现代农业识别数据的特点：1。 规模大。 随着育种规模的增加，被检测品种的数量越来越大（超过1,000），地点越来越多（超过10）2。 实验设计的不同阶段是不同的。 在初始阶段测试了许多变种，但是在站点中没有重复或重复较少。 用多个点代替重复点在育种中具有实用价值。 实验品种的数量很少且有重复。l一般初级实验的目的是消除劣等品种。 实验设计通常是增强实验设计（中级加控制，具有重复的控制，没有重复的品种）或增强网格实验设计，其主要依靠控制来估计块的性能。 设计具有的效率，因此被广泛使用。l试验的目的是选择优良的品种，重点是品种的适应性和高产量，主要包括完全随机区组（RCBD）和增强晶格测试设计（alpha-lattice）。3。 统计分析模型很重要。 有两个主要决定：l在小规模情况下，育种者通过观察种质，表型，抗性等来直接选择。产量数据可作为参考。 在规模相对较大的情况下，这种能力大大削弱了，因此育种者必须依靠数据，并且原始数据的结果表明统计模型是有效的，因为这不再是平均年龄，而且很好 模式将事半功倍。l选育不是重要的问题，而是排名的问题。 一个好的品种不仅产量，而且兼具品种的稳定性和适应性，因此是次优问题。 从统计模型结果的排名和平均结果的排名可以看出，排名的品种是两者中的，但排名前30位的排名差异很大。 不同的模型具有相对较大的排名差异。 如何选择模型不是决定性的。 这取决于模型拟合数据的程度。l实际识别数据，数据丢失常见，误差较大，位置之间的差异较大，平方差常见，常规统计（如均值，方差分析，线性回归分析， 等等）都不适合数据分析要求，学术界普遍认为混合线性模型非常适合于现场识别数据（MET）的分析。
