Optimizing canola production in the Northern Great Plains by leveraging genotype × environment × management synergies
Notice bibliographique
Résumé
Abstract Management practices and cultivars for canola ( Brassica napus L.) have evolved for seeding and harvest management systems including the adoption of straight‐cutting (S/C) over windrowing. We explored how manipulations to seeding rate, pod shatter reduction hybrid, and harvest method alter canola seed yield and quality. An experiment was conducted at five locations across the Canadian Prairies between 2018 and 2022, consisting of two pod shatter reduction hybrids with contrasting growth phenology sown at densities of 60, 120, and 180 seeds m −2 , and subjected to either windrowing at 60% and 90% seed color change (SCC), or S/C at 10% and 5% seed moisture. Irrespective of hybrid choice or harvest management, densities of 120 and 180 seeds m −2 provided high and stable yield relative to 60 seeds m −2 . Seed losses were minimal for both hybrids, but the late‐maturing cultivar expressed higher seed yield and oil concentration. Straight‐cutting at 10% seed moisture achieved the highest yields for both hybrids, but delays in S/C timing reduced its advantage over windrowing at 90% SCC. Yield components such as seed number and seed weight on secondary branches became critical to achieve high yields at lower seeding densities when environmental stress was low. While reducing seeding densities to cut costs can be tempting, the highest and most stable yields were achieved with a late‐maturing hybrid, sown at 120 seeds m −2 and managed with S/C at harvest. This study provides insights into how seeding density and harvest method interact to affect canola yield within a genetic × environment × management framework.
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 ».