Two-dimensional penalized splines via Gibbs sampling to account for spatial variability in forest genetic trials with small amount of information available
Notice bibliographique
Résumé
Abstract Spatial environmental heterogeneity are well known characteristics of field forest genetic trials, even in small experiments (<1ha) established under seemingly uniform conditions and intensive site management. In such trials, it is commonly assumed that any simple type of experimental field design based on randomization theory, as a completely randomized design (CRD), should account for any of the minor site variability. However, most published results indicate that in these types of trials harbor a large component of the spatial variation which commonly resides in the error term. Here we applied a two-dimensional smoothed surface in an individual-tree mixed model, using tensor product of linear, quadratic and cubic B-spline bases with different and equal number of knots for rows and columns, to account for the environmental spatial variability in two relatively small (i.e., 576 m 2 and 5,705 m 2 ) forest genetic trials, with large multiple-tree contiguous plot configurations. In general, models accounting for site variability with a two-dimensional surface displayed a lower value of the deviance information criterion than the classical RCD. Linear B-spline bases may yield a reasonable description of the environmental variability, when a relatively small amount of information available. The mixed models fitting a smoothed surface resulted in a reduction in the posterior means of the error variance (σ 2 e ), an increase in the posterior means of the additive genetic variance (σ 2 a ) and heritability ( h 2 HT ), and an increase of 16.05% and 46.03% (for parents) or 11.86% and 44.68% (for offspring) in the accuracy of breeding values, respectively in the two experiments.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».