Improved Growth and Metabolism of Sunflower via Physical Seed Pretreatments
Notice bibliographique
Résumé
<ns2:p>Physical pre-sowing seed treatments as low-cost ecofriendly strategy for better growth and yield of food crops are well accredited. This study was conducted to find out the possible role of physical pre-sowing seed treatments to improve growth and metabolism of sunflower. Seeds were subjected to pre-sowing gamma (γ) irradiation (0, 10, 20 and 30 kGy), He-Ne laser (0, 1, 2, 3 min), UV-B (0, 20, 30, 40 min) and magnetic field (0. 0.1 Tesla, 0.2 Tesla, 0.3 Tesla) treatments. At vegetative and flowering stages, photosynthetic pigments, carotenoids, proteins, flavonoids, soluble sugars, reducing sugars, total soluble phenolics and anthocyanins were evaluated. Results indicated that γ-radiation (10 kGy) and He-Ne (at 1 and 2 min) increased leaf biomass. Along with gamma and UV treatments, He-Ne laser and magnetic field treatment also significantly enhanced the achenes per capitulum and seed oil contents. Chlorophyll contents were higher at vegetative stage as compared to flowering stage. Total soluble proteins, total soluble sugars and total phenolics were increased in all treatments at their all levels. Moreover, flavonoid contents were increased by all pre-sowing, but reverse was displayed by anthocyanin at vegetative stage and no effect was noted at flowering stage. However, oil contents showed increase only in He-Ne or magnetic pretreatment and decreased in response to gamma and UV radiation treatment. In conclusion, physical seed pretreatments proved pragmatic option to improve growth and metabolite accumulation especially at vegetative stage in sunflower. Moreover, lower doses of gamma, UV and He-Ne laser and all the doses of magnetic treatment improved the yield in term of achenes per capitulum along with achene oil percentage.</ns2:p>
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 | 0,000 | 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) | 0,000 | 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 ».