A novel method for irrigating plants, tracking water use, and imposing water deficits in controlled environments
Notice bibliographique
Résumé
The study of genomic control of drought tolerance in crops requires techniques to impose well defined and consistent levels of drought stress and efficiently measure single-plant water use for hundreds of experimental units over timescales of several months. Traditional gravimetric methods are extremely labor intensive or require expensive technology, and are subject to other errors. This study demonstrates a low-cost, passive, bottom-watered system that is easily scaled for high-throughput phenotyping. The soil water content in the pots is controlled by altering the water table height in an underlying wicking bed via a float valve. The resulting soil moisture profile is then maintained passively as water withdrawn by the plant is replaced by upward movement of water from the wicking bed, which is fed from a reservoir via the float valve. The single-plant water use can be directly measured over time intervals from one to several days by observing the water level in the reservoir. Using this method, four different drought stress levels were induced in pots containing soybean ( Glycine max (L.) Merr.), producing four statistically distinct groups for shoot dry weight and seed yield, as well as clear treatment effects for other relevant parameters, including root:shoot dry weight ratio, pod number, cumulative water use, and water use efficiency. This system has a broad range of applications, and should increase feasibility of high-throughput phenotyping efforts for plant drought tolerance traits.
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 | 0,000 |
| 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 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 ».