Description: Neue Sorten werden in Feldversuchen in mehreren Umwelten (MET) extensiv getestet, um zuverlässige empirische Grundlage für Sortenempfehlungen für Landwirte zu erhalten. Falls die Zielpopulation von Umwelten groß genug und heterogen ist, ist eine Aufteilung in Subregionen oft vorteilhaft. Bei der Planung solcher Versuche erhebt sich die Frage der Zuordnung der Feldversuche den Subregionen. Zu Lösung dieses Problems werden meistens lineare gemischte Modelle angenommen. Optimale Versuchspläne (optimale Zuordnungen der Feldversuche) werden für beste lineare unverszerrte Vorhersagen (BLUPs) für Genotypeffekte und ihre paarweise lineare Kontraste bestimmt. In diesem Projekt werden lineare gemischte Modelle mit korrelierten Genotypeffekten untersucht, die zudem Jahres- und / oder Umweltfaktoren miteinbeziehen können. Außerdem ist geplant unvollständige Block-Designs (alpha-Designs, Zeilen-Spalten-Pläne) neben randomisierten vollständigen Block-Designs zu berücksichtigen. Für den Fall dass Markerdaten verfügbar sind, werden Versuchspläne für MET für Sparse Testing untersucht. Sparse Testing bedeutet die Prüfung jedes Genotyps ausschließlich in einem Teil der Feldversuche. Dadurch wird die Erfassung der Marker-Umwelt-Interaktion in einer erhöhten Zahl von Umwelten ermöglicht, wodurch eine höhere Präzision der Schätzung von Markereffekten erreicht wird. Die Aufgabe der Versuchsplanung ist nun die Zuordnung der Genotypen zu den Prüfumwelten. Die linearen gemischten Modelle sind hier so kompliziert, dass die Designfragestellungen nicht trivial sind. In den Fällen, wo die daraus resultierenden Designkriterien keine Spezialfälle von bekannten Kriterien sind, werden neue Berechnungsmethoden für optimale Versuchsplanung entwickelt. Eine zugehörige Fragestellung in dieser Forschung ist die Ermittlung von optimalen oder hocheffizienten Designs, die unabhängig von oder mindestens unsensitiv bzgl. der Kovarianzmatrix der zufälligen Effekte sind. Zu Lösung dieses Problems wird ein Bayesianischer Ansatz benutzt. Außerdem werden das Minimax-Kriterium und / oder das Maximin-Efficiency-Kriterium untersucht, die dem "worst case" bezüglich der zugrundeliegenden Kriterien entsprechen.
Types:
SupportProgram
Origins:
/Bund/UBA/UFORDAT
Tags:
Phytopathologie
?
Tracer
?
Berechnungsverfahren
?
Pflanzenzüchtung
?
Freilandversuch
?
Ökologischer Faktor
?
Mathematics
?
Mathematik
?
Region:
Baden-Württemberg
Bounding boxes:
9° .. 9° x 48.5° .. 48.5°
License: cc-by-nc-nd/4.0
Language: Deutsch
Organisations
Time ranges:
2023-01-01 - 2025-12-15
Alternatives
-
Language: Englisch/English
Title: Optimal Design for Multi-Environment Trials
Description: New crop varieties are extensively tested in multi-environment trials (MET) in order to obtain a solid empirical basis for recommendations to farmers. When the target population of environments is large, a division into sub-regions is often advantageous. When designing such trials, the question arises how to allocate trials to the different sub-regions. For solution to this problem linear mixed models are usually being assumed. The optimal designs (optimal allocations of trials) are determined for best linear unbiased prediction of genotype effects and their pairwise linear contrasts. In the present project it is planned to consider linear mixed models with correlated genotype effects which may also incorporate the influence of the years and / or environmental factors. Moreover, besides randomized complete block designs, incomplete block designs (alpha designs, row-column designs) are planned to be considered. Furthermore, we will explore the design of MET for sparse testing when marker data is available. Sparse testing involves testing each genotype only in a subset of the trials, thereby allowing more environments to be sampled and better precision to be achieved for marker effect estimates. The design problem here is how to allocate genotypes to environments. The linear mixed models used here are so complex that the design problems involved are far from trivial. If the design criteria obtained in this project will have a new structure, i.e., cannot be recognized as particular cases of any criteria available in the literature, new computational methods will be developed. A related open problem that will be addressed in the present research is determining optimal or highly efficient designs, which are independent of, or at least not sensitive with respect to the covariance matrix of random effects. We will solve this problem by using a Bayesian approach and / or by considering minimax and maximin efficiency criteria, which are related to the worst case of the underlined criterion with respect to variance parameters.
https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1140321
Resources
Status
Quality score
- Overall: 0.50
-
Findability: 0.66
- Title: 1.00
- Description: 0.23
- Identifier: false
- Keywords: 0.75
- Spatial: RegionIdentified (1.00)
- Temporal: true
-
Accessibility: 0.67
- Landing page: Specific (1.00)
- Direct access: false
- Publicly accessible: true
-
Interoperability: 0.00
- Open file format: false
- Media type: false
- Machine-readable metadata: false
- Machine-readable data: false
-
Reusability: 0.67
- License: ClearlySpecifiedAndFree (1.00)
- Contact info: false
- Publisher info: true
Accessed 1 times.