Spatial analysis methods for forest genetic trials
Notice bibliographique
Résumé
Spatial analysis, using separable autoregressive processes of residuals, is increasingly used in agricultural variety yield trial analysis. Interpretation of the sample variogram has become a tool for the detection of global trend and "extraneous" variation aligned with trial rows and columns. We applied this methodology to five selected forest genetic trials using an individual tree additive genetic model. We compared the base design model with post-blocking, a first-order autoregressive model of residuals (AR1), that model with an independent error term (AR1η), a combined base and autoregressive model, an autoregressive model only within replicates and an autoregressive model applied at the plot level. Post-blocking gave substantial improvements in log-likelihood over the base model, but the AR1η model was even better. The independent error term was necessary with the individual tree additive genetic model to avoid substantial positive bias in estimates of additive genetic variance in the AR1 model and blurred patterns of variation. With the combined model, the design effects were eliminated, or their significance was greatly reduced. Applying the AR1η model to individual trees was better than applying it at the plot level or applying it on a replicate-by-replicate basis. The relative improvements achieved in genetic response to selection did not exceed 6%. Examination of the spatial distribution of the residuals and the variogram of the residuals allowed the identification of the spatial patterns present. While additional significant terms could be fitted to model some of the spatial patterns and stationary variograms were attained in some instances, this resulted in only marginal increases in genetic gain. Use of a combined model is recommended to enable improved analysis of experimental data.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».