Analysis and Handling of G × E in a Practical Breeding Program
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Genotype by environment interaction (GE) is a reality in plant breeding and crop production, and has to be dealt with. There are but two viable options to deal with GE: to utilize it or to avoid it, depending on whether it is repeatable. Repeatable GE can be selected for (utilized) whereas unrepeatable GE has to be selected against (avoided). To utilize GE involves identifying repeatable GE, dividing the target region into subregions or megaenvironments (ME) based on the repeatable GE pattern, and selecting within ME. By definition, GE within ME is unrepeatable and has to be avoided. To avoid unrepeatable GE is to test in a sufficient number of environments (locations and years) representing the target ME and to select both high mean performance and high stability. My preferred analytic tool for identifying repeatable GE, ME analysis, representative test locations, and superior genotypes is GGE (genotypic main effect plus GE) biplots, which was demonstrated using oat ( Avena sativa L.) yield data from multilocation multiyear trials. Some important issues on GE study, in relation to genotype evaluation, were discussed. These included the framework of multiyear multilocation trials, the distinction between repeatable and nonrepeatable components of GE, the need to consider both genotypic main effect (G) and GE, and the relative importance of mean performance (G) vs. stability (GE) in genotype evaluation.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 découle