Yield Responses to Planting Density for US Modern Corn Hybrids: A Synthesis‐Analysis
Notice bibliographique
Résumé
Identifying an optimal plant density is a critical management decision for corn (Zea mays L.) production. The main objectives of this study were to: (i) investigate the grain yield responses to plant density (yield–density relationship), (ii) identify best fitted yield–density response curves, and (iii) explore genotype (G) × environment (E) interaction effect on yield–density response models. Analysis was conducted on meta‐data (124,374 observations) gathered from 22 US states and 2 Canadian provinces, diverse sites (E), for years from 2000–2014 on multiple hybrids (G). Yield data were further grouped into four yield environments (low [LY], <7 Mg ha−1; medium [MY], 7–10 Mg ha−1; high [HY], 10–13 Mg ha−1; and very high [VHY], >13 Mg ha−1 yielding groups). Primary outcomes from this analysis were: (1) strong G × E interaction; (2) a quadratic model best fitted yield–density relationship; (3) four contrasting yield–density responses identified as dominant in each yield productivity environment, i.e., a declining, a constant, an increasing, and ever‐increasing type; (4) the yield productivity environment varied for the different corn comparative relative maturity (CRM) groups, i.e., the LY environment for long‐maturing hybrids matched with a MY or HY environment for short maturing hybrids; and (5) maximum yielding plant density (MYPD) was lower but maximum yield was greater for long‐ versus short‐maturing hybrids. In summary, optimal plant density should be decided based on detailed G × E analysis of production conditions that include factors such as CRM, yield productivity environment (weather–soil × management practices), and site information.
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,008 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».