MétaCan
Menu
Retour à la cohorte
Enregistrement W4388023433 · doi:10.3389/fpls.2023.1261323

Assessment of yield performances for grain sorghum varieties by AMMI and GGE biplot analyses

2023· article· en· W4388023433 sur OpenAlexaff
Runfeng Wang, Hailian Wang, Shaoming Huang, Yingxing Zhao, Erying Chen, Feifei Li, Ling Qin, Yanbing Yang, Yanan Guan, Bin Liu, Huawen Zhang

Notice bibliographique

RevueFrontiers in Plant Science · 2023
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueGenetics and Plant Breeding
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesShandong Academy of Agricultural Sciences
Mots-clésBiplotAmmiSorghumHeritabilityGene–environment interactionRandomized block designGrain yieldBiologyAgronomyMain effectInteractionMathematicsPanicleBiotechnologySweet sorghumStatisticsGenotypeGenetics

Résumé

récupéré en direct d'OpenAlex

Grain sorghum is an exceptional source of dietary nutrition with outstanding economic values. Breeding of grain sorghum can be slowed down by the occurrence of genotype × environment interactions (GEI) causing biased estimation of yield performance in multi-environments and therefore complicates direct phenotypic selection of superior genotypes. Multi-environment trials by randomized complete block design with three replications were performed on 13 newly developed grain sorghum varieties at seven test locations across China for two years. Additive main effects and multiplicative interaction (AMMI) and genotype + genotype × environment (GGE) biplot models were adopted to uncover GEI patterns and effectively identify high-yielding genotypes with stable performance across environments. Yield (YLD), plant height (PH), days to maturity (DTM), thousand seed weight (TSW), and panicle length (PL) were measured. Statistical analysis showed that target traits were influenced by significant GEI effects ( p < 0.001), that broad-sense heritability estimates for these traits varied from 0.40 to 0.94 within the medium to high range, that AMMI and GGE biplot models captured more than 66.3% of total variance suggesting sufficient applicability of both analytic models, and that two genotypes, G3 (Liaoza No.52) and G10 (Jinza 110), were identified as the superior varieties while one genotype, G11 (Jinza 111), was the locally adapted variety. G3 was the most stable variety with highest yielding potential and G10 was second to G3 in average yield and stability whereas G11 had best adaptation only in one test location. We recommend G3 and G10 for the production in Shenyang, Chaoyang, Jinzhou, Jinzhong, Yulin, and Pingliang, while G11 for Yili.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,060
Tête enseignante GPT0,281
Écart entre enseignants0,221 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations32
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Plant ScienceMême sujetGenetics and Plant BreedingTravaux en français237 207