Prédiction de l''interaction entre génotype et environnement au sahel

Univ Europeenne - EAN : 9786131546853
DIENG-I
Édition papier

EAN : 9786131546853

Paru le : 16 nov. 2010

49,00 € 46,45 €
Disponible
Pour connaître votre prix et commander, identifiez-vous
Notre engagement qualité
  • Benefits Livraison gratuite
    en France sans minimum
    de commande
  • Benefits Manquants maintenus
    en commande
    automatiquement
  • Benefits Un interlocuteur
    unique pour toutes
    vos commandes
  • Benefits Toutes les licences
    numériques du marché
    au tarif éditeur
  • Benefits Assistance téléphonique
    personalisée sur le
    numérique
  • Benefits Service client
    Du Lundi au vendredi
    de 9h à 18h
  • EAN13 : 9786131546853
  • Réf. fournisseur : 4937366
  • Editeur : Univ Europeenne
  • Date Parution : 16 nov. 2010
  • Disponibilite : Disponible
  • Barème de remise : NS
  • Nombre de pages : 144
  • Format : H:229 mm L:152 mm E:9 mm
  • Poids : 222gr
  • Interdit de retour : Retour interdit
  • Résumé : Ce travail porte sur la prédiction de l''interaction entre génotype et environnement (GxE) et est appliquée au contexte sahélien. Après un tour d''horizon des principales méthodes d''analyse de la littérature, nous proposons la méthode APLAT. Le rendement de génotypes prédit à l''aide de covariables d''environnement par un modèle de simulation de cultures est développée en série de Taylor à l''ordre 1 au voisinage du vecteur de paramètres d''un génotype de référence. Nous nous ramenons alors approximativement à un modèle linéaire où la matrice des regresseurs est remplacée par celle des dérivées partielles par rapport aux paramètres. Le très grand nombre de paramètres variétaux généralement constatée dans les modèles de simulation de cultures conduit à un nombre important de regresseurs; d''où une estimation par régression Partial Least Squares (PLS). Par la suite, nous proposons APLAT-mixte, une extension de APLAT et introduisons la technique PLS-Mixte pour estimer les composantes de variance dans un modèle où il y a plus de regresseurs que d''observations. L''algorithme itératif proposée consiste à imbriquer la régression PLS dans l''algorithme Expectation Maximization (EM).
Haut de page
Copyright 2026 Cufay. Tous droits réservés.