Genotype × Environment Interaction and Stability Analysis for Watermelon Fruit Yield in the United States
Notice bibliographique
Résumé
One of the major breeding objectives for watermelon ( Citrullus lanatus [Thumb.] Matsum & Nakai) is improved fruit yield. High yielding genotypes have been identified, so we measured their stability for fruit yield and yield components over diverse environments. The objectives of this study were to (i) evaluate the yield of watermelon genotypes over years and locations, (ii) identify genotypes with high stability for yield, and (iii) measure the correlations among univariate and multivariate stability statistics. A diverse set of 40 genotypes was evaluated over 3 yr (2009, 2010, and 2011) and eight locations across the southern United States in replicated trials. Yield traits were evaluated over multiple harvests, and measured as marketable yield, fruit count, percentage cull fruit, percentage early fruit, and fruit size. There were strong effects of environment as well as genotype × environment interaction (G×E) on watermelon yield traits. Based on multiple stability measures, genotypes were classified as stable or unstable for yield. There was an advantage of hybrids over inbreds for yield components in both performance and responsiveness to favorable environments. Cultivars Big Crimson and Legacy are inbred lines with high yield and stability. A significant ( P < 0.001) and positive correlation was measured for Shukla's stability variance (σ i 2 ), Shukla's squared hat ( ŝ i 2 ), Wricke's ecovalence ( W i ), and deviation from regression ( S 2 d ) for all the traits evaluated in this study.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».