Singular‐Value Partitioning in Biplot Analysis of Multienvironment Trial 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
Multienvironment trials (MET) are conducted every year for all major crops throughout the world, and best use of the information contained in MET data for cultivar evaluation and recommendation has been an important issue in plant breeding and agricultural research. A genotype main effect plus genotype × environment interaction (GGE) biplot based on MET data allows visualizing (i) the which‐won‐where pattern of the MET, (ii) the interrelationship among test environments, and (iii) the ranking of genotypes based on both mean performance and stability. Correct visualization of these aspects, however, requires appropriate singular‐value (SV) partitioning between the genotype and environment eigenvectors. This paper compares four SV scaling methods. Genotype‐focused scaling partitions the entire SV to the genotype eigenvectors; environment‐focused scaling partitions the entire SV to the environment eigenvectors; symmetrical scaling splits the SV symmetrically between the genotype and the environment eigenvectors; and equal‐space scaling splits the SV such that genotype markers and environment markers take equal biplot space. It is recommended that the genotype‐focused scaling be used in visualizing the interrelationship and comparison among genotypes and the environment‐focused scaling be used in visualizing the interrelationship and comparison among environments. All scaling methods are equally valid in visualizing the which‐won‐where pattern of the MET data, but the symmetric scaling is preferred because it has all properties intermediate between the genotype‐ and the environment‐focused scaling methods.
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 | 0,000 | 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) | 0,001 | 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 découle