MétaCan
Menu
Retour à la cohorte
Enregistrement W2009063797 · doi:10.5539/jas.v2n2p164

Wheat Production in India: Technologies to Face Future Challenges

2010· article· en· W2009063797 sur OpenAlexvenueno aff
Rajbir Yadav, S S Singh, Neelu Jain, Gyanendra Pratap Singh, K. V. Prabhu

Notice bibliographique

RevueJournal of Agricultural Science · 2010
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueWheat and Barley Genetics and Pathology
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGreen RevolutionAgricultureProduction (economics)Investment (military)Selection (genetic algorithm)Scale (ratio)Task (project management)Natural resource economicsYield (engineering)BusinessNatural resourceEmerging technologiesFace (sociological concept)AgroforestryBiotechnologyAgricultural economicsGeographyEngineeringComputer scienceEconomicsBiologyEcologyPolitical science

Résumé

récupéré en direct d'OpenAlex

To meet the growing demands under the constrains of depleting natural resources, environmental fluctuation andincreased risk of epidemic outbreak, the task of increasing wheat production has become daunting. The euphoriagenerated by first green revolution is very quickly subsiding and the second generation problems are becomingmore intense with each passing year. The factors responsible for first green revolution seem to be exhaustingrapidly and there is immediate need to develop the technologies which can not only increase the wheatproduction but also sustain at higher level without adversely affecting the natural resources. More investment ongermplasm improvement, conservation agriculture including breeding for varieties adaptive to conservationagriculture, hybrid wheats, broadening the genetic base of the varieties at farmers level, wide scale utilization ofalien translocations in the breeding programme along with integration of marker assisted selection and otherinnovative approaches with traditional breeding methods are some of the technologies which can yield dividendin the coming years.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,886
Score d'incertitude au seuil0,163

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 GPT0,223
Écart entre enseignants0,210 · 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

Citations41
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetWheat and Barley Genetics and PathologyTravaux en français237 207