Prediction of Cultivar Performance Based on Single‐ versus Multiple‐Year Tests in Soybean
Notice bibliographique
Résumé
Because of the omnipresent genotype × year or genotype × location × year interactions in crop performance trials, it is commonly believed that multiple‐year data should be used in selecting cultivars for the next year. An implicated but rarely tested hypothesis is that multiple‐year data are more predictive than single‐year data of cultivar performance in the next year. Yield data of the 1991 to 2000 Ontario Soybean Variety Trials in the 2800 Crop Heat Unit (CHU) area were used to study the power of single‐year, multiple‐location trials in predicting cultivar performances in the following year, and to see if data from multiple‐year trials are more predictive. Mixed models were used to estimate best linear unbiased predictions (BLUP) of tested genotypes on the basis of single‐ or multiple‐year trials, and the t‐statistic of BLUP (tBLUP) was used as a measure of cultivar performance. Results indicated that a single‐year, multiple‐location trial had sufficient power for identifying genotypes that would perform well or poorly in the next year. Two to four years' data gave only slightly better predictions of next‐year performances than single‐year data but allowed more genotypes to be evaluated conclusively. The tBLUP of genotype effects based on 2 yr of multiple‐location trials should be used as a basis for soybean cultivar selection and recommendation in the 2800 CHU area of Ontario.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».