Exploring the role of Peanut (Arachis hypogaea L.) root architecture in enhancing adaptation to climate change for sustainable agriculture and resilient crop production: A review
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
Peanut (Arachis hypogaea L.) cultivation is increasingly vulnerable to climate change, with drought and heat stress emerging as major constraints to productivity and food security. This review explores the critical role of root architecture in enhancing peanut adaptation to environmental stressors, and evaluates current strategies and future directions for improving root traits through genetic, physiological, and agronomic approaches. Efficient root systems, characterized by deeper rooting and optimized xylem design, significantly improve water and nutrient acquisition under drought conditions. Key regulators such as abscisic acid (ABA), strigolactones, and specific root-related genes modulate root development and stress responses. Root exudates further enhance soil root interactions, while the peanut root microbiome contributes to nutrient cycling and resilience. Biotechnological tools, including quantitative trait loci (QTL) mapping and CRISPR/Cas-based genome editing, are being harnessed to manipulate root traits at the molecular level. Agronomic practices like mulching and cover cropping synergize with genetic improvements by enhancing soil structure and moisture retention. Strengthening peanut root architecture through the integration of modern breeding, biotechnological advances, and sustainable soil management offers a promising path toward climate-resilient peanut production. Future research should prioritize the convergence of these approaches, alongside microbiome exploration, to secure yield stability and food security in a changing climate.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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