Mineral Contents of Chickpea Cultivars (Cicer arietinum L.) Grown at Different Locations of Turkey
Notice bibliographique
Résumé
Mineral deficiency-induced diseases and health problems influence billions of people worldwide.Development of edible legumes with high mineral contents will provide significant contributions in reducing the frequency of such diseases.Among the edible legumes, chickpea has quite high nutritional values and quite low production costs, thus commonly grown and consumed worldwide.This study was conducted to determine mineral (potassium, phosphorus, sulphur, calcium, magnesium, sodium, zinc, iron, boron, manganese, copper) contents of eight different chickpea cultivars (Akçin-91, Azkan, Hisar, Akça, Gökçe, Yaşa-05, Işık-05 and Çakır) grown in two different locations (Afyonkarahisar and Yozgat provinces of Turkey) for two years (2015 and 2016).Experiments were conducted in randomized blocks design with three replications.Among the minerals, potassium was highest (6435.2-8231.7 mg kg -) followed by phosphorus (2573.9-3094.0mg kg -1 ) and sulphur (1710.9-2060.7 mg kg -1 ).Among the minerals, copper was lowest followed by boron and manganese.Considering the average of locations, it was observed that Gökçe, Akçin-91, Azkan and Hisar cultivars were prominent with sulphur content; Akça with boron, sodium and calcium contents; Yaşa-05 and Işık-05 with potassium, phosphorus, magnesium, zinc, iron, magnesium, manganese and copper contents.Çakır cultivar was stable for all minerals.The concentrations of seed P, S, Ca, Mg, B and Mn were significantly affected by locations.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».