Strengthening the Precision Breeding model: Identifying key trait correlations within the Canola Breeding Activity plan that could enhance resource efficiencies.
Notice bibliographique
Résumé
Canola is one of Canadas leading crops and an important oilseed globally. The name Canola comes from the combination of Canada, and “ola,” which together is Canada oil. Canola must meet international chemistry standards of “… oil shall contain less than 2% erucic acid in its fatty acid profile and the solid component shall contain less than 30 micromoles of any one or any mixture of 3-butenyl glucosinolate, 4-pentenyl glucosinolate, 2-hydroxy-3 butenyl glucosinolate, and 2-hydroxy- 4-pentenyl glucosinolate per gram of air-dry, oil-free solid.” (Canola Council of Canada. 2023) Within Bayer Canada Crop Science, our canola testing program is distributed across all of Canada with the primary focus being western Canada. Within the past 5 years we have seen an increase in funding to support this critical crop from doubling our testing footprint, and through an increase in technology use such as unmanned aerial vehicles (UAV) and data science modeling. As we look at precision breeding and the positive impacts it can have for our customers by designing the best breeding strategy, we can evaluate the needs within our testing program to effectively use advancing technology. With modeling and artificial intelligence, we can also help strengthen our data algorithm to position our scientists and commercial teams with powerful data that helps uncover the “what if” scenarios. However, when do we reach over production of data? Or is there a key trait that we can gain higher insight from than others?
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 | 0,007 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».