| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Florestas. |
|
Data corrente: |
03/03/2005 |
|
Data da última atualização: |
03/03/2005 |
|
Autoria: |
FREITAS, R. R. de; CALIL JUNIOR, C. |
|
Título: |
Classificação de peças estruturais de Pinus spp. pela MSR (Machine Stress Rate). |
|
Ano de publicação: |
2003 |
|
Fonte/Imprenta: |
Madeira: Arquitetura e Engenharia, v. 4, n. 10, jan./jun. 2003. |
|
Idioma: |
Português |
|
Notas: |
1 CD-ROM. |
|
Conteúdo: |
A madeira é um material de fonte renovável, porém com grande variabilidade em suas propriedades mecânicas, devendo ser adequadamente avaliadas e caracterizadas para o correto uso. Uma forma de avaliar estas propriedades é através de ensaios não destrutivos, que não danificam o material. Dentre os vários métodos de classificação destaca-se a classificação mecânica por tensões (MSR), a qual é um efetivo sistema de classificação e avaliação de peças estruturais de madeira, devida sua alta produtividade, podendo avaliar e certificar todas as peças produzidas. Como alternativa para a exaustão das florestas tropicais, tem-se o gênero Pinus spp., o qual o conhecimento tecnológico de suas propriedades, tornará sua utilização viável na construção civil em maior escala. Entretanto, devido à presença dos defeitos de crescimento, nas peças estruturais de Pinus, os ensaios realizados em corpos-de-prova isentos de defeitos, não expressam suas reais propriedades. Este trabalho apresenta parte dos resultados obtidos no estudo da utilização da classificação mecânica por tensões para avaliação das propriedades do gênero Pinus spp. Os resultados mostram que a MSR é uma ótima alternativa para a classificação estrutural. |
|
Palavras-Chave: |
Classificação; Peça estrutural; Propriedade física. |
|
Thesagro: |
Pinus spp. |
|
Categoria do assunto: |
-- |
|
Marc: |
LEADER 01828naa a2200193 a 4500
001 1310011
005 2005-03-03
008 2003 bl uuuu u00u1 u #d
100 1 $aFREITAS, R. R. de
245 $aClassificação de peças estruturais de Pinus spp. pela MSR (Machine Stress Rate).
260 $c2003
500 $a1 CD-ROM.
520 $aA madeira é um material de fonte renovável, porém com grande variabilidade em suas propriedades mecânicas, devendo ser adequadamente avaliadas e caracterizadas para o correto uso. Uma forma de avaliar estas propriedades é através de ensaios não destrutivos, que não danificam o material. Dentre os vários métodos de classificação destaca-se a classificação mecânica por tensões (MSR), a qual é um efetivo sistema de classificação e avaliação de peças estruturais de madeira, devida sua alta produtividade, podendo avaliar e certificar todas as peças produzidas. Como alternativa para a exaustão das florestas tropicais, tem-se o gênero Pinus spp., o qual o conhecimento tecnológico de suas propriedades, tornará sua utilização viável na construção civil em maior escala. Entretanto, devido à presença dos defeitos de crescimento, nas peças estruturais de Pinus, os ensaios realizados em corpos-de-prova isentos de defeitos, não expressam suas reais propriedades. Este trabalho apresenta parte dos resultados obtidos no estudo da utilização da classificação mecânica por tensões para avaliação das propriedades do gênero Pinus spp. Os resultados mostram que a MSR é uma ótima alternativa para a classificação estrutural.
650 $aPinus spp
653 $aClassificação
653 $aPeça estrutural
653 $aPropriedade física
700 1 $aCALIL JUNIOR, C.
773 $tMadeira: Arquitetura e Engenharia$gv. 4, n. 10, jan./jun. 2003.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Florestas (CNPF) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
 | Acesso ao texto completo restrito à biblioteca da Embrapa Florestas. Para informações adicionais entre em contato com cnpf.biblioteca@embrapa.br. |
Registro Completo
|
Biblioteca(s): |
Embrapa Florestas. |
|
Data corrente: |
16/12/2019 |
|
Data da última atualização: |
16/12/2019 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
A - 2 |
|
Autoria: |
SILVEIRA, L. S.; MARTINS FILHO, S.; AZEVEDO, C. F.; BARBOSA, E. C.; RESENDE, M. D. V. de; TAKAHASHI, E. K. |
|
Afiliação: |
L. S. Silveira, UFV; S. Martins Filho, UFV; C. F. Azevedo, UFV; E. C. Barbosa, UFV; MARCOS DEON VILELA DE RESENDE, CNPF; E. K. Takahashi, CENIBRA. |
|
Título: |
Bayesian models applied to genomic selection for categorical traits. |
|
Ano de publicação: |
2019 |
|
Fonte/Imprenta: |
Genetics and Molecular Research, v. 18, n. 4: gmr18490, 2019. 10 p. |
|
DOI: |
10.4238/gmr18490 |
|
Idioma: |
Inglês |
|
Conteúdo: |
We compared two statistical methodologies applied to genetic and genomic analyses of categorical traits. The first one consists of a Bayesian approach to the Bayesian Linear Mixed Model (BLMM), which addresses the statistical problems of genomic prediction. The second methodology, called Bayesian Generalized Linear Mixed Model (BGLMM) is similar, but it is used when the distribution of the response variable is not Gaussian, as in the case of disease resistance phenotype categories. These models were compared according to predictive ability, bias, computational time and cross validation error rate (CVER). Additionally, an alternative classification method for the BLMM was proposed, which allowed us to obtain the CVER for this model. Estimates of the genetic parameters were obtained using BLASSO (Bayesian Least Absolute Shrinkage and Selection Operator) and Bayesian G-BLUP (Genomic Best Linear Unbiased Prediction) estimation methods applied to BLMM and BGLMM. The models were applied in two scenarios, with two and four classes for the phenotype of resistance to rust disease caused by the pathogen Puccinia psidii and classified as reaction types (two classes) and infection levels (four classes) recorded for 559 trees of Eucalyptus urophylla with 24,806 SNP markers. Modeling this trait through SNPs allow the next generation of plants to be selected early, reducing time and costs. We found the same predictive ability for both models and a bias value closer to the ideal for BLMM (GBLUP). The BGLMM had the best CVER (0.29 against 0.32 and 0.47 against 0.51 for 2 and 4 categories, respectively), BLMM had a three times shorter computational time, and though BLMM is not the most appropriate model for handling categorical data, this model presented similar responses to BGLMM. Thus, we consider it as an appropriate alternative for categorical data modeling. MenosWe compared two statistical methodologies applied to genetic and genomic analyses of categorical traits. The first one consists of a Bayesian approach to the Bayesian Linear Mixed Model (BLMM), which addresses the statistical problems of genomic prediction. The second methodology, called Bayesian Generalized Linear Mixed Model (BGLMM) is similar, but it is used when the distribution of the response variable is not Gaussian, as in the case of disease resistance phenotype categories. These models were compared according to predictive ability, bias, computational time and cross validation error rate (CVER). Additionally, an alternative classification method for the BLMM was proposed, which allowed us to obtain the CVER for this model. Estimates of the genetic parameters were obtained using BLASSO (Bayesian Least Absolute Shrinkage and Selection Operator) and Bayesian G-BLUP (Genomic Best Linear Unbiased Prediction) estimation methods applied to BLMM and BGLMM. The models were applied in two scenarios, with two and four classes for the phenotype of resistance to rust disease caused by the pathogen Puccinia psidii and classified as reaction types (two classes) and infection levels (four classes) recorded for 559 trees of Eucalyptus urophylla with 24,806 SNP markers. Modeling this trait through SNPs allow the next generation of plants to be selected early, reducing time and costs. We found the same predictive ability for both models and a bias value closer to the ideal for BLMM (G... Mostrar Tudo |
|
Palavras-Chave: |
Bayesian inference; Statistical methods. |
|
Thesagro: |
Melhoramento Genético Vegetal. |
|
Thesaurus NAL: |
Genetic improvement; Plant breeding. |
|
Categoria do assunto: |
G Melhoramento Genético |
|
Marc: |
LEADER 02649naa a2200253 a 4500
001 2116962
005 2019-12-16
008 2019 bl uuuu u00u1 u #d
024 7 $a10.4238/gmr18490$2DOI
100 1 $aSILVEIRA, L. S.
245 $aBayesian models applied to genomic selection for categorical traits.$h[electronic resource]
260 $c2019
520 $aWe compared two statistical methodologies applied to genetic and genomic analyses of categorical traits. The first one consists of a Bayesian approach to the Bayesian Linear Mixed Model (BLMM), which addresses the statistical problems of genomic prediction. The second methodology, called Bayesian Generalized Linear Mixed Model (BGLMM) is similar, but it is used when the distribution of the response variable is not Gaussian, as in the case of disease resistance phenotype categories. These models were compared according to predictive ability, bias, computational time and cross validation error rate (CVER). Additionally, an alternative classification method for the BLMM was proposed, which allowed us to obtain the CVER for this model. Estimates of the genetic parameters were obtained using BLASSO (Bayesian Least Absolute Shrinkage and Selection Operator) and Bayesian G-BLUP (Genomic Best Linear Unbiased Prediction) estimation methods applied to BLMM and BGLMM. The models were applied in two scenarios, with two and four classes for the phenotype of resistance to rust disease caused by the pathogen Puccinia psidii and classified as reaction types (two classes) and infection levels (four classes) recorded for 559 trees of Eucalyptus urophylla with 24,806 SNP markers. Modeling this trait through SNPs allow the next generation of plants to be selected early, reducing time and costs. We found the same predictive ability for both models and a bias value closer to the ideal for BLMM (GBLUP). The BGLMM had the best CVER (0.29 against 0.32 and 0.47 against 0.51 for 2 and 4 categories, respectively), BLMM had a three times shorter computational time, and though BLMM is not the most appropriate model for handling categorical data, this model presented similar responses to BGLMM. Thus, we consider it as an appropriate alternative for categorical data modeling.
650 $aGenetic improvement
650 $aPlant breeding
650 $aMelhoramento Genético Vegetal
653 $aBayesian inference
653 $aStatistical methods
700 1 $aMARTINS FILHO, S.
700 1 $aAZEVEDO, C. F.
700 1 $aBARBOSA, E. C.
700 1 $aRESENDE, M. D. V. de
700 1 $aTAKAHASHI, E. K.
773 $tGenetics and Molecular Research$gv. 18, n. 4: gmr18490, 2019. 10 p.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Florestas (CNPF) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
