Mega‐environment analysis and breeding for specific adaptation
Notice bibliographique
Résumé
Abstract Mega‐environment (ME) analysis is analysis of multi‐year, multi‐location crop variety trial data conducted in a target region of a crop to understand the magnitude and nature of genotype‐by‐environment interaction (GE) of the crop in the region. If repeatable GE patterns are identified, then the target region must be divided into subregions or MEs. Breeding and utilizing ME‐specific cultivars will convert the repeatable GE into genotypic main effect (G) within ME, thereby improving heritability (selection reliability) and selection gain and maximize regional and overall productivity. If no repeatable GE is found, then the target region must be treated as a single ME and the GE must be accommodated by testing adequately, that is, at a sufficient number of locations in a sufficient number of years. This paper presents a theoretical framework of ME analysis, describes graphical tools to reveal the which‐won‐where patterns in a genotype‐by‐environment dataset, and demonstrates LG (location‐grouping) biplot analysis for revealing repeatable GE patterns and delineating MEs. The concept of G + GE or GGE, that is, GE relative to G, is emphasized. It is the relative GE that is the basis for ME analysis and breeding for specific adaptation; absolute magnitude of GE has little relevance for these purposes. Breeding ME‐specific oat cultivars in Canada is demonstrated with a real‐world example.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».