Physiological and biochemical pathway: understanding their influence on maize grain yield through genotype–trait interactions
Notice bibliographique
Résumé
An experiment using a randomized complete block design (RCBD) with three replications was conducted on 10 corn genotypes to evaluate the effect of genotype × trait interaction on grain yield. Analysis of variance revealed that all genotypes differed significantly (p < 0.01) across all traits. Duncan's multiple range test identified KSC704 and KSC706 as favorable genotypes, while SC540 and KSC260 were considered unfavorable. Correlation analysis showed a positive association between grain yield and chlorophyll a, chlorophyll b, phosphorus, carotenoids, sodium, catalase, and potassium. Principal component analysis indicated that the first five components accounted for over 79% of the total data variance. Based on the first two principal components, the genotypes were grouped into four distinct clusters, and the traits into three. A graphical assessment of genotype performance was also conducted. According to the polygon view, genotypes KSC705, KSC400, KSC706, DC370, SC540, and KSC260 were identified as favorable. Among them, KSC705 and KSC400 were selected as the most desirable genotypes based on trait-based and ideal-genotype ranking diagrams. The biplot analysis further confirmed the grouping of genotypes into four distinct clusters.
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 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 | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».