Defining Sunflower Selection Strategies for a Highly Heterogeneous Target Population of Environments
Notice bibliographique
Résumé
Genotype × environment (G × E) interactions can be a major impediment to genetic progress in sunflower ( Helianthus annuus L.) breeding for Argentina. Previous studies revealed that northern and central environments show repeatable differences in genotype discrimination, suggesting some G × E interactions could be accommodated by selecting for specific adaptation. In this study, a trial dataset of 10 hybrids grown over 46 environments was used to validate this megaenvironment definition, to determine the value of division of the sunflower region of Argentina, and to define optimal testing strategies to balance resources between subregions. Pattern analysis confirmed the northern and central megaenvironments. Subdivision of the target region and the testing resources increased the within‐subregion genotype to G × E interaction ratios and did not decrease trial repeatabilities. The genetic correlation between target region and its subregions was 0.36. In contrast to studies for barley in Canada, the calculated ratios of correlated response in a subregion to indirect selection in the undivided target region relative to direct response in the subregion demonstrate that division of the sunflower region is 3× more effective than selecting for broad adaptation to the undivided target region. The unpredictable G × E interactions within subregions should be accommodated by selecting for broad adaptation. In the northern subregion, there is scope to redefine testing strategies by replacing years with locations with no cost in performance predictability. Testing resources can be balanced based on the market value of the two subregions.
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 ».