MétaCan
Menu
Retour à la cohorte
Enregistrement W2913017022 · doi:10.3390/f10020093

Current Advances in Seed Orchard Layouts: Two Case Studies in Conifers

2019· article· en· W2913017022 sur OpenAlexaff
Kateřina Chaloupková, Jan Stejskal, Yousry A. El‐Kassaby, John Frampton, Milan Lstibůrek

Notice bibliographique

RevueForests · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueHorticultural and Viticultural Research
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesČeská Zemědělská Univerzita v PrazeMinisterstvo Školství, Mládeže a Tělovýchovy
Mots-clésSeed orchardOrchardInbreedingTree (set theory)BiologyAgroforestryAgricultural engineeringMathematicsAgronomyBotanyEngineeringDemographyCombinatoricsPopulationSociology

Résumé

récupéré en direct d'OpenAlex

Currently, there has been an increasing demand on seed orchard designs with respect to mitigating inbreeding in advanced generations or facing severe mortality at sites. Optimum Neighborhood Algorithm design (ONA) excels in solving these issues, as shown in two case studies. The first demonstrates the application of the ONA for populating empty positions in an existing orchard. Following this concept, the ONA can be used for upgrading existing orchards, where only high-value parents are retained and new parents are introduced, thus avoiding the genetic penalty associated with the establishment of new-generation seed orchards. The second illustrates benefits of combining the ONA with the Minimum Inbreeding (MI) seed orchard design. Utilizing the MI, distances among clonal rows of selected clones were maximized on the orchard grid while the remaining single-tree positions were populated by ONA.

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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,076
Score d'incertitude au seuil0,940

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 technologies0,0000,000
Communication savante0,0000,000
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 Opus0,064
Tête enseignante GPT0,380
Écart entre enseignants0,315 · 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

Citations12
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueForestsMême sujetHorticultural and Viticultural ResearchTravaux en français237 207