1. Yang RC, Ye TZ, Blade SF, Bandara M. Efficiency of Spatial Analyses of Field Pea Variety Trials. Crop Sci. 2004;44:49–55.

現(xiàn)在可以對鄰近地塊進行若干空間分析以提高品種試驗的精度。這項研究的目的是評估三個常用的空間分析的效率，最近鄰域調整（NNA），最小二乘平滑（LSS）和一階自回歸模型（AR1），從157 1997年至2001年在加拿大阿爾伯塔省不同生長地區(qū)進行的豌豆豌豆（豌豆豌豆）品種試驗。所有試驗均采用隨機化完全區(qū)塊（RCB）設計進行，三次或四次重復。完整的復制（塊）種植在單個字段層中。來自157個試驗的每一個的產量數(shù)據(jù)進行常規(guī)RCB分析和三個空間分析。與RCB分析相比，LSS，NNA和AR1分析分別去除了平均22％，16％和7％的殘留變化，但是三個分析的去除量在試驗中有很大不同。每個空間分析在1997年和1998年實現(xiàn)了更多的誤差減少，其中試驗包含比1999至2001年更大的塊大小，其中試驗包含更小的塊大小。在涉及大量品種的大塊尺寸中，空間變異去除的效率是巨大的。此外，LSS和NAN分析在這樣的移除比AR1分析更有效。

品種試驗評價作物改良計劃中不同種類的性能，并測試大量選擇作為新品種的可能釋放。隨著目前北美和其他地區(qū)作物多樣化的趨勢（Blade等，2002），一些品種試驗開始在新環(huán)境中測試非傳統(tǒng)作物的注冊品種。在任何情況下，對品種均值或品種差異的準確估計需要通過使用適當?shù)膶嶒炘O計或通過統(tǒng)計分析來控制由品種效應所忽略的誤差變化。 RCB設計，由于其簡單性，繼續(xù)成為許多品種試驗的流行選擇。 RCB分析的有效性和效率取決于每個塊內的地塊是否具有相對均勻的生長條件（例如，土壤肥力和水分）。然而，在大于8到12個地塊的塊內的空間同質性很少發(fā)生在田間試驗中（Stroup等人，1994）。因此，在涉及大量條目的多樣化試驗中，RCB設計的效率通常較差。不完全的塊設計，例如格子或σ-設計可以具有更小的塊，但是空間異質性可以持續(xù)在小塊中。顯然，這種基于設計的誤差變化控制可能不足以消除品種試驗中的所有空間趨勢。
開發(fā)了利用繪圖位置信息的不同的基于模型的分析，并應用于估計和校正塊內和塊之間的空間變化。這些空間分析包括NNA（Bartlett，1978; Wilkinson等，1983; Zimmerman和Harville，1991），LSS（Green等，1985）和空間自相關建模如AR1模型（Glee- son和Cullis，1987 ; Gilmour等人，1997）。經(jīng)常評估相對于塊設計的分析的不同空間分析的效率（Ball等人，1993; Brownie等人，1993; Clarke等人，1994; Stroup等人，1994; Grondona等人， ，1996; Wu et al。，1998; Helms et al。，1999），但是這種評價通常基于有限數(shù)目的田間試驗。另一方面，其他研究（例如，Kempton和Howes，1981; Cullis和Gleeson，1989; Kempton等，1994）已經(jīng)使用了大量的試驗，但是集中在一個空間分析與常規(guī)RCB的比較分析。品種試驗通常在多年的大量試驗地點進行。空間變異性的模式和程度可能在不同環(huán)境之間變化很大，表明不同的空間分析在不同環(huán)境中消除空間異質性的能力可能不同。期望在包含不同環(huán)境的大量試驗中評價不同空間分析的效率。
本文報告了相對于常規(guī)RCB分析的三個空間分析（NNA，LSS和AR1）的效率的評估，基于1997年至2001年在加拿大艾伯塔省不同生長區(qū)測試的157個豌豆品種試驗。這些試驗是1987年成立的阿爾伯塔田豌豆區(qū)域品種測試計劃的一部分，該計劃是為了向全省的當?shù)赝愣股a者推薦注冊品種進行多年和多地點測試（Park and Lopetinsky，1999）。

方法

NNA

對于NNA分析，我們使用Papadakis程序的迭代一維修正（Wilkinson等人，1983）從每個圖的任一側的鄰居計算趨勢指數(shù)（怎么計算），但塊效應（i）被保留。 因此，方程式中的Tij+εij。 [1]在NNA分析中成為βi+bXij +eij，其中Xij=（ei，j 1+ei，j 1）/ 2，b與協(xié)變量X ij相關的回歸系數(shù)，eij Yij Y ij 平均值。 對于在塊的任一端的邊界小區(qū)，計算Xij作為一個相鄰的殘差。 每次迭代從新的趨勢指數(shù)開始，該趨勢指數(shù)是觀察到的和調整后的品種與前一次迭代的差異。 迭代繼續(xù)，直到兩個連續(xù)迭代中的調整均值之間的差值可忽略。

LSS

對于LSS分析（Green等人，1985），趨勢效應Tij是在其第二差異為零的約束條件下估計的（Ti，j 1 2 Tij Ti，j 1 0）。進一步假設殘差（εij）彼此不相關和具有趨勢效應。必須選擇適當?shù)恼{諧常數(shù)（）以確保相鄰圖之間的不相關殘差，同時保持平滑趨勢。根據(jù)Clarke et al。 （1994）中，我們搜索在估計殘差中給出接近零的串行相關性的值。當串行相關的絕對值為0.02或當達到預設的上限106時，即使串行相關保持為遠離零，搜索處理也停止。

AR1

第三個分析是直接擬合場趨勢（Zim merman和Harville，1991; Gilmour等人，1997），而不是像前兩個分析中那樣通過區(qū)分或使用鄰域殘差。在這種方法中，假設殘差（εij）根據(jù)空間相關性模型分布。常用的空間相關模型是AR1。在AR1模型下εij和εij之間的協(xié)方差由Cov（εij，εij）2 2C（εij，εij）2 | jj |，[2]給出，其中2是將使用RCB分析趨勢）。空間趨勢的存在將表明相鄰地塊傾向于比更遠離（0）的地塊更相似。我們僅考慮塊內的空間關系（一維AR1模型），因為完全復制（塊）在單個字段層中。在存在諸如AR1的殘差的復雜協(xié)方差結構的情況下，需要基于似然的混合模型分析來建模和估計協(xié)方差結構和調整的變量均值。