Going for Hybrid Crops Breeding in Nepal: Strategies and Policy Dimensions
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
Crop Breeding programs were initiated in Nepal in 1951 with a focus on the varietal improvement of cereal crops. These varieties, however, have limited impact in the farmers' field due to their low adaptation and low yield potentials. Nepal annually imports hybrid seeds of cereals, vegetables, and flowers from India, China, and elsewhere costing billions of Rupees. It is estimated that approximately 73% of the vegetable seeds and over 60% of the hybrid seeds of maize and rice are imported annually. Hybrid seeds generally produce 20-25% more yield than conventional varieties. Despite this fact, only about 15% of maize and <10% of rice acreage in Nepal has hybrid seeds compared to over 50-60% in China. Nepal is behind in developing policies for genetic innovations, including genetics and breeding, utilizing genetic diversity, and using new biotechnological traits such as golden rice and drought tolerant wheat which could be important for Nepal in the future. Nepal has the technical knowledge, skilled human resources, and appropriate environment to produce hybrid and improved seeds of most of the crops in Nepal, but there is a lack of proper policies in place. Nepal can learn lessons from our neighboring countries, including India, China, Philippines, and Bangladesh, which are highly engaged in new technology of crop genetics, hybrid breeding, proper Plant Variety Protection (PVP) laws, and private-sector entrepreneurship. In addition, Nepal should aim to be self-sufficient and export quality hybrid seeds of cereals and vegetables that can be produced in its diverse geographies and production niches.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle