Genotypic Selection for Soybean Earliness
Notice bibliographique
Résumé
Obtaining early-maturing soybean cultivars with high yield performance has long been the focus of breeding programs. Obtaining the estimates of genetic and phenotypic parameters can assist breeders at selecting the superior genotypes. Therefore, the aim was to estimate the genetic and phenotypic parameters of progenies throughout the recurrent selection for early maturity in soybeans and to select progenies with superior agronomic traits. S0:1 progenies were evaluated in one site during the 2015/2016 harvest using a 12 × 12 lattice design, with one 2-meter row plot with two replicates. The S0:2 progenies were evaluated during the 2016/2017 harvest using an 8 × 8 lattice design, with one 3-meter row plot with three replicates. The S0:3 progenies were evaluated during the 2017/2018 harvest using a 5 × 5 lattice design, with two 3-meter rows plots with three replicates. Both S0:2 and S0:3 progenies were evaluated in three different sites. The days to flowering, full maturity, first pod insertion height, plant height, lodging index and grain yield traits was evaluated. The data were analyzed using a mixed model approach. The genetic and phenotypic parameters, expected gain with selection, realized heritability, correlated response and the frequency distributions of the adjusted means were estimated. The estimates of the variance components have evidenced variability among the progenies, enabling the selection of superior genotypes. All the evaluated progenies showed good agronomic performance, combining early maturity and productive performance. When early-maturing progenies were selected, there was a reduction in days to flowering, plant height, first pod insertion height, lodging and 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 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 | 0,001 |
| 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 ».