Evaluation of the Effect of SoyaSignal Technology on Soybean Yield [<i>Glycine max</i> (L.) Merr.] under Field Conditions Over 6 Years in Eastern Canada and the Northern United States
Notice bibliographique
Résumé
Previous studies showed that inoculation of soybean [ Glycine max (L.) Merr] with Bradyrhizobium japonicum preactivated with plant‐to‐bacteria signal molecules increased nodule number, particularly at low root zone temperatures, thereby improving plant seasonal nitrogen fixation and final grain and protein yield under cool spring conditions. Two products carrying this technology, SoyaSignal TM and Affix+ TM , were designed and tested at 127 locations in Canada and the United States from 1994 to 1999. A summary of the field test results shows that preincubation of B. japonicum with genistein and daidzein, as well as directly increasing the genistein and daidzein concentration in the soybean root rhizosphere, gave an average final grain yield increase of 7 %. The success of SoyaSignal technology was temperature dependent. The plants responded better to the SoyaSignal products when grown under cool soil conditions. Application of SoyaSignal to early planted soybean (before the soil temperature rose above 17.5 °C) increased yields by an average of 10 %. The responses declined with delayed planting dates. Soybean genotypes with high yield potential had greater yield increases than those with low yield potential. As the ratio of return to cost for SoyaSignal technology was 5.3 : 1 over the 127 site‐years, SoyaSignal technology can be used as a tool to improve soybean yield in production areas with cool springs.
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 | 0,001 |
| 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 ».