Principal Component Analysis for Identification of Superior Castor Bean Hybrids
Notice bibliographique
Résumé
The identification of superior genotypes in plant breeding programs is not a quick and simple task and requires breeders to become aware of more suitable and efficient tools for evaluating crop performance. Univariate analyses are often too narrow for the scope of plant breeding because it lacks consideration of relations between variables. Therefore, the objective of this study was to select castor bean hybrids based on principal component analysis (PCA). Trials were conducted in 2017 with 31 hybrids in a randomized block design with 4 replications. The following variables were used to evaluate crop performance: plant height (PH), insertion height of the primary raceme (HPR), number of stem nodes (NN), number of racemes (NR), number of seeds (NS), stem diameter (SD), number of fruits (NF), 100-seed weight (S100) and seed oil content (SOC). The first three principal components (PCs) explained approximately 75.01 % of all the variability in the dataset. PC 1, 2 and 3 were particularly related to productivity (NS, NR, S100 and NF), plant size (SD, HPR and PH) and oil production (SOC), respectively. Hybrids 14 and 23 were the most suitable for grain production in commercial scale due to short-height, which favors mechanical harvesting. Commercial hybrid 26 showed high SOC, medium grain yield and medium-height.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».