Mega‐environment Analysis and Test Location Evaluation Based on Unbalanced Multiyear Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Mega‐environment analysis and test location evaluation are two important issues for effective crop variety evaluation through multilocation variety trials. These must be done based on multiyear multilocation variety‐trial data, which are usually highly unbalanced. This paper presents a new graphical approach for conducting mega‐environment analysis and test location evaluation utilizing unbalanced multiyear variety trial data. It consists of three steps: (i) generating a G (genotypic main effect) plus GE (genotype × environment interaction), or GGE, biplot using a missing‐value estimation procedure and treating each location–year combination (trial) as an environment; (ii) summarizing the interrelations among test locations (L) in a GGL + GGE biplot, which is the same GGE biplot imposed with the test locations. The placement of a test location in the biplot is defined by the coordinates of all environments at the location; and (iii) summarizing any subregion (S) (i.e., mega‐environment) differentiation revealed in Step 2 in a GGS biplot, which is the same GGE biplot imposed with the subregions. The placement of a subregion in the biplot is defined by the coordinates of all environments in the subregion. The same GGL + GGE biplot can also be used to visualize the ability and stability of each test location to represent a target mega‐environment. Yield data from the 2006–2012 Quebec oat ( Avena sativa L.) registration and recommendation trials were analyzed as a demonstration.
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.
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 | 0,000 |
| 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 découle