A Sampling Method for Measurement of Large Root Systems with Scanner‐Based Image Analysis
Notice bibliographique
Résumé
Measurement of relatively small (<100 m total length, <6 g fresh wt.) root systems has been simplified by image analysis, but measuring larger root systems remains time‐consuming and inaccurate. Reliability of root estimation can be improved through identification of effective sampling methods. We devised a system for the collection of homogeneous root subsamples by air‐stirring in water. We optimized the subsampling technique and used a scanner‐based image analysis system to measure total root length, mean root diameter, and root surface area of three maize ( Zea mays L.) genotypes with contrasting root morphologies: leafy reduced stature (LRS), leafy normal stature (LNS), and Pioneer 3905 (P3905), a commercial hybrid. Root length was determined for 957 subsamples. Confidence intervals were generated by software using the bootstrap resampling approach for optimizing sample size. Confidence intervals for mean estimates of each sample size were defined by ordering the evaluation function values from the smallest to the largest in a set of 5000 iterations. The lower and upper bounds of confidence intervals were also calculated using the standard procedure. This system allowed collection of homogeneous subsamples. Calculations showed that ∼10% of total root volume should be analyzed for estimation of the entire root system to be accurate within 10%. Although unreplicated, these data suggest that maize genotypes with the leafy trait have greater root lengths (1.75 km for LRS, 2.37 km for LNS, and 0.49 km for conventional commercial hybrid P3905) and a greater proportion of fine roots than the nonleafy type.
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 ».