Physiological and Digital Phenotyping of Drought Tolerance in Brassica Crops
Notice bibliographique
Résumé
Climate change poses a significant threat to agricultural systems, with drought becoming increasingly prevalent in the Canadian prairies. This study addresses the urgent need to enhance crop resilience, focusing on Brassica carinata, a promising industrial feedstock crop used for the production of biofuels. Our research aims to comprehensively evaluate drought adaptive capacity in B. carinata through a combination of physiological and digital phenotyping methods. Under controlled conditions, we utilized a high-throughput phenotyping platform, the Plantarray system, to screen B. carinata germplasm. This system facilitated precise measurements of physiological traits, soil conditions, and atmospheric parameters, enabling the assessment of drought response. Concurrently, we conducted a field phenotyping experiment with 47 B. carinata Nested Association Mapping (NAM) founder lines and two B. napus checks, under irrigated and non-irrigated conditions. Aerial imagery obtained through Unmanned Aerial Vehicles (UAVs), complemented by phenological observations and manually recorded phenotypic data, was systematically gathered. Digital phenotypes extracted from aerial images are analyzed to identify a digital phenotype(s) for drought tolerance. Our study also explores the correlation between indoor physiological data and field performance of B. carinata lines, in an effort to identify parameters that can serve as reliable predictors of seed yield under drought stress. Overall, we believe this research provides valuable insights for enhancing crop resilience to drought.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».