Genotypic variability in root length in pea (<i>Pisum sativum</i> L.) and lentil (<i>Lens culinaris</i> Medik.) cultivars in a semi‐arid environment based on mini‐rhizotron image capture
Notice bibliographique
Résumé
Abstract Physiological breeding is an approach that complements conventional breeding by providing characterizations of traits present in breeding populations. This allows breeders the ability to choose crosses based on desirable and adaptive traits, an approach that may be more reliable than selection on yield alone. In this study, we determined how much genotypic variability was present in selected lines of modern field pea ( Pisum sativum L.) and lentil ( Lens culinaris Medik.) cultivars from Montana, North Dakota, Washington, and Saskatchewan, Canada, and if root growth, particularly at depth, improves the fitness of lines to semi‐arid environments. We conducted experiments at the Northern Agricultural Research Center of Montana State University from 2017 to 2019 inclusively to investigate root growth with mini‐rhizotrons in 29 field pea lines and 25 lentil lines. Results suggest there is large genotypic variability in root length across the soil profile and the proportion of root length found below 30 cm in both crops, and these root traits appear independent of each other. In field pea, the highest yielding cultivars were intermediary in both total root length and the proportion of root length below 30 cm, suggesting large root systems and/or deeper root profiles are not necessarily beneficial in this environment. By contrast, in lentil, total root length and root length found below 30 cm was well correlated with biomass and yield. For breeders interested in in improved adaptation to semi‐arid environments, it may be too early to optimize root systems, and above‐ground traits may still yield a better return on investment.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».