Geographical Variation in Nutritional Components of Peanut: Evidence From Multi‐Region Production Areas
Notice bibliographique
Résumé
ABSTRACT As an important oilseed and food material, the nutritional quality of peanut is influenced by not only the variety but also place of origin. However, research on the geographical impact remains scarce. In this study, nine peanut cultivars were planted at eight sites to determine geographical effects on quality parameters, including fatty acids, sucrose, tocopherols, and phenolic compounds. General linear model analysis showed that the environment of the producing area was a major factor for nutritional indicators except oleic acid in high‐oleic acid peanut varieties ( η 2 : genetic 51.20%, environmental 37.46%). Geographic factors accounted for 58.20%, 68.41%, and 37.15% of the variance in total tocopherols, total phenolics, and sucrose, respectively, while the corresponding varietal effects were 57.83%, 71.06%, and 20.13%. Climate–nutrient interaction analysis revealed this was primarily attributed to low‐temperature conditions promoting sucrose and phenolic compound biosynthesis (e.g., quercetin). In contrast, elevated temperature and humidity correlated with tocopherol accumulation. Furthermore, we delineated geographical characteristics: Hubei (high oleic acid/tocopherol) and Xinjiang (high sucrose/phenol). This study determined geography's impact, providing strategies for region‐specific breeding to advance the industry.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».