Prédiction de l'interaction génotype x environnement par linéarisation et régression PLS-mixte

Dieng Ibnou. 2007. Prédiction de l'interaction génotype x environnement par linéarisation et régression PLS-mixte. Montpellier : UM2, 144 p. Thèse de doctorat : Biostatistique. Information structures systèmes : Université Montpellier 2

Titre anglais : Prediction of the GxE interaction by linearisation and PLS-Mixed regression

Encadrement : Sabatier, Robert

Résumé : Ce travail porte sur la prédiction de l'interaction entre génotype et environnement (GxE) et est appliqué 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 développé 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 régresseurs est remplacée par la matrice des dérivées partielles par rapport aux paramètres. Le très grand nombre de paramètres variétaux généralement constaté dans les modèles de simulation de cultures conduit à un nombre important de régresseurs; d'où une estimation par régression Partial Least Squares (PLS). Par la suite, nous proposons APLAT-mixte, une extension de APLAT. Pour ce modèle mixte, nous maintenons le rendement des génotypes linéarisé dans la partie fixe, les interactions GxE résiduelles étant aléatoires, de variances inconnues. Nous introduisons à cet effet la technique PLS-Mixte pour estimer les composantes de variance dans un modèle où il y a plus de régresseurs que d'observations. L'algorithme itératif proposé, qui consiste à imbriquer la régression PLS dans l'algorithme Expectation Maximization (EM), est fondé sur les méthodes de maximisation de la vraisemblance Maximum Likelihood (ML) et Restricted Maximum Likelihood (REML).

Résumé (autre langue) : This work deals with the prediction of the interaction between genotype and environment (G×E) and is applied to the context of the Sahel. After a literature review of the main methods of analysis, we propose the APLAT method. The yield predicted by a crop-simulation model using environment covariates is expanded as a Taylor series in the neighborhood of a parameter vector of a control genotype. We obtain an approximate linear model where the regressors matrix is replaced by the matrix of the derivatives with respect to the parameters.The sizeable number of varietal parameters generally noted in the crop-simulation models makes the number of regressors exceed the number of observations; hence an estimatation by Partial Least Squares (PLS) regression is performed. Thereafter, we propose APLAT-mixed, an extension of APLAT. For this mixed model, we keep the yield of the genotypes linearized in the fixed part, the residual G×E interactions being random, of unknown variances.We introduce to that end the PLS-Mixed technique to estimate the variance components in a model where there are more regressors than observations. The iterative algorithm proposed, which consists in imbricating PLS regression in the Expectation Maximization (EM) algorithm, is based on the Maximum Likelihood (ML) and on the Restricted Maximum Likelihood (REML).

Mots-clés Agrovoc : Arachis hypogaea, modèle mathématique, intéraction génotype environnement, rendement, technique de prévision, zone aride, plante de culture

Mots-clés géographiques Agrovoc : Sénégal, Sahel

Classification Agris : U10 - Informatique, mathématiques et statistiques
F30 - Génétique et amélioration des plantes
F01 - Culture des plantes

Champ stratégique Cirad : Axe 1 (2005-2013) - Intensification écologique

Auteurs et affiliations

• Dieng Ibnou, UM2 (FRA)

Source : Cirad - Agritrop (https://agritrop.cirad.fr/540891/)

Métriques

[ Page générée et mise en cache le 2024-01-28 ]