Breeding strategies in evaluation of forage barley
Notice bibliographique
Résumé
Abstract Producers on the Canadian Prairies grow barley ( Hordeum vulgare L.) as a forage crop for ruminants, especially cattle. The purpose of our study was to determine methods to improve our selection of barley lines with superior forage value for ruminants. Data from the Western Cooperative Forage Barley Registration Test were used with permission of the Prairie Recommending Committee for Oat and Barley (PRCOB) and the breeders. Data were analyzed from 20 environments collected from 3 yr (2012–2014) and seven sites. We measured forage accumulation (FA) at the soft dough stage, five nutritive value traits, and three derived cow–calf variables. Although the variation in FA and forage nutritive value traits attributed to environment (E) was large, significant genotypic (G) effects were found for all traits measured. Whereas G× E effects were also significant, the mean square effect for G was up to 40 times higher than the mean squares for G×E. The proportion of variance attributed to G was greater for nutritive value traits than for FA. Significance of G means there was variability in the germplasm tested, and improvement through selection should be possible. The two parametric methods of stability analyses (Francis–Kannenberg method and Eberhart–Russell method) often identified the same lines as superior. Lines that were superior for FA and carrying capacity (cow on swath grazing, CC) were often different from those identified as superior for nutritive value, empty body weight gain (cow, EBWG) and average daily gain (backgrounding calf, ADG). A nonparametric method used to determine dynamic stability (Nassar–Hühn method) identified different lines as superior from the parametric methods. Breeders can use a combination of these selection criteria in breeding forage barley varieties with enhanced forage value for ruminants.
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 ».