Indirect Estimations of Lentil Leaf and Plant N by SPAD Chlorophyll Meter
Notice bibliographique
Résumé
A Soil Plant Analysis Development (SPAD) chlorophyll meter can be used to screen for leaf nitrogen (N) concentration in breeding programs. Lentil ( Lens culinaris L.) cultivars were grown under varied N regimes, SPAD chlorophyll meter readings (SCMR) were recorded from the cultivars leaves, and leaf N concentration was measured by combustion. Linear regression and the nonlinear Radial Basis Functions (RBF) neural networks models were employed to estimate leaf N concentration (LNC) based on the SCMR values. The closest estimates of LNC were obtained from the multivariate models in which the combination of plant age, leaf thickness, and SCMR was employed as the independent variable. In comparison, SCMR as the single independent variable in both models estimated less than 50% of LNC variations. The results showed significant effects of soil moisture and plant age on the association of LNC –SCMR as well as the relationship of LNC with plant N, grain yield, and days to maturity. However, the effect of cultivar on the measured variables was negligible. Although lentil N can be diagnosed by comparing SCMR values of the crop with those from a well-fertilized (N fixing) plot, the results did not support using SPAD chlorophyll meter for screening lentil LNC.
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 ».