Selection for Orchardgrass Seed Yield in Target vs. Nontarget Environments
Notice bibliographique
Résumé
Simultaneous improvement of forage traits and seed yield in orchardgrass ( Dactylis glomerata L.) has been problematic because of geographic separation of forage and seed production locations. Previous work has shown that a complex multilocation selection program in forage production environments can increase forage yield as well as seed yield in Oregon. The objective of this experiment was to compare target‐environment (TE) and nontarget–environment (NTE) selection approaches for increasing seed yield of orchardgrass in Oregon. Two cycles of recurrent phenotypic selection for panicle seed mass (PSM) and agronomic traits were conducted on four populationsin four eastern USA locations (NTE) and one Oregon location (TE). Seed yield was increased in three of four orchardgrass populations by TE selection, averaging 5.1% cycle −1 , but was improved by NTE selection in only one of four populations. Conversely, TE selection for PSM and agronomic traits resulted in no changes to forage yield in the eastern USA and Canada, while NTE selection for PSM and agronomic traits increased forage yield in two of four populations, confirming results of a previous study. It appears that the most efficient system for simultaneously improving forage and seed traits of orchardgrass would be to practice selection for forage traits in forage production environments and seed traits in seed production environments, with sufficiently large populations to allow multitrait selection.
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 | 0,000 | 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 | 0,000 | 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 ».