Effects of Nitrogen Fertilizer on Protein Quantity and Gluten Strength Parameters in Durum Wheat (<i>Triticum turgidum</i> L. var. <i>durum</i>) Cultivars of Variable Gluten Strength
Notice bibliographique
Résumé
ABSTRACT Field studies were conducted over three years at two locations in Saskatchewan, Canada, to determine the effect of nitrogen fertilizer on protein quantity and protein strength in 10 cultivars of durum wheat ( Triticum turgidum L. var. durum ) representing a range of gluten strength. Increasing nitrogen fertilizer resulted in increased protein content in all cultivars across environments. Cultivars were clearly differentiated on the basis of gluten strength using a gluten index (GI), SDS sedimentation (SDSS), alveograph indices of overpressure ( P ) and deformation energy ( W ), mixograph energy to peak (ETP), and mixograph bandwidth energy (BWE) at all fertilizer levels. Variable cultivar response to nitrogen fertilizer was observed only for protein content, GI, and alveograph W . The nature of the cultivar‐by‐fertilizer interaction for GI suggested that the conventional strength cultivars would benefit more from nitrogen fertilizer than the extra‐strong types, which showed no change or slight decreases in GI with nitrogen fertilizer despite an increase in total gluten. SDSS increased with nitrogen fertilizer, following similar trends as protein. Gluten strength rankings of the cultivars by SDSS were maintained with increased fertilizer. Fertilizer had little effect on alveograph P , mixograph ETP, and mixograph BWE. Overall, GI values were more stable across increasing levels of nitrogen fertilizer and resultant increased protein content compared with SDSS, mixograph development time, and alveograph W and L , suggesting it is a good test for estimating intrinsic gluten strength for cultivars with a wide range of protein content.
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 ».