Optimizing Photoperiod Switch to Maximize Floral Biomass and Cannabinoid Yield in Cannabis sativa L.: A Meta-Analytic Quantile Regression Approach
Notice bibliographique
Résumé
Cannabis sativa L. is an annual, short-day plant, such that long-day lighting promotes vegetative growth while short-day lighting induces flowering. To date, there has been no substantial investigation on how the switch between these photoperiods influences yield of C. sativa despite the tight correlation that plant size and floral biomass have with the timing of photoperiod switches in indoor growing facilities worldwide. Moreover, there are only casual predictions around how the timing of the photoperiodic switch may affect the production of secondary metabolites, like cannabinoids. Here we use a meta-analytic approach to determine when growers should switch photoperiods to optimize C. sativa floral biomass and cannabinoid content. To this end, we searched through ISI Web of Science for peer-reviewed publications of C. sativa that reported experimental photoperiod durations and results containing cannabinoid concentrations and/or floral biomass, then from 26 studies, we estimated the relationship between photoperiod and yield using quantile regression. Floral biomass was maximized when the long daylength photoperiod was minimized (i.e., 14 days), while THC and CBD potency was maximized under long day length photoperiod for ~42 and 49–50 days, respectively. Our work reveals a yield trade-off in C. sativa between cannabinoid concentration and floral biomass where more time spent under long-day lighting maximizes cannabinoid content and less time spent under long-day lighting maximizes floral biomass. Growers should carefully consider the length of long-day lighting exposure as it can be used as a tool to maximize desired yield outcomes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».