A Bayesian framework to model variance of grain yield response to plant density
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The expected grain yield response to plant density in winter wheat (Triticum aestivum L.) follows a diminishing returns function. To our knowledge, all previous studies dealing with plant density have assumed constant variance. The gap relies on quantifying the optimum plant density that optimizes grain yield at the lowest risk. Here, we propose a Bayesian hierarchical framework to model the variance of grain yield response to plant density. We demonstrate our framework by identifying the plant density in each seed size, seed treatment and environment combination that maximizes the expected yield and minimizes yield variance. RESULTS: To fit the model, we used data from field experiments conducted in the Canadian Prairies to identify informative priors and Kansas experiments to demonstrate and validate our framework. Kansas experiments were conducted in 25 environments and consisted of a complete factorial combination of three seed cleaning methods leading to three different seed sizes (light, moderate, heavy), two or three seeding rates, and two seed chemical treatments (insecticide + fungicide vs. none). We described both expected yield and variance of yield in response to plant density. The proposed model allowed us to quantify the minimum risk plant density (minRPD), which represents the minimum plant density at which grain yield variance becomes constant. Plant density at the minRPD was always greater than the agronomic optimum plant density (AOPD, i.e.: the plant density that maximizes expected yield); thus, minRPD could be used to estimate the minimum plant density that maximizes expected yield and minimizes yield variance. When compared at the AOPD, four seed cleaning × chemical treatments combinations resulted in similar yield advantages over the control under high and low yielding environments. However, in low-yielding environments, only two cleaning × chemical treatments combinations resulted in smaller variance when compared at the minRPD against the control. All seed cleaning × chemical treatments combinations resulted in similar AOPD. However, two cleaning × chemical treatments combinations had greater minRPD in low-yield environments compared to the control. CONCLUSION: Modeling grain yield response to plant density with the proposed framework is suitable for heteroscedastic data scenarios. Future research may focus on exploring how genotypes, environments and their interaction modulate the difference between AOPD and minRPD and, extend the framework to a variety of processes involving crop management decisions.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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) | 0,000 | 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 découle