MétaCan
Menu
Retour à la cohorte
Enregistrement W4415513570 · doi:10.5376/tgg.2025.16.0017

Effects of Irrigation Frequency on Dry Matter Accumulation and Water Use Efficiency of Wheat

2025· article· W4415513570 sur OpenAlexvenueno aff
Yali Wang, Rugang Xu, Zhonghui He

Notice bibliographique

RevueTriticeae Genomics and Genetics · 2025
Typearticle
Langue
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture, Soil, Plant Science
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIrrigationWater-use efficiencyBiomass (ecology)Dry matterDeficit irrigationWater useEvapotranspirationProductivityAgriculture

Résumé

récupéré en direct d'OpenAlex

Wheat ( Triticum aestivum  L.) is a globally essential cereal crop whose productivity is closely linked to water availability, particularly in water-limited regions. This study explores the effects of different irrigation frequencies on dry matter accumulation and water use efficiency (WUE) in wheat cultivation. We examined the physiological basis of biomass accumulation and analyzed how irrigation intervals influence partitioning among organs and developmental stage-specific responses. Further, we evaluated WUE in relation to irrigation frequency, considering agronomic implications and the interplay of root development, leaf structure, and molecular signaling pathways. A case study from a semi-arid wheat-growing region provided field-based insights into the impacts of irrigation frequency on yield, soil health, and practical outcomes. Our analysis highlights the trade-offs between water input and biomass productivity, emphasizing the importance of optimized irrigation scheduling. We conclude that moderate irrigation intervals can enhance WUE without severely compromising yield, though outcomes depend on local climate and soil conditions. Future research should focus on site-specific strategies using precision agriculture to improve sustainability under climate variability.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,637
Score d'incertitude au seuil0,476

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,230
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTriticeae Genomics and GeneticsMême sujetAgriculture, Soil, Plant ScienceTravaux en français237 207