Grain Yield and Its Associations With Pre-harvest Sprouting in Wheat
Notice bibliographique
Résumé
This study aimed to evaluate direct and indirect effects of agronomic traits importance on grain yield with focus in pre-harvest sprouting. Experiment was conducted in 2017 crop season, and conducted in a randomized block design, with three replications, with eight wheat cultivars (BRS Sábia, CD 105, CD 1104, CD 1440, Frontana, Jadeíte 11, Mirante and ORS Vintecinco). Grain yield and its components were evaluated, as well as other important traits such as pre-harvest sprouting. Data were submitted to variance analysis; and phenotypic, genotypic and environmental correlations were estimated to understand grain yield expression, direct and indirect effects of its components were evaluated through path analysis. Cultivar BRS Sabiá showed shorter cycle, cultivar CD 1104 was highlighted in number of spikes per area, hectoliter weight and grain yield. And cultivars Frontana, CD 1440 and ORS Vintecinco presented the best tolerances pre-harvest sprouting. Grain yield showed high and positive phenotypic and genotypic correlations with number of ears per square meter. Furthermore, high positive direct effect of pre-harvest sprouting on grain yield, revels lower tolerance for cultivars with high grain yield. Number of spikes per square meter showed intermediate and positive direct effect and pre-harvest sprouting had the greatest direct effect on grain yield.
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) | 0,000 | 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) | 0,001 | 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 ».