Developing seed zones and transfer guidelines with multivariate regression trees
Notice bibliographique
Résumé
Managing seed movement is an important component of forest resource management to minimize maladaptation of planting stock in forest plantations. Here, we describe a new approach to analyze geographic patterns of adaptive and neutral genetic variation in forest trees and to link this genetic information to geographic variables for the delineation of seed zones and the development of seed transfer guidelines. We apply multivariate regression trees to partition genetic variation, using a set of environmental or geographic predictor variables as partitioning criteria in a series of dichotomous splits of the genetic dataset. The method can be applied to any type of genetic data (growth, adaptive, or marker traits) and can simultaneously evaluate multiple traits observed over several environments. The predictor variables can be categorical (e.g., ecosystem of seed source), continuous (e.g., geographic or climate variables), or a combination of both. Different sets of predictor variables can be used for different purposes: In two case studies for aspen and red alder, we show (1) how latitude, longitude, and elevation of seed sources in a provenance trial can be used to develop simple seed transfer guidelines; (2) how ecosystem classes and elevation as predictor variables can be used to delineate seed zones and breeding regions; and (3) how climate variables as predictors can reveal adaptation of genotypes to the environments in which they occur. Partitioning of genetic variation appears very robust regarding the choice of predictor variables, and we find that the method is a powerful aid for interpreting complex genetic datasets.
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 | 0,008 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».