Agronomic Advancement in Tillage, Crop Rotation, Soil Health, and Genetic Gain in Durum Wheat Cultivation: A 17-Year Canadian Story
Notice bibliographique
Résumé
The global demands for various grains, including durum wheat (Triticum turgidum L. subsp. durum (Desf.) Husn.), are expected to increase substantially in the coming years, due to the ever-growing human population’s needs for food, feed, and fuel. Thus, providing consistent or increased durum grain to the world market is one of the priorities for policy-makers, researchers, and farmers. What are the major achievements in agronomic advancement for durum wheat cultivation in recent decades? How might the current cropping systems be improved to increase crop yield and quality and improve resource use efficiencies while minimizing input costs and decreasing negative impact on the environment? Canada is one of the major durum wheat producers in the world, as Canada contributes about 50% to global trade of durum grain. Canada’s research achievements in durum wheat might serve as a guide for advancing the cultivation of the crop in other regions/countries on the planet. This review summarizes the major Canadian research findings in the aspects of durum wheat agronomics during the period 2001 to 2017 years. It highlights the main advancements in seeding and tillage, crop rotation and diversification, and use of pulse-induced microbiomes to improve soil health and feedback mechanisms. The genetic gain and breeding for resistance against abiotic and biotic stresses are discussed. Finally, we identified the main constraints and suggested some near-term research priorities. The research findings highlighted in this review will be of use for other areas on the planet to increase durum wheat productivity, improve soil fertility and health, and enhance long-term sustainability.
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 | 0,000 | 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) | 0,000 | 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 ».