Efficiency of Spatial Analyses of Field Pea Variety Trials
Notice bibliographique
Résumé
Several spatial analyses of neighboring plots are now available for improving the precision of variety trials. The objective of this study was to evaluate the efficiency of three commonly used spatial analyses, a nearest neighbor adjustment (NNA), a least squares smoothing (LSS), and a first‐order autoregressive model (AR1), in removing field trends from 157 field pea ( Pisum sativum L.) variety trials tested in different growing zones across Alberta, Canada, during 1997 to 2001. All trials were conducted with a randomized complete block (RCB) design with three or four replications. A complete replication (block) was planted in a single field tier. Yield data from each of the 157 trials were subject to the conventional RCB analysis and the three spatial analyses. The LSS, NNA, and AR1 analyses removed an average of 22, 16, and 7% residual variation compared with the RCB analysis, respectively, but the amount of removal by the three analyses varied considerably among the trials. Each spatial analysis achieved more error reduction in 1997 and 1998, where trials contained larger block sizes than in 1999 to 2001, where trials contained smaller block sizes. The efficiency in spatial variation removal was great with large block sizes that involved large numbers of varieties. Furthermore, the LSS and NNA analyses were more effective in such removal than the AR1 analysis.
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 | 0,002 | 0,001 |
| 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) | 0,000 | 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 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 ».