Model Concepts to Express Genetic Differences in Maize Yield Components
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Maize ( Zea mays L.) grain yield is closely related to kernel number per unit area. The quantification of genetic differences among maize cultivars to kernel number plant −1 (KNP) is critical for accurate yield simulation but remains one of the less accurate components of yield modeling. Our objective was to document the recently published KNP data and revise CERES Maize model (V3.5). The duration of a critical window for KNP simulation was 327°C days (227°C days before and 100°C days after silking—base temperature 8°C) when ears actively grew. The KNP was curvilinearly related to cumulative intercepted photosynthetically active radiation plant −1 (CIPAR) during the critical window. Potential kernel ear −1 and kernel produced per unit CIPAR were the genetic coefficients needed to simulate KNP. Apical ears produced maximum KNP at a plateau CIPAR of 64 MJ, and prolific hybrids produced secondary ears when CIPAR exceeded 64 MJ. The genetic differences in prolificacy in low plant density were expressed by another coefficient. Below a threshold CIPAR of 11 MJ, all plants were barren, and a barrenness coefficient expressed genetic differences among old and modern hybrids to produce KNP in high plant density. Sensitivity analysis with limited testing indicated that the revised model simulated yield reasonably well [root mean square error (RMSE) = 0.63 Mg ha −1 ] compared with the original model (RMSE = 1.25 Mg ha −1 ) across a wide range of plant densities. However, rigorous testing of the model will be required to gain greater confidence in the proposed concepts.
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.
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) | 0,001 | 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 découle