MétaCan
Menu
Retour à la cohorte
Enregistrement W3106204960 · doi:10.5539/jas.v12n11p190

Classifying Soybean Cultivars Using an Univariate and Multivariate Approach

2020· article· en· W3106204960 sur OpenAlexvenueno aff
João Paulo Santos Carvalho, Adriano Teodoro Bruzi, Karina Barroso Silva, Igor Oliveri Soares, Mariane Cristina Bianchi, Nelson Júnior Dias Vilela

Notice bibliographique

RevueJournal of Agricultural Science · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSoybean genetics and cultivation
Établissements canadiensnon disponible
Organismes subventionnairesMinistério da Ciência, Tecnologia, Inovações e ComunicaçõesConselho Nacional de Desenvolvimento Científico e TecnológicoCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
Mots-clésCultivarUnivariateMultivariate statisticsAdaptabilityMathematicsTraitBiologyYield (engineering)Gene–environment interactionSelection (genetic algorithm)HorticultureAgronomyBiotechnologyStatisticsGenotypeEcologyComputer science

Résumé

récupéré en direct d'OpenAlex

Selection indices are good for classification because they consider several evaluated traits simultaneously to identify superior cultivars with a combination of the traits of interest. Adaptability/stability methods enable determining contributions to the genotype-by-environment (G × E) interaction and the risk associated with each cultivar. This study used a univariate and multivariate strategy to identify commercial soybean cultivars that presented both precocity and good productive performance and studied the G × E interaction considering all cultivars both simultaneously and by maturation groups. The experiments were conducted in the agricultural years 2014/15 and 2015/16 in seven distinct environments in southern Minas Gerais State, Brazil, considering a combination of locations and seasons. A randomized complete block design was used, and the treatments included 35 commercial soybean cultivars. In the univariate analysis, were evaluate several traits. Selection indices were calculated considering yield, harvest index, plant height, first pod insertion height and absolute maturation. The selection strategy efficiencies were quantified using the coincidence index. Each cultivar’s contribution to the G × E interaction and associated risk were determined using the ecovalence and confidence index methods, respectively. The results showed that the NS 7000 IPRO and NS 7209 IPRO cultivars were the most productive. The NS 7000 IPRO cultivar, although obtaining a good yield, contributed greatly to the G × E interaction when considering the maturation groups. The low coincidence in ranking the strategies indicates that more than one agronomic trait should be used to classify the superior cultivars.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,073
Tête enseignante GPT0,258
Écart entre enseignants0,186 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetSoybean genetics and cultivationTravaux en français237 207