MétaCan
Menu
Retour à la cohorte
Enregistrement W4408064718 · doi:10.3390/agronomy15030597

Unveiling the Nutrient Signatures in Corn (Zea mays L.) Grains: A Pivotal Indicator of Yield Potential

2025· article· en· W4408064718 sur OpenAlexaff
Nour Ismail, Lotfi Khiari, Rachid Daoud

Notice bibliographique

RevueAgronomy · 2025
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueBanana Cultivation and Research
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésZea maysNutrientAgronomyYield (engineering)PoaceaeEnvironmental scienceBiologyEcologyPhysics

Résumé

récupéré en direct d'OpenAlex

The composition simplex (N, P, K, Ca, and Mg) of the leaf is the main score used by different approaches, like the Diagnosis and Recommendation Integrated System and Compositional Nutrient Diagnosis, to study nutrient interactions and balance in plant leaves. However, the application and validation of these concepts to grain composition remains unexplored. Contrary to foliar analysis’s early intervention for nutrient deficiency detection and correction, applying this approach to seeds assesses diverse cultivars’ potential, enabling anticipation of their adaptation to climate conditions and informed selection for future crops. In the present study, a collected database of more than 924 scores, including the grain yield (kg ha−1) and the nutrient composition (mg kg−1) of different corn varieties, is used to develop a novel nutrient-based diagnostic approach to identify reliable markers of nutrient imbalance. A ‘nutrient signature’ model is proposed based on the impact of the environmental conditions on the nutrient indices and composition (N, P, K, Ca, and Mg) of the corn grains. The yield threshold used to differentiate between low- and high-yielding subpopulations is established at 12,000 kg ha−1, and the global nutrient imbalance index (GNII) of 2.2 is determined using the chi-square distribution function and validated by the Cate–Nelson partitioning method, which correlated yield data distribution with the GNII. Therefore, the nutrient compositions were classified into highly balanced (GNII ≤ 1.6), balanced (1.6 < GNII ≤ 2.2), and imbalanced (GNII > 2.2). In addition, we found that the Xgboost model’s predictive accuracy for the GNII is significantly affected by soil pH, organic matter, and rainfall. These results pave the way for adapted agricultural practices by providing insights into the nutrient dynamics of corn grains under varying environmental conditions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,786
Score d'incertitude au seuil0,384

Scores Codex et Gemma par catégorie

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

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 Opus0,016
Tête enseignante GPT0,237
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 tête enseignante, 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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgronomyMême sujetBanana Cultivation and ResearchTravaux en français237 207