MétaCan
Menu
Retour à la cohorte
Enregistrement W1991044414 · doi:10.1094/cchem-86-1-0082

Starch Granule Size Distribution from Seven Wheat Cultivars Under Different Water Regimes

2009· article· en· W1991044414 sur OpenAlexaff
Zhongmin Dai, Yanping Yin, Zhenlin Wang

Notice bibliographique

RevueCereal Chemistry · 2009
Typearticle
Langueen
DomaineNursing
ThématiqueFood composition and properties
Établissements canadiensMinistry of Agriculture
Organismes subventionnairesnon disponible
Mots-clésAmyloseStarchChemistryGranule (geology)CultivarAgronomyFood scienceBotanyBiologyMaterials scienceComposite material

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Seven wheat cultivars with different starch contents were used as materials to investigate the distribution of grain starch granule size under irrigated and rainfed conditions. In mature grains, the diameter of starch granules was 0.37–52.6 μm, and the percent volume distribution showed a two‐peak curve with the mean particle diameter of 5 (B‐type) and 25 μm (A‐type) at each peak. The volume percentages of A‐ and B‐types were 52.7–65.5% and 34.5–47.3%, respectively. A two‐peak curve is also shown in percent surface area distribution of starch granules, but only one peak in percent number. Both irrigated and rainfed conditions had a significant effect on the starch granule size distribution of the seven cultivars. As compared with irrigated treatment, rainfed treatment affected the distribution of starch granules in grains of all cultivars through increasing the volume percentage and surface area percentage of 2–9.8 and <9.8 μm starch granules and decreasing those of >9.8 and >18.8 μm starch granules. The soil water deficit also decreased the contents of amylose and starch in grains and increased protein content, indicating that different water regimes had an evident effect on grain quality. According to correlation coefficients ( r ), the contents of amylose, starch, and protein in grains was significantly correlated with the volume percentage of starch granules with different diameter ranges.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,008
Score d'incertitude au seuil0,708

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,238
Écart entre enseignants0,224 · 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 tête enseignante, 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

Citations33
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCereal ChemistryMême sujetFood composition and propertiesTravaux en français237 207