Preliminary Investigation of Genetic Variance and Heritability Among Sunflower (Helianthus annuus L.) Genotypes Yield and Yields Components in Botswana
Notice bibliographique
Résumé
A study was conducted at the Sebele and Goodhope Research Stations to estimate genetic parameters of sunflower and select the best performing genotypes. Analysis of variance revealed significant difference among the 36 genotypes for all the eight traits. Principal Component Analysis, top 3 components explained 81.6% of total contribution, highlighting major contributors of phenotypic variability. All characters were positively correlated to GYHA. GCV ranged from (5.99-12.64) while PCV ranged from (6.62-19.01) for DF and GYHA for both coefficients respectively. Higher heritability was expressed for most traits, while moderate heritability between (30-60%) was record for GC, FPS, and GYHA. The genetic advance as percentage of mean (GAM) ranged from 9.99% for GC to highest of 25.24% for PH and most of the traits were moderate (10-20%). High heritability coupled with GAM was recorded on PH (85.26% & 25.45%), an indication that this trait is governed by additive gene action. Higher heritability together with moderate GAM, was observed on DF (82.06% & 11.18%), DM (73.69% & 13.29%), LN (70.18% & 17.85%), 1000SW (71.92% & 19.00%). Grain yield ranged from 997 kg/ha for SUN310 to 1862 kg/ha for SUN322 genotypes. The twelve best performing genotypes were SUN322, SUN-MOL4, CH301/105, SUN206, SUN205, SAONA403, RUSSIAN4, RUS4-401, RUS4SH14, JUPWTSH14, JUP2-WTSH14, JUPSH14 with a yield of more than 1500kg/ha. The study revealed higher genetic diversity among the sunflower genotypes; therefore, selection is feasible, based on the traits with higher heritability, genetic advance of mean and positive correlations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».