Nitrogen use efficiencies of spring barley grown under varying nitrogen conditions in the field and growth chamber
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Nitrogen-use efficiency (NUE) of cereals needs to be improved by nitrogen (N) management, traditional plant breeding methods and/or biotechnology, while maintaining or, optimally, increasing crop yields. The aims of this study were to compare spring-barley genotypes grown on different nitrogen levels in field and growth-chamber conditions to determine the effects on N uptake (NUpE) and N utilization efficiency (NUtE) and ultimately, NUE. METHODS: Morphological characteristics, seed yield and metabolite levels of 12 spring barley (Hordeum vulgare) genotypes were compared when grown at high and low nitrogen levels in field conditions during the 2007 and 2008 Canadian growing seasons, and in potted and hydroponic growth-chamber conditions. Genotypic NUpE, NUtE and NUE were calculated and compared between field and growth-chamber environments. KEY RESULTS: Growth chamber and field tests generally showed consistent NUE characteristics. In the field, Vivar, Excel and Ponoka, showed high NUE phenotypes across years and N levels. Vivar also had high NUE in growth-chamber trials, showing NUE across complex to simplistic growth environments. With the high NUE genotypes grown at low N in the field, NUtE predominates over NUpE. N metabolism-associated amino acid levels were different between roots (elevated glutamine) and shoots (elevated glutamate and alanine) of hydroponically grown genotypes. In field trials, metabolite levels were different between Kasota grown at high N (elevated glutamine) and Kasota at low N plus Vivar at either N condition. CONCLUSIONS: Determining which trait(s) or gene(s) to target to improve barley NUE is important and can be facilitated using simplified growth approaches to help determine the NUE phenotype of various genotypes. The genotypes studied showed similar growth and NUE characteristics across field and growth-chamber tests demonstrating that simplified, low-variable growth environments can help pinpoint genetic targets for improving spring barley NUE.
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 ».