Edible Grain Legumes
Notice bibliographique
Résumé
Edible grain legumes, including dry bean (Phaseolus vulgaris L.), dry pea (Pisum sativum L.), chickpea (Cicer arientinum L.), and lentil (Lens culinaris Medikus), have served as important sources of protein in the human diet for thousands of years. In the United States, these crops are consumed nationally and produced for export markets. The objectives of this study were to examine yield gains in edible grain legume crops over the past 25 yr. Genetic gain in dry bean during the past 30 yr based on common trials was 13.9 kg ha−1 yr−1 (0.77% yr−1) and 17.4 kg ha−1 yr−1 (0.85% yr−1) for navy and pinto bean cultivars, respectively. Data from national yield trials on research sites indicates that yield gains were 0.4, 0.7, 0.9, and 1.7% for pinto, navy, black, and kidney beans, respectively. The results also suggest that dry bean cultivars have not reached a yield plateau for most market classes. Continued introgression of germplasm from other races of common bean should provide new sources of genetic diversity to enhance yield in the future. Over the past 25 yr, the production of cool season food legumes (pea, lentil, and chickpea) in the United States has increased dramatically; however, yields of dry pea in the United States have decreased by 0.3% per year, lentil yields have increased by only 0.1% per year, and chickpea yields have increased by 2.8% per year. Pea and lentil production has increased dramatically in Montana and North Dakota, but the cultivars grown in this region were originally developed in the U.S. Pacific Northwest (PNW) and Canada and are likely not well adapted for Montana and North Dakota. Several currently grown cultivars are at least 20 yr old, but new cultivars have been released that are superior to these older cultivars.
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 | 0,001 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».