دوره 17، شماره 2 - ( تابستان 1404 )
جلد 17 شماره 2 صفحات 42-29 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Sheikh F. (2025). Assessment of the Interrelationship between Agronomic Traits of Faba Bean Genotypes using Double and Triple Biplots of the Genotype, Trait, and Yield. J Crop Breed. 17(2), 29-42. doi:10.61882/jcb.2024.1566
URL: http://jcb.sanru.ac.ir/article-1-1566-fa.html
URL: http://jcb.sanru.ac.ir/article-1-1566-fa.html
شیخ فاطمه.(1404). ارزیابی روابط بین صفات زراعی ژنوتیپ‌های باقلا با استفاده از بای‌پلات‌های دوگانه و سه‌گانه ژنوتیپ، صفت و عملکرد پژوهشنامه اصلاح گیاهان زراعی 17 (2) :42-29 10.61882/jcb.2024.1566
بخش تحقیقات زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران
چکیده: (948 مشاهده)
چکیده مبسوط
مقدمه و هدف: باقلا در سراسر جهان به عنوان یک منبع غنی از پروتئین قابل استفاده برای انسان و دام شناخته شده است. این گیاه یک لگوم زراعی ارزشمند است که با تثبیت بیولوژیک نیتروژن به پایداری سیستم‌های زراعی کمک می‌کند. کنترل ژنتیکی عملکرد مستقیماً توسط پارامترهای مرتبط با عملکرد تحت تأثیر قرار می گیرد. شناخت روابط بین صفات و همبستگی آن‌ها با عملکرد و درک نوع روابط بین این مولفه‌ها، بازده انتخاب برای عملکرد را افزایش خواهد داد. انتخاب ژنوتیپ‌ها بر اساس صفات متعدد یک چالش حیاتی در اصلاح نباتات است و برای بهبود واریته‌های زراعی پایدار حائز اهمیت است. در این مطالعه، برای بررسی روابط بین صفات مختلف، ارتقا صفات کمّی و انتخاب بهترین ژنوتیپ‌های باقلا از روش بای‌پلات ژنوتیپ × صفت و بای‌پلات ژنوتیپ × عملکرد × صفت در ترکیب با تجزیه خوشه‌ای استفاده شد. همچنین، نقاط قوت و ضعف هر ژنوتیپ با ترکیب عملکرد و سایر صفات هدف با روش GYT biplot تعیین شد.
مواد و روش‌ها: به منظور گزینش ژنوتیپ‌هایی با صفات عملکردی مطلوب، آزمایشی در قالب طرح لاتیس ساده (6 × 6) در دو تکرار در ایستگاه‌‌تحقیقات کشاورزی گرگان در سال زراعی 01-1400 اجرا شد. مواد ژنتیکی مورد بررسی شامل 36 ژنوتیپ باقلا بود. صفات فنولوژیک، ارتفاع بوته و ارتفاع اولین غلاف از سطح زمین قبل از برداشت اندازه‌گیری شدند. برداشت در مرحله رسیدگی کامل انجام و تعداد دانه در غلاف، تعداد غلاف در بوته و وزن صد دانه در ده بوته به صورت تصادفی در هر کرت اندازه گیری شدند. داده‌ها با استفاده از نرم افزار SAS مورد تجزیه و تحلیل قرار گرفتند و میانگین‌ها با استفاده از آزمون LSD در سطح احتمال یک و پنج درصد مقایسه شدند. همچنین، روش‌های گزینش گرافیکی بای‌پلات ژنوتیپ × صفت و بای‌پلات ژنوتیپ × عملکرد × صفت، در ترکیب با تجزیه خوشه‌ای برای ارتقاء چندین صفت کمّی به‌طور همزمان انجام شدند. خوشه بندی ژنوتیپ ها و صفات به تفکیک در هر آزمایش با استفاده از روش Ward و فاصله مربع اقلیدسی انجام شد و نقشه گرافیکی هیت‌مپ با استفاده از نرم افزار MetaboAnalyst 3.0 ترسیم شد.
یافته‌ها: نتایج تجزیه واریانس نشان دادند که تفاوت بسیار معنی‌دار در سطح احتمال یک درصد بین ژنوتیپ‌های باقلا برای صفات زراعی وجود داشت. بر اساس نتایج خوشه بندی و تجزیه گرافیکی هیت‌مپ، ژنوتیپ‌های باقلا در پنج گروه قرار گرفتند. گروه‌های متمایز به‌دست‌آمده برای استخراج ژنوتیپ‌هایی با ویژگی‌های متنوع و شناسایی تنوع خزانه ژنی مفید هستند. ژنوتیپ‌های G25 (12TER-115-S2008, 058-4)، G26 (12TER-124-S2009, 039-3) و G4 (ILB1814× WRB 1-5) بهترتیب با میانگین عملکرد دانه 6251/7، 5965/6 و 5815/6 کیلوگرم در هکتار بیشترین عملکرد دانه را داشتند. بر اساس نتایج حاصل از GT بای‌پلات، ژنوتیپ‌های G26، G25، G23، G21 و G16 به عنوان برترین ژنوتیپ‌ها شناخته شدند. نمایش برداری بای‌پلات GT، همبستگی مثبت بالای عملکرد غلاف، تعداد شاخه، ارتفاع بوته و روز تا گلدهی با عملکرد دانه را نشان داد. بردارهای موجود در بای‌پلات نشان دادند که زودرسی، ارتفاع بوته، تعداد دانه در غلاف و وزن صد دانه معیاری جهت بهبود عملکرد دانه در برنامه اصلاحی هستند. یافته‌ها نشان دادند که بای‌پلات ژنوتیپ صفت (GT) تنوع کل کمتری (47%) را در مقایسه با بای‌پلات ژنوتیپ × عملکرد × صفت (87/5%) توجیه کرد. نمای کدام ژنوتیپ در کجا biplot GYT چند ضلعی را به پنج بخش تقسیم کرد که از این میان فقط دو بخش دارای ترکیب صفات بودند. بخش اول حاوی ترکیب صفت عملکرد با صفات روز تا گلدهی، روز تا غلاف دهی، روز تا رسیدگی، ارتفاع بوته، ارتفاع اولین غلاف، تعداد غلاف در بوته، بیومس، شاخص برداشت و وزن صد دانه و نه ژنوتیپ (G4، G6، G13، G16، G21، G23، G25، G26 و G27) بود که G25 و G26 ژنوتیپ‌های برتر بودند. در بخش دوم چند ضلعی، ژنوتیپ G32 (رقم فیض) با عملکرد × تعداد دانه در غلاف (NG) و عملکرد × طول غلاف (LP) قرار گرفتند. بر اساس نمای چند ضلعی بای‌پلات ژنوتیپ در عملکرد × صفت (GYT)، ژنوتیپ‌های G25، G23 و G32 دارای بهترین ترکیب عملکرد دانه با سایر صفات بودند. نمایش مختصات تستر متوسط ATC بای پلات GYT ژنوتیپ‌های G25، G26 و G4 با کلیه ترکیبات مثبت عملکرد- صفت به عنوان بهترین ژنوتیپ و ژنوتیپ‌های G35، G7 و G12 کمترین عملکرد دانه را داشتند.
نتیجه‌گیری: این مطالعه نشان می دهد که بای‌پلات ژنوتیپ در عملکرد × صفت (GYT) ابزار گرافیکی قدرتمندی جهت نمایش ژنوتیپ‌های برتر و پایدار است و با استفاده از آن می‌توان بهترین ژنوتیپ‌ها را بر اساس ترکیب عملکرد و صفات در برنامه‌های اصلاحی شناسایی کرد. در نهایت، ژنوتیپ‌های G25 (12TER-115-S2008, 058-4)، G26 (12TER-124-S2009, 039-3) و G4 (ILB1814× WRB 1-5) با توجه به عملکرد بالاتر و صفات مطلوب به عنوان ارقام برتر باقلا جهت بررسی در آزمایشات سازگاری و معرفی شناسایی شدند.
مقدمه و هدف: باقلا در سراسر جهان به عنوان یک منبع غنی از پروتئین قابل استفاده برای انسان و دام شناخته شده است. این گیاه یک لگوم زراعی ارزشمند است که با تثبیت بیولوژیک نیتروژن به پایداری سیستم‌های زراعی کمک می‌کند. کنترل ژنتیکی عملکرد مستقیماً توسط پارامترهای مرتبط با عملکرد تحت تأثیر قرار می گیرد. شناخت روابط بین صفات و همبستگی آن‌ها با عملکرد و درک نوع روابط بین این مولفه‌ها، بازده انتخاب برای عملکرد را افزایش خواهد داد. انتخاب ژنوتیپ‌ها بر اساس صفات متعدد یک چالش حیاتی در اصلاح نباتات است و برای بهبود واریته‌های زراعی پایدار حائز اهمیت است. در این مطالعه، برای بررسی روابط بین صفات مختلف، ارتقا صفات کمّی و انتخاب بهترین ژنوتیپ‌های باقلا از روش بای‌پلات ژنوتیپ × صفت و بای‌پلات ژنوتیپ × عملکرد × صفت در ترکیب با تجزیه خوشه‌ای استفاده شد. همچنین، نقاط قوت و ضعف هر ژنوتیپ با ترکیب عملکرد و سایر صفات هدف با روش GYT biplot تعیین شد.
مواد و روش‌ها: به منظور گزینش ژنوتیپ‌هایی با صفات عملکردی مطلوب، آزمایشی در قالب طرح لاتیس ساده (6 × 6) در دو تکرار در ایستگاه‌‌تحقیقات کشاورزی گرگان در سال زراعی 01-1400 اجرا شد. مواد ژنتیکی مورد بررسی شامل 36 ژنوتیپ باقلا بود. صفات فنولوژیک، ارتفاع بوته و ارتفاع اولین غلاف از سطح زمین قبل از برداشت اندازه‌گیری شدند. برداشت در مرحله رسیدگی کامل انجام و تعداد دانه در غلاف، تعداد غلاف در بوته و وزن صد دانه در ده بوته به صورت تصادفی در هر کرت اندازه گیری شدند. داده‌ها با استفاده از نرم افزار SAS مورد تجزیه و تحلیل قرار گرفتند و میانگین‌ها با استفاده از آزمون LSD در سطح احتمال یک و پنج درصد مقایسه شدند. همچنین، روش‌های گزینش گرافیکی بای‌پلات ژنوتیپ × صفت و بای‌پلات ژنوتیپ × عملکرد × صفت، در ترکیب با تجزیه خوشه‌ای برای ارتقاء چندین صفت کمّی به‌طور همزمان انجام شدند. خوشه بندی ژنوتیپ ها و صفات به تفکیک در هر آزمایش با استفاده از روش Ward و فاصله مربع اقلیدسی انجام شد و نقشه گرافیکی هیت‌مپ با استفاده از نرم افزار MetaboAnalyst 3.0 ترسیم شد.
یافته‌ها: نتایج تجزیه واریانس نشان دادند که تفاوت بسیار معنی‌دار در سطح احتمال یک درصد بین ژنوتیپ‌های باقلا برای صفات زراعی وجود داشت. بر اساس نتایج خوشه بندی و تجزیه گرافیکی هیت‌مپ، ژنوتیپ‌های باقلا در پنج گروه قرار گرفتند. گروه‌های متمایز به‌دست‌آمده برای استخراج ژنوتیپ‌هایی با ویژگی‌های متنوع و شناسایی تنوع خزانه ژنی مفید هستند. ژنوتیپ‌های G25 (12TER-115-S2008, 058-4)، G26 (12TER-124-S2009, 039-3) و G4 (ILB1814× WRB 1-5) بهترتیب با میانگین عملکرد دانه 6251/7، 5965/6 و 5815/6 کیلوگرم در هکتار بیشترین عملکرد دانه را داشتند. بر اساس نتایج حاصل از GT بای‌پلات، ژنوتیپ‌های G26، G25، G23، G21 و G16 به عنوان برترین ژنوتیپ‌ها شناخته شدند. نمایش برداری بای‌پلات GT، همبستگی مثبت بالای عملکرد غلاف، تعداد شاخه، ارتفاع بوته و روز تا گلدهی با عملکرد دانه را نشان داد. بردارهای موجود در بای‌پلات نشان دادند که زودرسی، ارتفاع بوته، تعداد دانه در غلاف و وزن صد دانه معیاری جهت بهبود عملکرد دانه در برنامه اصلاحی هستند. یافته‌ها نشان دادند که بای‌پلات ژنوتیپ صفت (GT) تنوع کل کمتری (47%) را در مقایسه با بای‌پلات ژنوتیپ × عملکرد × صفت (87/5%) توجیه کرد. نمای کدام ژنوتیپ در کجا biplot GYT چند ضلعی را به پنج بخش تقسیم کرد که از این میان فقط دو بخش دارای ترکیب صفات بودند. بخش اول حاوی ترکیب صفت عملکرد با صفات روز تا گلدهی، روز تا غلاف دهی، روز تا رسیدگی، ارتفاع بوته، ارتفاع اولین غلاف، تعداد غلاف در بوته، بیومس، شاخص برداشت و وزن صد دانه و نه ژنوتیپ (G4، G6، G13، G16، G21، G23، G25، G26 و G27) بود که G25 و G26 ژنوتیپ‌های برتر بودند. در بخش دوم چند ضلعی، ژنوتیپ G32 (رقم فیض) با عملکرد × تعداد دانه در غلاف (NG) و عملکرد × طول غلاف (LP) قرار گرفتند. بر اساس نمای چند ضلعی بای‌پلات ژنوتیپ در عملکرد × صفت (GYT)، ژنوتیپ‌های G25، G23 و G32 دارای بهترین ترکیب عملکرد دانه با سایر صفات بودند. نمایش مختصات تستر متوسط ATC بای پلات GYT ژنوتیپ‌های G25، G26 و G4 با کلیه ترکیبات مثبت عملکرد- صفت به عنوان بهترین ژنوتیپ و ژنوتیپ‌های G35، G7 و G12 کمترین عملکرد دانه را داشتند.
نتیجه‌گیری: این مطالعه نشان می دهد که بای‌پلات ژنوتیپ در عملکرد × صفت (GYT) ابزار گرافیکی قدرتمندی جهت نمایش ژنوتیپ‌های برتر و پایدار است و با استفاده از آن می‌توان بهترین ژنوتیپ‌ها را بر اساس ترکیب عملکرد و صفات در برنامه‌های اصلاحی شناسایی کرد. در نهایت، ژنوتیپ‌های G25 (12TER-115-S2008, 058-4)، G26 (12TER-124-S2009, 039-3) و G4 (ILB1814× WRB 1-5) با توجه به عملکرد بالاتر و صفات مطلوب به عنوان ارقام برتر باقلا جهت بررسی در آزمایشات سازگاری و معرفی شناسایی شدند.
فهرست منابع
1. Ammar, M.H., Alghamdi, S.S., Migdadi, H.M., Khan, H.M., El-Harty, E.H., & Al-Afifi. S.A. (2015). Assessment of genetic diversity among faba bean genotypes using agro-morphological and molecular markers. Saudi Journal of Biological Sciences, 22, 340 -350. [DOI:10.1016/j.sjbs.2015.02.005]
2. Araújo, M., Santos, S., Aragão, W., Damasceno-Silva, K., & Rocha, M. (2021). Selection of superior cowpea lines for multi-traits and adaptabilities to the Piauí semi-arid using genotype by yield×trait biplot analysis. Ciencia e Agrotecnologia, 45. 2021. [DOI:10.1590/1413-7054202145011921]
3. Badu-Apraku, B., & Akinwale, R.O. 2011. Cultivar evaluation and trait analysis of tropical early maturing maize under Striga-infested and Striga-free environments. Field Crops Research, 121, 186-194. [DOI:10.1016/j.fcr.2010.12.011]
4. Bakhshi, B., Amiri Oghan, H., Rameeh, V., Zeinalzadeh-Tabrizi, H., Askari, A., Faraji, A., G. Ghodrati, G., Fanaei, H., Danaei, A., Kazerani, K.N., Payghamzadeh, K., Kiani, D., Sadeghi, H., Shariati, F., Dalili, A., & Aghajani, M.A. (2023). Trait profiling and genotype selection in oilseed rape using genotype by trait and genotype by yield×trait approaches. Food Science & Nutrition, 11, 1-13. [DOI:10.1002/fsn3.3290]
5. Bangar, S.P., & Kajla, P. (2022). Introduction: Global Status and Production of Faba Bean. In: Punia Bangar, S., & Bala Dhull, S. (Eds) Faba Bean: Chemistry, Properties and Functionality. Springer, Cham. [DOI:10.1007/978-3-031-14587-2_1]
6. Ebrahimi, L. (2023). Genotype by yield×trait (GYT) biplot approach to evaluate resistance of soybean cultivars to Helicoverpa armigera Hübner under natural infestation conditions. Phytoparasitica, 51, 909-918. [DOI:10.1007/s12600-023-01078-7]
7. El-Hussein, M., El-Nenny, H. M., Ibrahim, E.A., Shawky, A.M., & Rehab, H.A. (2022). Graphic analysis of trait relations of canola genotypes using the biplot method. Egyptian Journal of Applied Science, 37(9), 17-29. https://doi. 10.21608/ejas.2022.275071 [DOI:10.21608/ejas.2022.275071]
8. Elshafei, A.A.M., Amer, M.A.E., Elenany, M.A.M., & Abd Elhameed Helal, A.G. (2019). Evaluation of the genetic variability of faba bean (Vicia faba L.) genotypes using agronomic traits and molecular markers. Bulletin of the National Research Centre, 43, 106-115. https://doi. org/10.1186/s42269-019-0145-3 [DOI:10.1186/s42269-019-0145-3]
9. Faheem, M., Arain, S., Mahboob, S., Laghari, K., & Qayyum, A. (2022). Genotype by yield*trait (GYT) biplot analysis: a novel approach for evaluating advance lines of durum wheat. Cereal Research Communications, 51. [DOI:10.1007/s42976-022-00298-7]
10. Koc, S., Orak, A., Tenikecier, H.S., & Saglam, N. 2018. Relationship between seed yield and yield chracteristics in faba bean (Vicia faba L.) by GGE-biplot analysis. Journal of Life Sciences, 12, 105-110. [DOI:10.17265/1934-7391/2018.02.005]
11. Kocaturk, M., Cubukcu, P., Goksoy, A. T., Sincik, M., Ilker, E., Kadiroglu, A., Vurarak, Y., Sahin, Y., Karakus, M., & Yildirim, U.A. (2019). GGE Biplot Analysis of Genotype × Envıronment Interactıon In Soybean Grown as a Second Crop. Turkish Journal of Field Crops, 24(2), 145-154. [DOI:10.17557/tjfc.615175]
12. Minguez, M.I., & Rubiales, D. (2021). Faba bean. In: Sadras V.O. et al. (Eds.) Crop Physiology Case Histories for Major Crops. Academic Press, Amsterdam. The Netherlands. [DOI:10.1016/B978-0-12- 819194-1.00015-3]
13. Fadakar Navrood, F., Asghari Zakaria, R., Mostafavi Rad, M., Zare, N., &Moghaddaszadeh Ahrabi, M. (2024). Evaluation of the genotype × environement interaction on agronomic traits and seed yield stability in peanut (Arachis hypogaea L.) genotypes using the GGE biplot method. Journal of Crop Breeding, 16(2), 29-41. doi:10.61186/jcb.16.2.29. [In Persian] [DOI:10.61186/jcb.16.2.29]
14. Oliveira, T.R., Gravina, G.A., Ferreira de Oliveira, G.H., Cordeiro Araújo, K., Cordeiro de Araujo, L., Figueiredo Daher, R., & Vivas, M. (2018). The GT biplot analysis of green bean traits. Ciencia Rural, Santa Maria, 48(6), 121-140. http://doi.org/10.1590/0103-8478cr20170757 [DOI:10.1590/0103-8478cr20170757]
15. Rahmati, M. (2020). Assessment of relationships among traits and selection of superior bread wheat genotypes using genotype by yield × trait biplot method. Cereal Research, 10, 61-72. http://doi.org/10.22124/CR.2020.15458.155172. [In Persian]
16. Rahmati, M., Hosseinpour, T., & Ahmadi, A. (2020). Assessment of interrelationship between agronomic traits of wheat genotypes under rain-fed conditions using double and triple biplots of genotype, trait and yield. Iranian Dryland Agronomy Journal, 9, 1-20. [DOI:10.22092/IDAJ.2020.122220.284.]
17. [In Persian]
18. Rubio, J., Cubero, J.,Martin, L., Suso, M., & Flores, F. (2004). Biplot analysis of trait relations of white lupin in Spain. Euphytica, 135, 217-224. [DOI:10.1023/B:EUPH.0000014911.70355.c9]
19. Sabaghnia, N., Dehghani, H., & Sabaghpour, S. H. (2008). Graphic analysis of genotype by environment interaction for lentil yield in Iran. Agronomy Journal, 100, 760-764.
https://doi.org/10.2134/agronj2006.0282 [DOI:10.2134/agronj2006.0282. [In Persian]]
20. Sabaghnia, N., Mohebodini, M., & Janmohammadi, M. (2016). Biplot analysis of trait relations of spinach (Spinacia oleracea L.) landraces. Genetika, 48, 675-690.
https://doi.org/10.2298/GENSR1602675S [DOI:10.2298/GENSR1602675S.]
21. Sheikh, F., Nazari, H., & Fanaei, H. (2022a). Graphic analysis of trait relations and stability of faba bean genotypes using the biplot method. Journal of Crop Production, 15(2), 117-135 [DOI:10.22069/ejcp.2022.19563.2457. [In Persian]]
22. Sheikh. F., Sekhavat, R., & Aghajani, M.A. (2022b). Evaluation of resistance to leaf spot diseases and yield characteristics in faba bean genotypes through cluster analysis and Genotype by Trait Biplot. Journal of Crop Breeding, 14(44), 131-14. https://doi:10.52547/jcb.14.44.131. [In Persian] [DOI:10.52547/jcb.14.44.131]
23. Shojaei, S., Mostafavi, K., Ansarifard, I., Bihamta, M.R., Zeinalzadeh-tabrizi, H., Omrani, A., & Mousavi, G.M. (2023). Comparison of genotype × trait and genotype × yield-trait biplots in Sunflower cultivars. int. j. agric. environ. Food Science, 7(1), 136-147. https://doi:10.31015/jaefs.2023.1.17 [DOI:10.31015/jaefs.2023.1.17]
24. Shojaei, S.H., Mostafavi, Kh., Khosroshahli, M., & Bihamta, M.R. (2020). Assessment of genotype-trait interaction in maize (Zea mays L.) hybrids using GGT biplot analysis. Food Science and Nutrition, 8, 5340-5351 [DOI:10.1002/fsn3.1826]
25. Sofi, P., Saba, I. Asmat, A., & Khalid, R. (2021). Comparative efficiency of GYT approach over gt approach in genotypic selection in multiple trait evaluations: case study of common bean (phaseolus vulgaris) grown under temperate Himalayan conditions. Agricultural Research, 11, 373-381 [DOI:10.1007/s40003-021-00577-5]
26. Tiwari, J. K., & Singh, A. K. (2019). Principal component analysis for yield and yield traits in faba bean (Vicia faba L.). Journal of Food Legumes, 32(1), 13-15.
27. Ward, J. H., & Hook, M.E. (1963). Application of a hierarchical grouping procedure to a problem of grouping profiles. Educational and Psychological Measurement, 23(1), 69-81. [DOI:10.1177/001316446302300107]
28. Welderufael, Sh., Aba, F., Ayana, A., & Tilahun, A. (2023). Genetic diversity, correlation and genotype by yield by trait (GYT) analysis of grain yield and nutritional quality traits in sorghum (Sorghum bicolor [L.] Moench) genotypes in tigray, northern Ethiopia. Discover Agriculture, 4, 2. [DOI:10.21203/rs.3.rs-3251627/v1]
29. Wen, G., Ma, B., Shi, Y., Liu, K., & Chen, W. (2023). Selection of oat (Avena sativa L.) drought‐tolerant genotypes based on multiple yield‐associated traits. Journal of the Science of Food and Agriculture, 103. [DOI:10.1002/jsfa.12504]
30. Xia, J., & Wishart, D.S. (2016). Using metaboanalyst 3.0 for comprehensive metabolomics data analysis. Current Protocols in Bioinformatics, 34, 10-14. [DOI:10.1002/cpbi.11]
31. Xiao, J. X., Zhu, Y. A., Bai, W. L., Liu, Z. Y., Li, T. A. N., & Zheng, Y. (2021). Yield performance and optimal nitrogen and phosphorus application rates in wheat and faba bean intercropping. Journal of Integrative Agriculture, 20(11), 3012-3025. [DOI:10.1016/S2095-3119(20)63489-X]
32. Yan, W., & Fregeau‐Reid, J. (2018). Genotype by yield×trait (GYT) Biplot: a novel approach for genotype selection based on multiple traits. Scientific Reports, 8, 8242. [DOI:10.1038/s41598-018-26688-8]
33. Yan, W., Frégeau-Reid, J., Mountain, N., & Kobler, J. (2019). Genotype and management evaluation based on Genotype by Yield×Trait (GYT) analysis. Crop Breeding, Genetics and Genomics, 1, 1-21. [DOI:10.20900/cbgg20190002]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
