Fisher's ideas and the design of field experiments in agronomy and plant breeding
Dieser Artikel stellt die grundlegenden Beiträge von R. A. Fisher zum Versuchsplanen vor, insbesondere die aus seiner Arbeit an der Rothamsted Station hervorgegangenen, und verknüpft diese historischen Prinzipien mit der aktuellen Forschung des Autors zu Feldversuchen in der Agronomie und Pflanzenzüchtung, wobei Themen wie Reihen-Kolumnen-Designs, Multi-Umwelt-Versuche und die optimale Zuteilung von Versuchen behandelt werden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Dieser Artikel ist eine Hommage an R. A. Fisher, einen der größten Wissenschaftler des 20. Jahrhunderts, der die Regeln für die Durchführung wissenschaftlicher Experimente erfand, insbesondere in der Landwirtschaft. Der Autor, Hans-Peter Piepho, fungiert als Führer und zeigt auf, wie Fischers alte Ideen auch heute noch funktionieren und wie sie angepasst wurden, um moderne Probleme in der Pflanzenzüchtung und Landwirtschaft zu lösen.
Hier ist die Geschichte des Artikels, aufgeschlüsselt in einfache Konzepte und Analogien.
Das große Ganze: Die Regel des „Fair Play"
Stellen Sie sich vor, Sie sind ein Richter bei einem Pferderennen. Um zu wissen, welches Pferd wirklich das schnellste ist, können Sie es nicht einfach laufen lassen, wann immer es möchte, auf verschiedenen Strecken. Sie müssen sicherstellen, dass jedes Pferd auf derselben Strecke, zur gleichen Zeit und in zufälliger Reihenfolge läuft, damit kein Pferd einen unfairen Vorteil durch den Wind oder einen schlammigen Fleck erhält.
Fischers größtes Geschenk an die Wissenschaft war die Randomisierung. Er sagte: „Ordnen Sie Dinge nicht einfach ordentlich an; mischen Sie sie wie ein Kartenspiel." Dies stellt sicher, dass, wenn Sie einen Unterschied in den Ergebnissen sehen, dieser auf die Behandlung (die Geschwindigkeit des Pferdes oder der verwendete Dünger) zurückzuführen ist und nicht auf ein verstecktes Muster im Feld.
Teil 1: Das einzelne Rennen (Einzelne Feldversuche)
1. Das Problem mit „ordentlichen Reihen" (Systematisch vs. Zufällig)
In der Vergangenheit pflanzten Landwirte manchmal Pflanzen in ordentlichen, sich wiederholenden Mustern (wie A-B-C-D-E, A-B-C-D-E). Fisher hasste dies. Er argumentierte, dass, wenn der Boden beim Laufen durch das Feld etwas besser wird, Ihr ordentliches Muster versehentlich mit dieser Bodenveränderung übereinstimmen könnte, was Sie täuscht, zu glauben, Ihr Dünger habe gewirkt, obwohl er es nicht tat.
- Die Erkenntnis des Artikels: Der Autor testete dies mit alten Daten. Er zeigte, dass ordentliche, nicht zufällige Reihen wie ein manipuliertes Spiel sind. Man kann den Ergebnissen nicht trauen. Randomisierung ist der einzige Weg, um ein „gültiges" Ergebnis zu erhalten, auch wenn die Mathematik kompliziert aussieht.
2. Das Gitter-Spiel (Zeilen-Spalten-Designs)
Manchmal ist ein Feld nicht nur eine gerade Linie; es ist ein Gitter (wie ein Schachbrett). Sie könnten schlechten Boden haben, der von Nord nach Süd und von Ost nach West verläuft.
- Die Analogie: Stellen Sie sich ein Schachbrett vor, auf dem Sie verschiedene Schachfiguren testen möchten. Sie müssen sicherstellen, dass keine Figur häufiger in einem „schlechten Feld" steckt als andere.
- Die moderne Wendung: Der Autor diskutiert „Springer"-Muster (eine bestimmte Art, Figuren auf einem Schachbrett anzuordnen). Während diese Muster sehr präzise sind, können sie die Mathematik manchmal täuschen, wenn man nicht aufpasst. Der Artikel schlägt einen „pragmatischen" Ansatz vor: Verwenden Sie Computer, um die Figuren zu mischen, aber stellen Sie sicher, dass Sie Muster vermeiden, die zu perfekt aussehen oder sich ballen, nur um auf der sicheren Seite zu sein.
3. Das „Einmal-Problem" (Augmentierte Designs)
In der frühen Pflanzenzüchtung haben Wissenschaftler Tausende neuer Saatgutsorten, aber nur eine winzige Menge Samen für jede Sorte. Sie können nicht 10 Parzellen jeder neuen Sorte anpflanzen; sie haben nur genug für eine.
- Die Lösung: Sie pflanzen einige „Prüf"-Sorten (bekannte, vertrauenswürdige Pflanzen) mehrfach an, um als Maßstab zu dienen. Dann streuen sie die neuen, nicht replizierten Samen dazwischen.
- Der Beitrag des Artikels: Der Autor erklärt, wie diese „Maßstäbe" und die „neuen Samen" angeordnet werden müssen, damit die Mathematik immer noch den Unterschied zwischen einem guten neuen Samen und einem schlechten erkennen kann, selbst wenn der neue Samen nur einmal erscheint.
Teil 2: Die große Liga (Multi-Umgebungs-Versuche)
1. Das Wetter-Lotto
Eine Pflanze könnte in einem nassen Jahr großartig sein, aber in einem trockenen Jahr schrecklich. Um zu wissen, ob eine Pflanze wirklich „gut" ist, müssen Sie sie an vielen verschiedenen Orten (Farmen) und in vielen verschiedenen Jahren (Saisons) testen.
- Fischers Einsicht: Fisher erkannte, dass das „Rauschen" (die Wetterunterschiede) tatsächlich der wichtigste Teil der Mathematik ist. Wenn Sie eine Pflanze an 10 Orten testen, sagt Ihnen der Unterschied darin, wie sie an diesen Orten abschneidet, mehr über ihre Zuverlässigkeit als der Durchschnittswert.
- Die Analogie: Wenn Sie wissen wollen, ob ein Läufer ein wahrer Champion ist, messen Sie ihn nicht nur einmal. Messen Sie ihn bei Regen, Schnee und Hitze. Wenn er in allen gewinnt, ist er ein Champion. Wenn er nur bei Regen gewinnt, ist er es nicht.
2. Kraft borgen (Teilweise replizierte Designs)
Jeden einzelnen neuen Samen an jedem einzelnen Ort zu testen, ist zu teuer.
- Die Lösung: „Teilweise replizierte" (p-rep) Designs. Stellen Sie sich vor, Sie haben 1.000 Samen. Sie können nicht alle fünfmal in fünf verschiedenen Ländern testen. Stattdessen testen Sie einige Samen zweimal in Land A, einige andere zweimal in Land B und so weiter.
- Die Magie: Durch die Verwendung intelligenter Mathematik können Sie Informationen „borgen". Wenn ein Samen in Land A gut aussieht und Sie wissen, dass Land A und Land B ähnliches Wetter haben, können Sie eine fundierte Vermutung darüber anstellen, wie er in Land B abschneiden wird, auch wenn Sie ihn dort nicht direkt getestet haben.
3. Das internationale Team-Up (Zusammenlegung von Ländern)
Derzeit testet Deutschland seine eigenen Samen und Polen seine eigenen. Sie überschneiden sich selten.
- Das Problem: Wenn ein Samen in Deutschland großartig ist, erfährt Polen nichts davon, bis sie ihn selbst testen, was Jahre dauert.
- Der Vorschlag: Der Autor schlägt vor, die Systeme zu vereinen. Wenn Deutschland und Polen dieselben Samen testen, können sie Daten austauschen.
- Das Ergebnis: Selbst wenn sie pro Land weniger Samen testen, macht die Tatsache, dass sie Daten teilen, das gesamte System schneller und genauer. Es ist wie zwei Nachbarn, die sich ein einziges hochwertiges Werkzeug teilen, anstatt dass jeder ein billiges kauft.
Die Zukunft: Was kommt als Nächstes?
Der Artikel endet mit der Feststellung, dass wir immer noch herausfinden, wie dies perfekt gemacht wird.
- Sparsames Testen: Dies ist wie das Testen einer riesigen Anzahl von Samen, wobei jedem nur ein winziger Teil des Kuchens gegeben wird (Testen an sehr wenigen Orten). Wir verlassen uns auf Stammbäume (Pedigree), um die Lücken zu füllen.
- Das Ziel: Ein „Super-Design" zu schaffen, das Geld und Zeit spart und gleichzeitig die besten Pflanzen für Landwirte findet.
Zusammenfassung
Dieser Artikel ist eine Feier von R. A. Fischers Regeln: Mischen Sie Ihre Karten (randomisieren), verwenden Sie einen Maßstab (Replikation) und kontrollieren Sie Ihre Umgebung (Blockbildung). Der Autor zeigt, dass wir zwar neue Computer und neue Probleme haben (wie das Testen von Samen über viele Länder hinweg), aber die Kernlogik, die Fisher vor 100 Jahren entdeckte, immer noch die geheime Zutat ist, um die Wahrheit in der Landwirtschaft zu finden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.