Nitrogen Fertilizer Complements Breeding in Improving Yield and Quality of Milling Oat
Notice bibliographique
Résumé
A four‐level nitrogen (N) fertilizer study was conducted for nine diverse oat ( Avena sativa L.) cultivars at three geographically diverse locations in Canada in 2013 and 2014 to study the effects of N fertilizer on grain yield and important quality parameters of milling oat. Analysis of variance and biplot analysis were used to interpret the multifactor, multitrait data. The findings are: (i) N fertilizer up to 150 kg ha −1 led to simultaneous and statistically significant improvement of grain yield, milling quality (groat content and proportion of undehulled kernels), and compositional quality (β‐glucan, protein, and oil concentrations), despite some N × genotype and N × environment interactions. (ii) β‐Glucan and oil concentrations were much more strongly determined by genotype than by N fertilizer; groat content and proportion of undehulled kernels were slightly more strongly determined by genotype than by N fertilizer; protein was similarly determined by genotype and N fertilizer; and grain yield was much more determined by N fertilizer than by genotype. (iii) Nitrogen fertilizer effectively increased the yield of high‐β‐glucan, low‐yielding cultivars but had a limited (though statistically significant) effect in improving the β‐glucan levels of cultivars that are low in β‐glucan. (iv) Cultivars differed in the extent of response to N fertilizer, so it is necessary to develop cultivar‐specific N management plans for different cultivars. It is proposed to use N fertilizer to improve yield (and, to a lesser extent, quality parameters) to complement breeding prioritizing superior quality (high β‐glucan in particular) and lodging resistance.
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 | 0,001 | 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 | 0,000 |
| 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) | 0,000 | 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 ».