Path Analyses of Population Density Effects on Short‐Season Soybean Yield
Notice bibliographique
Résumé
Yield component analysis provides a framework for identifying potentially useful traits for yield improvement. Consideration of how population density affects other yield components has not been addressed specifically for short‐season soybean [Glycine max (L.) Merr.] production. We assessed the direct and indirect contributions of population density for short‐season soybean yield and its components over a wide range of population densities (6–134 plants m−2) using path‐coefficient analysis. Data were from field tests conducted in 1997, 1998, and 1999 at Keiser, AR. Although population density had a large inverse association with pods plant−1, the large direct effect of population density on yield was greater than its negative indirect effect via pods plant−1. The direct effects of pod number plant−1 and seeds pod−1 on yield were positive, whereas mass seed−1 had a negligible effect. Pods fertile‐node−1 differed between cultivars, and it was reduced by increasing population density. For early sowing, the contribution of population density to yield was less because pods m−2 could be achieved at low population densities by a large number of fertile‐nodes plant−1 and pods fertile‐node−1. In contrast, at late sowing, the decreased potential for fertile‐nodes plant−1 was compensated by increasing plant population density. In short seasons, maximizing nodes m−2 and pods m−2 can be achieved by high population densities and early canopy closure, rather than the conventional system of larger plants with greater numbers of pods plant−1 and pods fertile‐node−1
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».