Graphic analysis of various sulfur applicationson safflower fatty acids profile
Notice bibliographique
Résumé
In this study, we examined the effects of seven different sulfur treatments on safflower seeds. The treatments included: no sulfur application (S0), 25 kg/ha of pure bulk sulfur (S25), 50 kg/ha of pure bulk sulfur (S50), 25 kg/ha of sulfur phosphate (Sp25), 50 kg/ha of sulfur phosphate (Sp50), 25 kg/ha of zinc sulfate (Zs25), and 50 kg/ha of zinc sulfate (Zs50). Our evaluation covered various seed quality attributes, including ash percentage (ASH), oil percentage (OIL), and protein percentage (PRO). Additionally, we analyzed the fatty acid composition, including palmitic acid 16 : 0 (PAL), stearic acid 18 : 0 (STE), oleic acid 18 : 1 (OLE), linoleic acid 18 : 2 (LINL), arachidic acid 20 : 0 (ARA), and linolenic acid 18 : 3 (LINN). The vector-view of the biplot illustrated positive associations among the fatty acids STE, PAL, and OLE, whereas ASH exhibited negative associations with OIL, LINL, and LINN. The polygon-view graph was divided into four sectors, with the genotype S50 emerging as the top performer for attributes such as OIL, PRO, LINL, ARA, and LINN. Treatment Zs50 occupied the vertex of another sector and displayed the highest values for palmitic acid PAL, STE, and OLE, while treatment S0 was positioned at the vertex of the next sector, characterized by its high ASH content. By utilizing the ideal tester tool of treatment by trait biplot, we identified OIL as the desirable trait that most effectively represented the data. The qualitative properties of safflower oil were notably influenced by sulfur application, with treatment S50 proving to be the most effective in enhancing these properties.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».