Syysolojen ja perimän vaikutus nurmiheinien talvenkestävyyteen, keväistymiseen ja sadontuottoon
Bibliographic record
Abstract
Ilmastonmuutoksen ennustetaan pidentävän kasvukautta ja leudontavan talvia mikä mahdollistaisi laajemman laji- ja lajikevalikoiman myös monivuotisissa nurmissa. Etenkin timoteilajikkeiden yhteydessä puhutaan eteläiseistä ja pohjoisista lajikkeista, joissa eteläisen geeniperimän lisääminen johtaa nopeampaan kasvurytmiin, mutta voi heikentää talvenkestävyyttä. Syysviljoilla talvenkestävyyden ja talven aikana tapahtuvan vernalisaation eli keväistymisen merkitystä alueelle sopien lajikkeiden valintaan on tutkittu pitkään. Sen sijaan nurmikasvien talvehtimisen aikana tapahtuvan keväistymisen merkityksestä talvenkestävyydelle tai satopotentiaaliin ei tunneta. Tässä tutkimuksessa selvitettiin miten syksyn karaistumisolot sekä kasvin perimä vaikuttavat talvenkestävyyden ja keväistymisen etenemiseen sekä sadonmuodostukseen nurmilla. Tulosten perusteella pohditaan miten tulevaisuuden talvehtimisoloihin sopivia nurmikasvilajeja ja –lajikkeita voidaan tunnistaa. Tutkimuksessa kerättiin Viikin pellolta kasvinäytteitä talvien 2009-2013 aikana kuukausittain, joista esitelmässä keskitytään talviin 2011-13. Laboratoriossa ja kasvihuoneella määritettiin kerättyjen timotei-, nurminata- ja englanninraiheinälajikkeiden kylmänkestävyys (LT50), kukintapäivä (HD-heading date), pituus, lehtien ja versojen lukumäärä sekä eri versotyyppien (generatiiviset, korrelliset ei-kukkivat ja vegetatiiviset) määrä kasvustossa. Lisäksi määritettiin ensimmäisen sadon kuiva-ainesato ja eri versotyyppien osuus sadosta. Säädatasta laskettiin karaistumispäivien lukumäärä ja kertynyt lämpösumma syksyllä, havainnoitiin lumipeitteisyys ja sen kesto sekä kasvukauden sääolot. Nurmiheinillä vernalisaatiovaatimuksen havaittiin täyttyvän tammikuuhun mennessä minkä jälkeen kukinta ei enää nopeutunut vaan kasvit olivat täysin keväistyneet. Pohjoisten ja eteläisten timoteilajikkeiden välillä havaittiin eroja alkusyksystä, mutta talven edetessä erot lajikkeiden välisissä kukinta-ajoissa poistuivat. Vernalisaatio vapautti korren pituuskasvun ja satopotentiaalin havaittiin olevan korkeimmillaan heti vernalisaatiovaatimuksen täyttymisen jälkeen tammikuussa. Vernalisaation etenemisen ja kylmänkestävyyden purkautumisen välillä ei sen sijaan havaittu merkittävää yhteyttä. Kylmänkestävyyden kehittymiseen vaikutti eniten syksyn aikana kertyneiden karaistumispäivien lukumäärä sekä lämpösumma. Talvina, jolloin karaistumisaika jäi lyhyeksi, myös hyvin talvenkestävät timoteilajikkeet epäonnistuivat karaistumisessa. Tulokset antavat viitteitä siihen miten nurmikasvilajien ja –lajikkeiden välisiä eroja niiden talvehtimisessa voidaan hyödyntää jalostettaessa muuttuviin ilmasto-oloihin sopivia viljelykasveja.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".