Spatial analysis enhances modelling of a wide variety of traits in forest genetic trials
Notice bibliographique
Résumé
Spatial analysis of progeny trial data improved predicted genetic responses by more than 10% for around 20 of the 216 variables tested, although, in general, the gains were more modest. The spatial method partitions the residual variance into an independent component and a two-dimensional spatially autocorrelated component and is fitted using REML. The largest improvements in likelihood were for height. Traits that exhibit little spatial structure (stem counts, form, and branching) did not respond as often. The spatial component represented up to 50% of the total residual variance, usually subsuming design-based blocking effects. The autocorrelation tended to be high for growth, indicating a smooth environmental surface, it tended to be small for measures of health, indicating patchiness, and otherwise the autocorrelation was intermediate. Negative autocorrelations, indicating competition, were present in only 10% of diameter measurements for the largest diameter square planted trials, and between nearest trees with rectangular planting at smaller diameters. Bimodal likelihood surfaces indicate that competition may be present, but not dominant, in other cases. Modelling of extraneous effects yielded extra genetic gain only in a few trials with severely asymmetric autocorrelations. Block analysis of resolvable incomplete-block or row–column designs was better than randomized complete-block analysis, but spatial analysis was even better.
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 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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».