Genetic Improvement Estimates, from Cultivar × Crop Management Trials, Are Larger in High‐Yield Cropping Environments
Notice bibliographique
Résumé
ABSTRACT Soybean [ Glycine max (L.) Merr.] genetic improvement studies conducted under different stresses have provided conflicting results while maize ( Zea mays L.) studies have shown that new cultivars were tolerant to a wide range of stresses. Using 25 genetic improvement studies from the literature, the objectives of this study were to compare estimates of genetic improvement under a range of yield capacities and also to determine the Finlay‐Wilkinson adaptability of old to newer cultivars. The 25 genetic improvement studies were performed under a range of yield capacities due to varying density, fertility, irrigation, fungicide treatments, or year‐to‐year variation. Genetic improvement rates for each experiment were estimated from linear regression of cultivar yield on year of release. A cultivar's adaptability was estimated from regression of cultivar yield on site yield. In general, higher estimates of genetic gain were found in high‐yielding environments regardless of whether the higher yields were provided by reducing stress (controlling weeds or diseases, increasing nitrogen or water) or increasing stress using higher plant densities. Newer cultivars had higher adaptability values, indicating they are better adapted to high‐yield environments. Older cultivars appear to have little utility for current use in any of the cropping systems in these studies. Plant breeders need to consider the possibility of lower genetic progress if using lower‐yield‐potential testing environments such as reduced fertility or weed control. The use of high‐yield sites may maximize genetic progress even if it does not reflect current producer environments.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».