MétaCan
Menu
Retour à la cohorte
Enregistrement W3168530163

A Review On Corn Breeding For Organic And Sustainable Agriculture

2020· review· en· W3168530163 sur OpenAlexvenueno aff
Rupak Karn, Mamata Kc, Anuj Lamichhane, Devashish Bhandari

Notice bibliographique

RevueMaize Genomics and Genetics · 2020
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueCrop Yield and Soil Fertility
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSustainabilityOrganic farmingAdaptabilityAgricultureBusinessSustainable agriculturePopulationInvestment (military)Resource (disambiguation)Natural resource economicsFood systemsProduction (economics)Agricultural economicsAgricultural scienceAgroforestryEnvironmental scienceEconomicsBiologyFood securityEcologyComputer science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Modern agriculture is principally focused on varieties bred for high performance under high input systems (fertilizers, water, oil, pesticides), which generally do not perform well under low-input systems. They are high yielders but, they have negative consequences as they are likely to threat sustainability. A new paradigm is required which assures food supply as per demand and being accepted in all aspects such as nutrition, economy and bolster sustainable agriculture. This can be achieved through the breeding of maize for organic conditions or low-input production systems. Organic agriculture has been imperative since the 1990s and currently, there is a surge in demand for varieties specifically adapted to organic or low input conditions. However, breeding programs specific for organic farming would entail major time, resources, and labor investment and to breed organic varieties would require specific testing conditions and different breeding tactics. Different breeding programs have been efficient in maize in organic condition centered on nutrition, economy and local environmental adaptability. This technique helps in resource optimization without compromising food sufficiency for a growing population and thus, fortifying sustainability.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,994
Score d'incertitude au seuil0,445

Scores Codex et Gemma par catégorie

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

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 Opus0,039
Tête enseignante GPT0,255
Écart entre enseignants0,216 · 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 tête enseignante, pas un consensus.

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

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

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaize Genomics and GeneticsMême sujetCrop Yield and Soil FertilityTravaux en français237 207