Identifying Adaptable Varieties of Sorghum (Sorghum bicolor L) in Tidal Swamplands and Sandy Soils by MGIDI and GGE Biplots
Notice bibliographique
Résumé
<ns5:p> Background Sorghum has potential as a source of material for food, bioenergy, and animal feed, making it a worthy candidate for promotion. This cereal thrives in regions characterized by low moisture and dry conditions. To address the diminishing availability of arable dry land, it may be necessary to explore the cultivation of sorghum in tidal swamplands and sandy soils. Methods Twelve sorghum varieties were evaluated in tidal swamplands during the rainy and dry seasons, as well as in sandy soil during the dry season, using two levels of organic fertilizers to create six test environments. The experiments were arranged in a completely randomized block design with three replications. To choose sorghum varieties with features that closely resemble an idealized sorghum variety, the Multi-trait Genotype-Ideotype Distance Index (MGIDI) was utilized. Simultaneously, genotype plus genotype-environment interaction (GGE) biplots were employed to determine the best circumstances for choosing broadly adaptable varieties that exhibit desirable features, as well as to find varieties that thrive environmental contexts. Results Based on the MGIDI ranking on the average across environment, two varieties, i.e., <ns5:italic>Numbu</ns5:italic> and <ns5:italic>Kawali</ns5:italic> were selected. However selected varieties in each environment were differed due to significant variety-environment interaction. In terms of grain weight, the <ns5:italic>Soper 7 Agritan</ns5:italic> variety exhibits adaptability across diverse environments, while the <ns5:italic>Numbu</ns5:italic> variety likewise demonstrates versatility in various environmental conditions. When evaluating forage yield, several adaptable varieties have emerged. Tidal swamplands treated with a high application of organic fertilizer, as well as sandy soils, provide optimal environments for selecting broadly adaptable varieties that focus on both grain and forage yields. Conclusion Adaptable varieties differ for various groups of environments and different traits under consideration. Optimal environments for identifying broadly adaptable varieties varied by trait. The MGIDI proves to be a valuable tool for selecting varieties based on multiple traits. In parallel, the GGE biplots effectively identifies adaptable varieties based on individual traits. </ns5:p>
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 | 0,000 |
| 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 ».