimacula * winter wheat * prediction model * neural network
OECD category: Agronomy, plant breeding and plant protection
https://alpha.czechglobe.cz/oculimacast/

Software OculimaCast slouží k orientační předpovědi Indexu Napadení (IN) pravým stéblolamem u ozimé pšenice na základě četnosti dnů s příznivými podmínkami počasí v měsících říjen – duben a také na základě zařazení odrůdy do skupiny odolnosti k stéblolamu. Model predikce je založen na neuronové síti trénované na dlouhodobých datech výskytu pravého stéblolamu. Vstupní údaje mohou být zadávány v případě jednotlivých predikcí ručně, nebo je možné dávkové zadávání vstupních dat ve formě tabulky. Hlavní vstupní proměnnou je odolnost odrůdy. Z meteorologických charakteristik pak nezbytnými vstupními údaji jsou v období říjen až duben: četnost dní s průměrnou denní teplotou v rozmezí 4-10°C, dále četnost dní s relativní vzdušnou vlhkostí (ve 14:00 hodin) vyšší jak 80% a četnost dní s úhrnem srážek vyšším jak 3 mm. Další vstupní proměnné představují četnosti dní kdy je dosaženo současně příznivé průměrné denní teploty a relativní vzdušné vlhkosti a dále četnosti dní kdy průměrná denní teplota a srážky dosahovaly příznivých hodnot. Výstupem software je očekávaná hodnota IN.

Software OculimaCast is used to predict index of infestation of winter wheat by eyespot based on the frequency of days with favorable weather conditions in the months October - April, and also on the basis of categorization of the variety into the group of resistance to eyespot. The prediction model is based on a neural network trained on long-term data about eyespot occurrence. Input data can be entered manually in the case of individual predictions, or uploaded in the form of a table. The main input variable is the resistance of variety. From the meteorological characteristics, the necessary input data are in the period October to April: the frequency of days with mean temperature in the range of 4-10 ° C, the frequency of days with relative air humidity (at 14:00) higher than 80% and the frequency of days with total precipitation higher than 3 mm. Other input variables are the number of days when a favorable mean temperature and relative humidity are observed simultaneously, and the frequency of days when the mean temperature and precipitation reached favorable values. The software output is the expected value of the infestation index.
Permanent Link: http://hdl.handle.net/11104/0279933