Non-invasive Physiological Approaches for Plant Phenotyping: Rice Responses to Heat Stress
Notice bibliographique
Résumé
Rice (Oryza sativa L.) can be negatively impacted by supraoptimum temperatures (above 33 °C) during initial reproductive phase (R3-R5); development and adoption of approaches via non-invasive physiological phenotyping can lead to help build new plant types to face the current extreme climatic events such as future forecasts. For this purpose, screening process was designed to progressively decrease the genotypes number via non-invasive phenotyping approaches; beyond to allow the increase of phenotyping dimensionality degree across tiers. In a first-tier (in 2015-2016 growth season), phenotyping procedures involved measurements of dossel temperatures via thermography imaging in a set of 182 accessions of subspecies Indica, Japonica and Indica/Japonica cross from Embrapa’s Rice Breeding, which were cultivated in two sowing dates. About 30% (55) of the initial genotypes number which showed the lower canopy temperatures were selected based on results of multivariate analyses. In a second-tier (2016-2017 crop season), a second field trial was conducted, using polythene shelters structures aiming ensure the heat stress imposing during the critical phases of plant development; during this period, an effective photochemical quantum yield of photosystem II (YII) performance was monitored across set of genotypes. Data obtained are highlighted and discussed allowing suggest appointments about the usability/bottlenecks of thermography as suitable tool for phenotyping in a large scale manner; beside highlight the importance of some physiological responses as part of the basis of rice heat tolerance. Concluding, the LTB 14031 and BRS Pampa genotypes outperformed the set of evaluated genotypes across sowing dates and years relative to their physiological and grain yield components variables; these genotypes are integrating cross-breeding aiming to construct new plants ideotype which can associate higher grain yield performance when grown under non-stressed conditions and capable to maintain great yield stability under hard environments.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».