دوره 17، شماره 2 - ( تابستان 1404 )
جلد 17 شماره 2 صفحات 11-1 |
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:
Alavi-Siney S M, Abedi M. (2025). Selection of Superior Tomato Lines using Multivariate Statistical Methods in the Jiroft Region. J Crop Breed. 17(2), 1-11. doi:10.61186/jcb.2024.1568
URL: http://jcb.sanru.ac.ir/article-1-1568-fa.html
URL: http://jcb.sanru.ac.ir/article-1-1568-fa.html
علوی سینی سید محمد، عابدی ماهیار.(1404). گزینش لاین های برتر گوجه فرنگی با استفاده از روش های آماری چندمتغیره در منطقه جیرفت پژوهشنامه اصلاح گیاهان زراعی 17 (2) :11-1 10.61186/jcb.2024.1568
1- بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی جنوب استان کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، جیرفت، ایران
2- موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
2- موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
چکیده: (1356 مشاهده)
چکیده مبسوط
مقدمه و هدف: گوجه فرنگی (L.Solanum lycopersicum ) یکی از مهمترین محصولات زراعی در سراسر جهان است، و سطح زیر کشت این گیاه در ایران (103 هزار هکتار) و میزان تولید آن (بیش از 5 میلیون تن) بر اهمیت این گیاه دلالت دارند. در اصلاح نباتات از روش های مختلفی در گزینش ژنوتیپ ها استفاده می شود. برای گزینش برترین ژنوتیپ ها نیاز به روشی است که بتواند همه صفات را براساس مطلوبیت و عدم مطلوبیت در گزینش ها مدنظر قرار دهد. شاخص انتخاب ژنوتیپ برتر (SIIG) یکی از روش هایی است که می تواند علاوهبر انتخاب ژنوتیپ های برتر، فاصله بین ژنوتیپ ها را هم مشخص کند. در این روش، امکان شناسایی ژنوتیپ هایی با خصوصیات خاص وجود دارد. به عنوان مثال، با روش SIIG می توان ژنوتیپ هایی با عملکرد بالا و زودرس را شناسایی و گزینش کرد. هدف این مطالعه، ارزیابی ژنوتیپ های گوجهفرنگی از طریق صفات کمی و کیفی و گزینش برترین ها برای شرایط آب و هوایی منطقه جیرفت بود.
مواد و روش ها: به منظور ارزیابی و گزینش لاین های برتر گوجه فرنگی در منطقه جیرفت، آزمایشی با 11 ژنوتیپ (10 لاین امیدبخش به همراه رقم کارون) در قالب طرح بلوک های کامل تصادفی با سه تکرار در طی دو سال زراعی (1401-1400 و 1402-1401) در مزرعه تحقیقاتی مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی جنوب استان کرمان (جیرفت) انجام شد. لاین ها به صورت نشاء و در تاریخ اول بهمن زیر پلاستیک کشت گردیدند. آبیاری به صورت قطرهای و علفهای هرز بهصورت دستی وجین شدند. در طی فصل رشد و پس از برداشت (اردیبهشت)، صفات کیفی شامل یکنواختی، ترکخوردگی، شانه سبزی، نوع گلآذین و داشتن لایه سواگر برای هر ژنوتیپ ثبت شدند. صفات میزان بریکس، pH، سفتی بافت، تعداد حفره، طول میوه، عرض میوه، وزن میوه و عملکرد هر بوته در آزمایشگاه اندازه گیری شدند. صفات روز تا گلدهی، روز تا رسیدگی و تعداد گل آذین نیز در هر کرت ثبت گردیدند. تجزیه های آماری با استفاده از نرم افزار SAS (9.4) انجام شدند و محاسبات مربوط به روش SIIG با استفاده از ماتریس های مربوطه انجام شدند.
یافته ها: تجزیه واریانس مرکب داده ها در طی دو سال آزمایش نشان داد که اثر سال بر تمامی صفات مورد مطالعه، به جز صفت تعداد حفره، معنی دار بود. این موضوع نشان دهنده شرایط متفاوت در طی دو سال آزمایش و تأثیرپذیری صفات مورد مطالعه از شرایط آزمایشی است. اثر ژنوتیپ و برهمکنش ژنوتیپ در سال بر تمامی صفات مورد مطالعه، به جز تعداد گل آذین، معنی دار بود. این نتیجه بیانگر تنوع موجود بین لاین های مورد آزمایش از لحاظ صفات مورد مطالعه است. نتایج مقایسه میانگین اثر ژنوتیپ نشان داد که لاین های شماره 14 و 6-33 توانستند با توجه به گلدهی زودهنگام، زودتر به مرحله برداشت برسند. ژنوتیپ های شماره 8 و 32 بیشترین عملکرد میوه را داشتند و کمترین مقدار از لحاظ این صفت به لاین های 6-33 و 7-22 اختصاص داشت. مقایسه میانگین میان ژنوتیپ ها نشان داد که گزینش برترین ها برمبنای همه صفات ممکن نبود چون صفات به صورت منفرد مقایسه شدند. چنانچه گزینش تنها برمبنای عملکرد صورت گیرد در گروه برتر 2 لاین شماره 8 و 32 قرار می گیرند. گروه بندی بر اساس تجزیه کلاستر در گروه برتر، چهار لاین با شماره 8، 7-22، 11 و رقم کارون را قرار داد. گروه بندی لاین های گوجهفرنگی بر مبنای شاخص SIIG، شش لاین را در گروه برتر قرار داد. برتری روش SIIG نسبت به سایر روش ها، گروه بندی لاین ها براساس مطلوبیت صفات است (به طور مثال، میانگین کم ژنوتیپ ها در صفات روز تا گلدهی و روز تا رسیدگی مطلوب هستند). بنا بر این، لاین های گزینش شده از طریق شاخص SIIG به عنوان لاین های برتر با در نظر گرفتن تمامی صفات در منطقه جنوب کرمان معرفی می گردند. با توجه به اینکه روش SIIG تنها صفات کمی را در نظر می گیرد و صفات غیرپارامتری در این گزینش دخیل نیستند، اشاره می گردد که رقم کارون بهدلیل ترک خوردگی میوه ها و لاین شماره 7 به دلیل عدم وجود یکنواختی و نداشتن لایه سواگر، برای گزینش در شرایط جنوب کرمان مطلوب نیستند.
مقدمه و هدف: گوجه فرنگی (L.Solanum lycopersicum ) یکی از مهمترین محصولات زراعی در سراسر جهان است، و سطح زیر کشت این گیاه در ایران (103 هزار هکتار) و میزان تولید آن (بیش از 5 میلیون تن) بر اهمیت این گیاه دلالت دارند. در اصلاح نباتات از روش های مختلفی در گزینش ژنوتیپ ها استفاده می شود. برای گزینش برترین ژنوتیپ ها نیاز به روشی است که بتواند همه صفات را براساس مطلوبیت و عدم مطلوبیت در گزینش ها مدنظر قرار دهد. شاخص انتخاب ژنوتیپ برتر (SIIG) یکی از روش هایی است که می تواند علاوهبر انتخاب ژنوتیپ های برتر، فاصله بین ژنوتیپ ها را هم مشخص کند. در این روش، امکان شناسایی ژنوتیپ هایی با خصوصیات خاص وجود دارد. به عنوان مثال، با روش SIIG می توان ژنوتیپ هایی با عملکرد بالا و زودرس را شناسایی و گزینش کرد. هدف این مطالعه، ارزیابی ژنوتیپ های گوجهفرنگی از طریق صفات کمی و کیفی و گزینش برترین ها برای شرایط آب و هوایی منطقه جیرفت بود.
مواد و روش ها: به منظور ارزیابی و گزینش لاین های برتر گوجه فرنگی در منطقه جیرفت، آزمایشی با 11 ژنوتیپ (10 لاین امیدبخش به همراه رقم کارون) در قالب طرح بلوک های کامل تصادفی با سه تکرار در طی دو سال زراعی (1401-1400 و 1402-1401) در مزرعه تحقیقاتی مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی جنوب استان کرمان (جیرفت) انجام شد. لاین ها به صورت نشاء و در تاریخ اول بهمن زیر پلاستیک کشت گردیدند. آبیاری به صورت قطرهای و علفهای هرز بهصورت دستی وجین شدند. در طی فصل رشد و پس از برداشت (اردیبهشت)، صفات کیفی شامل یکنواختی، ترکخوردگی، شانه سبزی، نوع گلآذین و داشتن لایه سواگر برای هر ژنوتیپ ثبت شدند. صفات میزان بریکس، pH، سفتی بافت، تعداد حفره، طول میوه، عرض میوه، وزن میوه و عملکرد هر بوته در آزمایشگاه اندازه گیری شدند. صفات روز تا گلدهی، روز تا رسیدگی و تعداد گل آذین نیز در هر کرت ثبت گردیدند. تجزیه های آماری با استفاده از نرم افزار SAS (9.4) انجام شدند و محاسبات مربوط به روش SIIG با استفاده از ماتریس های مربوطه انجام شدند.
یافته ها: تجزیه واریانس مرکب داده ها در طی دو سال آزمایش نشان داد که اثر سال بر تمامی صفات مورد مطالعه، به جز صفت تعداد حفره، معنی دار بود. این موضوع نشان دهنده شرایط متفاوت در طی دو سال آزمایش و تأثیرپذیری صفات مورد مطالعه از شرایط آزمایشی است. اثر ژنوتیپ و برهمکنش ژنوتیپ در سال بر تمامی صفات مورد مطالعه، به جز تعداد گل آذین، معنی دار بود. این نتیجه بیانگر تنوع موجود بین لاین های مورد آزمایش از لحاظ صفات مورد مطالعه است. نتایج مقایسه میانگین اثر ژنوتیپ نشان داد که لاین های شماره 14 و 6-33 توانستند با توجه به گلدهی زودهنگام، زودتر به مرحله برداشت برسند. ژنوتیپ های شماره 8 و 32 بیشترین عملکرد میوه را داشتند و کمترین مقدار از لحاظ این صفت به لاین های 6-33 و 7-22 اختصاص داشت. مقایسه میانگین میان ژنوتیپ ها نشان داد که گزینش برترین ها برمبنای همه صفات ممکن نبود چون صفات به صورت منفرد مقایسه شدند. چنانچه گزینش تنها برمبنای عملکرد صورت گیرد در گروه برتر 2 لاین شماره 8 و 32 قرار می گیرند. گروه بندی بر اساس تجزیه کلاستر در گروه برتر، چهار لاین با شماره 8، 7-22، 11 و رقم کارون را قرار داد. گروه بندی لاین های گوجهفرنگی بر مبنای شاخص SIIG، شش لاین را در گروه برتر قرار داد. برتری روش SIIG نسبت به سایر روش ها، گروه بندی لاین ها براساس مطلوبیت صفات است (به طور مثال، میانگین کم ژنوتیپ ها در صفات روز تا گلدهی و روز تا رسیدگی مطلوب هستند). بنا بر این، لاین های گزینش شده از طریق شاخص SIIG به عنوان لاین های برتر با در نظر گرفتن تمامی صفات در منطقه جنوب کرمان معرفی می گردند. با توجه به اینکه روش SIIG تنها صفات کمی را در نظر می گیرد و صفات غیرپارامتری در این گزینش دخیل نیستند، اشاره می گردد که رقم کارون بهدلیل ترک خوردگی میوه ها و لاین شماره 7 به دلیل عدم وجود یکنواختی و نداشتن لایه سواگر، برای گزینش در شرایط جنوب کرمان مطلوب نیستند.
فهرست منابع
1. Abdollahi Hesar, A., Sofalian, O., Alizadeh, B., Asghari, A., & Zali, H. (2020). Evaluation of some autumn canola genotypes based on agronomy traits and SIIG index. Journal of Crop Breeding, 12(34), 93-104. [In Persian] [DOI:10.29252/jcb.12.34.151]
2. Abedini S., MohammadiNejad G., & Nakhoda, B. (2016). Evaluation of agronomics traits and yield potential diversity inbreed wheat inbred lines Triticum aestivum L. derived from Roshan×Falat cultivar. Journal of Crop Breeding, 8(20), 1-10. [In Persian]
3. Alam, M. S., Hossain, S., Ali, M. A., Hossain, M. G., & Islam, M. F. (2020). Assessment of genetic divergence in tomato (Solanum lycopersicum L.) through clustering and principal component analysis. Journal of Agricultural Science & Engineering Innovation, 1(1),10-14.
4. Alavi-Siney, S. M. & Saba, J. (2015). Analysis of yield and yield components traits in twenty bread wheat genotypes under dryland conditions. Philippine Journal of Crop Science, 40(2), 78-87.
5. Alavi-Siney, S. M., & Saba, J. (2021). Investigation of the relationship between SSR markers and agronomic traits in saffron (Crocus sativus L.). Journal of Horticulture and Postharvest Research, 4(Special Issue - Recent Advances in Saffron), 79-88.
6. Alda, L. M., Gogoasa, I., Bordean, D. M., Gergen, I., Alda, S., Moldovan, C., & Nita, L. (2009). Lycopene content of tomatoes and tomato products. Journal of Agroalimentary Processes and Technologies, 15(4), 540-542.
7. Asfaw, D. W. (2021). Analysis of technical efficiency of smallholder tomato producers in Asaita district, Afar National Regional State, Ethiopia. PLoS One, 16(9), e0257366. [DOI:10.1371/journal.pone.0257366]
8. EL-Mansy, A. B., Abd El-Moneim, D., ALshamrani, S. M., Safhi, F.A., Abdein, M. A., & Ibrahim, A. A. (2021). Genetic Diversity Analysis of Tomato (Solanum lycopersicum L.) with Morphological, Cytological, and Molecular Markers under Heat Stress. Horticulturae, 7(4), 65. [DOI:10.3390/horticulturae7040065]
9. F.A.O. (2023). Available at https://www. fao. org/faostat/en/#data/QCL.
10. Ghorbanpour, A., Salimi, A., Tajick Ghanbary, M. A., Pirdashti, H., Dehestani, A. (2018). Relationship between Fruit Yield and its Components in Tomato (Lycopersicon esculentum Mill.) Cultivars using Multivariate Statistical Methods. Journal of Crop Breeding, 9(24), 22-29. [In Persian] [DOI:10.29252/jcb.9.24.22]
11. GolCheshmeh, S., Kiani, G., KazemiTabar, S.K., & Navabpour, S. (2022). Investigation of Morphological Diversity and Evaluation of Tomato Lines Yield Using Multivariate Statistical Analysis. Journal of Horticultural Science, 6(2), 415-427. [In Persian]
12. Gonzalo, M. J., Nájera, I., Baixauli, C., Gil, D., Montoro, T., Soriano, V., ... & Monforte, A. J. (2021). Identification of tomato accessions as source of new genes for improving heat tolerance: From controlled experiments to field. BMC Plant Biology, 21(1), 345. [DOI:10.1186/s12870-021-03104-4]
13. Hannan, M. M., Ahmed, M. B., Roy, U. K., Razvy, M. A., Haydar, A., Rahman, M. A., Islam, M. A., & Islam, R. (2007). Heterosis, combining ability and genetics for Brix%, days to first fruit ripening and yield in tomato (Lycopersicon esculentum Mill.). Middle-East Journal of Scientific Research, 2(3), 128-131.
14. Hassan. Z., Ul-Allah, S., Khan, A. A., Shahzad, U., Khurshid, M., Bakhsh, A., Amin, H., Jahan, M.S., Rehim, A., & Manzoor Z. (2021). Phenotypic characterization of exotic tomato germplasm: An excellent breeding resource. PLoS One, 16(6), 1-12. [DOI:10.1371/journal.pone.0253557]
15. Henareh, M., Dursun, A., & Abdollahi Mandoulakani, B. (2015). The Correlation between traits and path analysis of yield in tomato. Journal of Applied Crop Breeding, 3(2), 163-176.
16. Martí, R., Leiva-Brondo, M., Lahoz, I., Campillo, C., Cebolla-Cornejo, J., & Roselló, S. (2018). Polyphenol and L-ascorbic acid content in tomato as influenced by high lycopene genotypes and organic farming at different environments. Food Chemistry, 239, 148-156. [DOI:10.1016/j.foodchem.2017.06.102]
17. Ministry of Agricultural-Jihad (MAJ). (2022). Communications and information technology center. Available at Web site http://amar.maj.ir/ Portal/ Home/ Default.aspx? CategoryID= 117564e0-507c-4565-9659-fbabfb4acb9b. [In Persian]
18. Mirshamsi-Kakhki, A., Farsi, M., Shahriari Ahmadi, F., & Nemati, H. (2008). Use of random amplified polymorphic DNA markers to estimate heterosis and combining ability in tomato hybrids. Pakistan Journal of Biological Sciences, 11(4), 499-507. [DOI:10.3923/pjbs.2008.499.507]
19. Mohsenifard, E., Farsi, M., Nemati, H. & Malekzade, K. (2011). An SSR-based assessment of genetic diversity in 16 Tomato (Lycopersicon esculentum) lines and it's correlation with heterosis. Iranian Journal of Horticultural Science, 42(2), 185-192. [In Persian]
20. Najafi Mirak, T., Dastfal, M., Andarzian, B., Farzadi, H., Bahari, M., & Zali, H. (2018). Stability analysis of grain yield of durum wheat promising lines in warm and dry areas using parametric and non-parametric methods. Journal of Crop Production and Processing, 8(2), 79-96. [In Persian] [DOI:10.29252/jcpp.8.2.79]
21. Nezami, S., Nemati, S. H., Aroiee, H., & Kafi, M. (2022). Half diallel analysis of related traits to yield and fruit quality in tomato lines. Iranian Journal of Horticultural Science, 52(4), 1011-1025. [In Persian]
22. Nazary, H., Rostaii, M., & Alavi Siney, S. M. (2023). Selection of superior bread wheat lines under rainfed condition of Zanjan based on moroho-phenological traits. Environmental Stresses in Crop Sciences, 16(2), 547-560. [In Persian]
23. Rahaii, J., Hassanpour Asil, M., Samizadeh Lahiji, H., & Onsinejad, R. (2016). Investigation the relationship between fruit morphologic characteristics and quality in tomato lines via correlation coefficients and path analysis. Iranian Journal of Horticultural Science, 47(2), 233-245. [In Persian]
24. Rehman, F., Saeed, A., Yaseen, M., Shakeel, A., Ziaf, K., Munir, H., Tariq, S. A., Raza, M. A., & Riaz, A. (2019). Genetic evaluation and characterization using cluster heat map to assess NaCl tolerance in tomato germplasm at the seedling stage. Chilean Journal of Agricultural Research, 79(1), 56-65. [DOI:10.4067/S0718-58392019000100056]
25. Sekhar L., Prakash, B.G., Salimath, P.M., Hiremath, P., Sridevi, O., & Patil, A. A. 2010. Implications of heterosis and combining ability among productive single cross hybrids in tomato. Electronic Journal of Plant Breeding, 1(4), 706-711.
26. Siddiqui, M. H., Alamri, S., Alsubaie, Q. D., Ali, H. M., Khan, M. N., Al-Ghamdi, A., Ibrahim, A. A., & Alsadon, A. (2020). Exogenous nitric oxide alleviates sulfur deficiency-induced oxidative damage in tomato seedlings. Nitric Oxide, 94, 95-107. [DOI:10.1016/j.niox.2019.11.002]
27. Vakili Bastam, S., Ahmadi Och Tappe, H., Bohlul, H., Shameli, S., Mohammadnia, K., & Ghasemi, J. (2023). Adaptation Evaluation and Quantitative and Qualitative Comparison of New Hybrid Tomato (Solanum lycopersicum) Genotypes in the Farms of Golestan Province. Journal of Crop Production and Processing, 13(2), 57-72. [In Persian] [DOI:10.47176/jcpp.13.2.37612]
28. Zali, H. & Barati, A. (2020). Evaluation of selection index of ideal genotype (SIIG) in other to selection of barley promising lines with high yield and desirable agronomy traits. Jouranl of Crop Breeding, 12(34), 93-104. [In Persian] [DOI:10.29252/jcb.12.34.93]
29. Zali, H., Sofalian, O., Hasanloo, T., Asghari, A. & Zeinalabedini, M. (2017). Appropriate strategies for selection of drought tolerant genotypes in canola. Jouranl of Crop Breeding, 78(20), 77-90. [In Persian]
30. Zali, H., Sofalian, O., Hasanloo, T., Asghari, A. & Hoseini, S. M. (2015). Appraising of drought tolerance relying on stability analysis indices in canola genotypes simultaneously, using selection index of ideal genotype (SIIG) technique: Introduction of new method. Biological Forum - An International Journal, 7(2), 703-711.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
