Crop Modeling and the Identification of Stable Coefficients that May Reflect Significant Groups of Genes
Notice bibliographique
Résumé
Knowledge about the functioning of a crop system can be embedded in simulation models of crop growth and development. Such quantitative models have until now made extensive use of physiological knowledge, but modeling could benefit greatly by incorporating genetic information. Equally, because models can help resolve environmentally varying characteristics into stable characteristics that reflect groups of genes, genomics research could benefit from modeling efforts. The use of the model Cropsim to analyze wheat ( Triticum aestivum L.) growth and development is demonstrated. Data on reproductive development were well fitted when the life cycle was divided into phases, although photoperiodic sensitivity varied between phases. Describing leaf appearance satisfactorily required introducing an effect of photoperiod. Understanding the need for a breakdown into phases of development, for varying photoperiodic sensitivities, and for photoperiodic control of leaf appearance, could be enhanced by genomic studies. Simulating growth of wheat over successive seasons required changing supposedly stable genotypic characteristics. Furthermore, growth of near inbred lines incorporating the Lr19 chromosome translocation varied with genotypic background. These results also indicate that, given the variation in modeling outputs from year to year, care should be taken in the application of models to long‐term problems, and that efforts should be devoted to model improvement. Further development of crop models will benefit from associating genomic analysis with field experiments and model analyses. Much could be gained from increased interaction among model developers, field experimenters, and genomics researchers.
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 | 0,001 | 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 ».