MétaCan
Menu
Retour à la cohorte
Enregistrement W1923342010 · doi:10.1071/cp14177

Can wheat varietal mixtures buffer the impacts of water deficit?

2015· article· en· W1923342010 sur OpenAlexaff
Paul Kwasi Krah Adu-Gyamfi, Tariq Mahmood, Richard Trethowan

Notice bibliographique

RevueCrop and Pasture Science · 2015
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueCrop Yield and Soil Fertility
Établissements canadiensDepartment of Environment and Conservation
Organismes subventionnairesnon disponible
Mots-clésAgronomyBiologyAbiotic componentMoisture stressWater contentCultivarYield (engineering)Plant breedingWater-use efficiencyDrought tolerancePopulationMoistureWater useResistance (ecology)Crop yieldProductivityCropEcology

Résumé

récupéré en direct d'OpenAlex

Moisture stress limits the yield and productivity of wheat, a staple food for 35% of the world’s population. The reproductive stage is the most vulnerable to moisture deficit, and genetic variation for tolerance to stress has been identified in the wheat gene pool. Introducing this complex variation into new, pure-line cultivars is difficult and time consuming. However, varietal mixtures can be an effective alternative to traditional gene pyramiding. Varietal mixtures lessen the impacts of abiotic and biotic stresses in two ways. First, they buffer yield through more efficient resource use, including soil moisture, particularly evident when mixtures comprise complementary physiological traits that influence water-use efficiency. Second, they improve resistance to root diseases and pests that limit root growth and subsequent access to, and absorption of, water from deeper in the soil profile. This review evaluates the concept of varietal mixtures and assesses their impact on crop productivity and environmental buffering. The potential of physiological and root disease resistance trait mixtures to stabilise yield is also explored. Avenues for developing compatible mixtures based on physiological traits that increase yield in water-limited environments are evaluated.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,021
Tête enseignante GPT0,230
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations22
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCrop and Pasture ScienceMême sujetCrop Yield and Soil FertilityTravaux en français237 207