博文
空间分析之ASReml-R篇
|||
空间分析(spatial anlaysis )已被用于农作物品种的田间试验，试验结果表明，与RCB或RIB设计相比，空间分析可以减少试验误差并提高农作物品种评估的准确性。林业试验与农作物品种试验有些相似，都需要考虑地点的差异性。然而，林业试验又不同于农业的，因为林业试验材料一般来源于杂交，而且试验材料需要更多的家系和个体数量。试验数量大，试验地多为山地，且常常设在不同地点，还有多次重复测定，这使得林业试验的环境差异更大。此外，林业育种家通过测定个体以选择优树来做杂交，而不仅限于试验材料的比较。因此，林木个体间的竞争比小区间的竞争更为重要。近年来，空间分析也已被应用于林业试验，试验结果表明，空间分析可明显提高种源、家系、亲本和无性系遗传效应估算的准确性。
【例子】某松树全同胞子代测定林，有46个家系，采用随机完全区组(RCB)设计，设7个区组，5株行式小区，整片试验林共35行、40列，目标性状为10年生的胸径，试进行空间分析。
本例子中空间分析的线性模型如表6-8所示:
分析代码如下:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 | ############## 代码清单 ############## sp <- asreml.read.table( file = 'sp.csv', header = T, sep = ',' ) sp.ped <- sp[, c(1:3)] # 生成谱系 sp.pedinv <- asreml.Ainverse(sp.ped)$ginv # 生成谱系的逆矩阵
SM1.asr<-asreml(dbh10~1,random=~Rep+Plot+ped(Tree),data=sp,ginverse=list(Tree= sp.pedinv))
SM2.asr<-asreml(dbh10 ~ 1, random =~ ped(Tree), rcov =~ ar1(Row):ar1(Col), data = sp, maxit = 100, ginverse = list(Tree = sp.pedinv))
SM3.asr<-asreml(dbh10 ~ 1, random =~ ped(Tree) + units, rcov =~ ar1(Row):ar1(Col), data = sp, maxit = 100, ginverse = list(Tree = sp.pedinv))
SM4.asr<-asreml(dbh10 ~ 1, random =~ Rep + Plot + ped(Tree) + units, rcov =~ ar1(Row):ar1(Col), data=sp, maxit = 100, ginverse = list(Tree = sp.pedinv)) SM5.asr<-asreml(dbh10~1, random=~Rep+ped(Tree)+units, rcov=~ ar1(Row):ar1(Col), data=sp, maxit = 100, ginverse = list(Tree = sp.pedinv)) SM6.asr<-asreml(dbh10~1, random=~Plot+ped(Tree)+units, rcov=~ar1(Row):ar1(Col), data = sp, maxit = 100, ginverse = list(Tree = sp.pedinv)) SM7.asr<-asreml(dbh10 ~1+pol(Row,-2) + pol(Col-2), random =~ped(Tree) + units, rcov =~ ar1(Row):ar1(Col), maxit = 100, data = sp, ginverse = list(Tree = sp.pedinv)) summary(SM1.asr)$varcomp # 随机效应各变量的方差分量 plot(variogram(SM2.asr)) # 绘制空间分析模型的残差方差图 |
模型SM1的运行结果如下:
1 2 3 4 5 6 7 8 | > summary(SM1.asr)$loglik [1] -1605.97 > summary(SM1.asr)$varcomp gamma component std.error z.ratio constraint ped(Tree)!ped 8.319732e-01 2.463809e+00 6.468593e-01 3.808880 Positive Rep!Rep.var 6.396276e-02 1.894196e-01 1.227606e-01 1.543001 Positive Plot!Plot.var 1.011929e-07 2.996731e-07 3.734002e-08 8.025521 Boundary R!variance 1.000000e+00 2.961405e+00 3.689984e-01 8.025521 Positive |
其它模型具体运行的结果都略去。
残差方差图结果显示，模型SM4、SM5、SM6的图形基本一致，也与最佳模型SM3的图形非常接近，而SM2模型的图形表面比较平滑。由最佳模型SM3延伸的修饰模型SM7，可以看出残差方差图变化较大。
空间分析模型的残差方差图
https://blog.sciencenet.cn/blog-1114360-735785.html
上一篇：ASReml-R之简介
下一篇：G×E分析之ASReml-R篇
