Mixing trait-based corn (Zea mays L.) cultivars increases yield through pollination synchronization and increased cross-fertilization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abiotic stress such as high temperature at flowering is one of many conditions reducing yield of corn (Zea mays L.). Mixing corn cultivars with diverse functional traits increases within-crop diversity and provides a potential means of mitigating yield losses under stress conditions. We conducted a three-year field study to investigate the effects of cultivar mixtures on kernel setting rate, pollen sources, and yield. This study consisted of six treatments, including two high temperature-tolerant (HTT) monocrops of WK702 and DH701, two high temperature-sensitive (HTS) monocrops of DH605 and DH662, and two HTT–HTS mixtures of WK702-DH605 and DH701-DH662. The anthesis–silking interval (ASI) was 0.9–1.6 days shorter in mixtures than in monocrops. Kernel setting rate was increased in mixtures (86.4%–88.7%) compared with those in monocrops (74.7%–84.1%) as a result of synchrony and complementarity of pollination. Grain yields of the HTT–HTS mixtures increased by 13.3%–18.7%, equivalent to 1169 to 1605 kg ha−1, in comparison with HTS corn monocrops. The results of SSR markers showed that cross-fertilization percentage in corn cultivar mixtures ranged from 29.3% to 47.8%, partially explaining yield improvement. Land equivalent ratio (LER) was 1.12 for corn mixtures and the partial land equivalent ratio (e.g., > 0.5) showed the complementary benefits in corn mixtures. The results indicated that mixing corn cultivars with diverse flowering and drought-tolerance traits increased yields via pollination synchrony.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 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) | 0,001 | 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 découle