MétaCan
Menu
Retour à la cohorte
Enregistrement W2614298050 · doi:10.5539/jas.v9n6p188

Sowing Dates and Soybean Cultivars Influence Seed Yield, Oil and Protein Contents in Subtropical Environment

2017· article· en· W2614298050 sur OpenAlexvenueno aff
Clovis Pierozan, Jackson Kawakami, Kélin Schwarz, Renan Caldas Umburanas, Murilo Viotto Del Conte, Marcelo Marques Lopes Müller

Notice bibliographique

RevueJournal of Agricultural Science · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSoybean genetics and cultivation
Établissements canadiensnon disponible
Organismes subventionnairesConselho Nacional de Desenvolvimento Científico e TecnológicoFundação de Amparo à Pesquisa do Estado de São Paulo
Mots-clésSowingCultivarAgronomyYield (engineering)SubtropicsBiologyCropGrain yieldGrowing seasonHumid subtropical climateHorticultureMaterials scienceMedicine

Résumé

récupéré en direct d'OpenAlex

The sowing date is the crop management practice with higher interference on soybean grain yield, although this interference is dependent on the genotype by environment interaction. This study was carried out to evaluate how soybean genotypes behave at different sowing times in a subtropical environment. We evaluated the grain yield, yield components, plant morphology and grain oil and protein content of four soybean cultivars (FPS Urano RR, BMX Apolo RR, BMX Energia RR and BRS 284) at three sowing dates (early, mid, and late sowing in 2010/2011 season) in Mid-South of Parana State, Brazil. Early cultivars at late sowing may have problems with mechanical harvest. The number of pods and grains differed among cultivars, and the cultivar “BRS 284” showed the best results. As an exception, the cultivar “BRS 284” showed yield stability among sowing dates. Higher amount of grain protein content occurs in middle and late sowing dates. The grain yield decreased with delay of sowing due to the reduction of the grains mass and in Southern Brazil is very important to assure high mass of seed to obtain high grain yields.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,848
Score d'incertitude au seuil0,394

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,219
Écart entre enseignants0,197 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetSoybean genetics and cultivationTravaux en français237 207