Influence of nitrogen fertilizer application rate on winter wheat (<i>Triticum aestivum</i> L.) flour quality and Chinese noodle quality
Notice bibliographique
Résumé
Abstract BACKGROUND: Understanding wheat flour noodle quality responses to N management will improve the quality of recommendations made to growers for specific end‐uses. Two winter wheat cultivars, with six N rates, planted during the course of a 2‐year experiment were used to determine the effect of N application rate on Chinese white noodle quality. RESULTS: Wheat flour protein content, development time (DT) and stability time (ST) increased with N application rate, maximal at 360 kg N ha−1 and decreasing thereafter. When the N fertilizer application rate changed from 0 to 270 or 360 kg N ha−1, redness (a*) and yellowness (b*) of both flour and noodle increased, while brightness (L*) decreased. The hardness and chewiness of cooked noodles improved at lower N application rate and degenerated at higher N rate. CONCLUSION: A low rate of N fertilizer application (from 0 to 270 kg N ha−1) improved flour quality. Flour protein content and protein quality parameters displayed a significant negative correlation with brightness (L*) values. Generally, high flour protein content and protein quality, as well as good noodle texture, could be achieved by topdressing N fertilizer (in the range 270–360 kg N ha−1). Copyright © 2009 Society of Chemical Industry
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».