- Müller BU, Kleinknecht K, Möhring J, Piepho HP. Comparison of spatial models for sugar beet and barley trials. Crop Sci. 2010;50:794–802.
存在用于在一个维度上调整局部趋势的几种空间方法。本研究的目的是评估和比较不同空间方法的精度。为此，使用基线模型分析了两个德国植物育种公司的293个甜菜（Beta vulgaris）和64个多环境大麦（Hordeum vulgare）试验，其包括块和复制效应，以及不同的一维空间模型，基线模型。使用Akaike信息准则（AIC），两个环境之间调整的基因型均值的表型相关性和相对效率评估模型拟合。对于甜菜和大麦试验，基线模型在大多数情况下优于空间模型，而在一些情况下，添加空间组分证明是有益的。基于这些结果，我们提出了一种从基线模型开始的保守的空间建模方法，然后检查添加空间分量是否改善拟合。在研究的替代模型中，线性方差和一阶自回归模型是最有希望的候选人。
植物育种和作物品种测试中的田间试验的主要目的是比较不同的基因型。土壤异质性，天气，农业实践和一些其他因素影响每个基因型的产量，并有助于空间趋势（Arnold和Kempton，1979; Gilmour等，1997）。为了更好地预测基因型值和估计空间趋势，在上世纪开发了不同的方法，如使用控制图，阻断和随机化（Fisher，1925; Edmondson，2005）。除了先进的实验设计，提出了许多空间方法来调整空间趋势（最近邻调整法:Bartlett，1978; Wilkinson等，1983; Schwarzbach，1984; 线性方差模型：Williams，1986; AR模型：Gilmour等，1997; Gleeson，1997）。这些方法的共同特征是，假定更接近的曲线具有比更远离的曲线更高的相关性。基因型值估计的精度可以通过阻止和在一维或二维中调整空间趋势来改善。我们在这项研究中的重点是一维分析，因为对于长而细的图，更高的空间相关性通常发现在那些维度，其中地图距离更短。另外，在所研究的试验中通常有许多行，但只有很少的列。在一些情况下，试验的地块没有布置在矩形网格中，因此二维建模的范围有限。本文的一部分动机是一些合作植物育种公司表示希望从传统的迭代最近邻方法迁移到更强大的完全边缘线性混合模型分析与空间分量的局部趋势。对于适合于常规分析的空间方法，重要的是其是稳健的，即不仅在理想条件下良好地执行（Martin等人，1993; Cullis等人，2006; Martin等人， 2006; Piepho等，2008）。在空间方法可以用于常规分析之前，应该对其精度进行测试，并与不同的空间模型进行比较，例如，使用大量的经验数据。本研究的重点是比较不同的空间模型。我们开始与基线模型的比较，然后检查是否可以通过添加空间组件来改善。基线模型包括块和复制效应，但不涉及空间趋势。这种方法与将空间分析视为替代方案而不是经典块分析的附加物的其他研究不同。本研究的另一个重点是具体包括线性方差模型。这个模型在我们的经验中表现相对较好，自第一次提出以来就一直被忽略了（Williams，1986）。使用空间模拟进行大麦试验的研究是Kempton和Howes（1981），Clarke和Baker（1996）和Cullis等人（1998）。对于甜菜，空间建模由Kempton（1982），Besag和Kempton（1986），Durban等人（2001），和Piepho et al。 （2008）。只有少数空间模型研究集中在欧洲的甜菜和大麦田试验。因此，本研究的目的是比较这两种作物的不同空间方法。本文使用来自德国两个商业植物育种计划的甜菜和大麦的数据集。
