دوره 18، شماره 1 - ( بهار 1405 )
جلد 18 شماره 1 صفحات 131-118 |
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:
Taherian M, Nikkhah H R. (2026). Investigating the Grain Yield Stability of Barley Promising Lines (Hordeum vulgare L.) in Mashhad and Neishabour Regions. J Crop Breed. 18(1), 118-131. doi:10.61882/jcb.2026.1533
URL: http://jcb.sanru.ac.ir/article-1-1533-fa.html
URL: http://jcb.sanru.ac.ir/article-1-1533-fa.html
طاهریان مجید، نیکخواه حمید رضا.(1405). بررسی پایداری عملکرد دانه لاینهای امیدبخش جو (.Hordeum vulgare L) در مناطق مشهد و نیشابور پژوهشنامه اصلاح گیاهان زراعی 18 (1) :131-118 10.61882/jcb.2026.1533
1- بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی، سازمان تحقیقات، آموزش و ترویج کشاورزی، مشهد، ایران
چکیده: (388 مشاهده)
چکیده مبسوط
مقدمه و هدف: جو بعد از گندم از لحاظ سطح زیر کشت در ایران مقام دوم را دارد و طبق آخرین آمار سطح زیر کشت آن در کشور 1/685 میلیون هکتار گزارش شده است که از این سطح مقدار تولید دانه 3/177 میلیون تن بوده است. استان خراسان رضوی با تولید 415736 تن در هکتار رتبه اول تولید جو در کشور را دارد. با توجه به کمتوقعی جو نسبت به شرایط آبی و خاک، این محصول میتواند جایگاه بهتری در اکثر اراضی فقیر، کم باران، شور و کم آب کشور داشته باشد. شناسایی ژنوتیپهای برتر در برنامههای بهنژادی همواره به دلیل تغییرات محیطی در مناطق هدف و اثر متقابل این تغییرات با ژنوتیپهای مورد بررسی مشکل است. در گیاه جو نیز همانند سایر محصولات عدم پایداری عملکرد می تواند بهعنوان یکی از عوامل ایجاد فاصله بین عملکرد واقعی و عملکرد بالقوه شناخته شود. بنابر این، بهمنظور اطمینان از تولید محصول و پایداری عملکرد در برنامههای بهنژادی، لاینهای پیشرفته باید در محیطهای با شرایط آب و هوایی مختلف و در سالهای متفاوت ارزیابی شوند. مدلهای آماری زیادی برای تجزیه اثر متقابل ژنوتیپ × محیط پیشنهاد شدهاند. این مدلها از ناپارامتری تا پارامتری تک متغیره و چندمتغیره متفاوت هستند. استفاده از روش مبتنی بر رگرسیون، در زمره اولین روشهای مورد استفاده است. از میان روشهای چندمتغیره میتوان به روش بایپلات که مبتنی بر تجزیه به مولفههای اصلی است، اشاره نمود. روش GGE بایپلات این امکان را فراهم میکند که دو اثر ژنوتیپ و ژنوتیپ × محیط همزمان و بهصورت ترسیمی مورد بررسی قرار گیرند. هدف از این پژوهش، گزینش بهترین ژنوتیپهای جو بر اساس عملکرد دانه و پایداری آن در مناطق معتدل استان خراسان رضوی بود.
مواد و روشها: بهمنظور شناسایی ژنوتیپهای مطلوب جو، 19 لاین امیدبخش به همراه رقم به رخ در قالب طرح بلوکهای کـامل تصادفی در سه تکرار در دو ایستگاه تحقیقاتی نیشابور و مشهد طی دو سال زراعی 98-1397 و 99-1398 کشت و مورد مطالعه قرار گرفتند. از تجزیه GGE (ژنوتیپ و ژنوتیپ×محیط) بایپلات، نمودارهای ضریب تغییرات محیطی بر مبنای میانگین عملکرد و ضریب رگرسیون بر مبنای انحراف از خط رگرسیون جهت بررسی اهداف این پژوهش استفاده شد. بهمنظور رسم نمودارهای GGE بایپلات، ضریب تغییرات و پارامترهای ابرهارت و راسل و تجزیه واریانس مرکب دادهها از نرمافزارهای ADEL-R و GEA-R استفاده شد.
یافتهها: تجزیه واریانس مرکب دادهها نشان داد که اثر اصلی محیط، ژنوتیپ و اثر متقابل ژنوتیپ × محیط از نظر آماری معنیدار بودند. تفکیک سهم اثرات مختلف نشان داد که حدود 51/02 درصد از کل تغییرات مربوط به اثر محیط، 5/24 درصد مربوط به اثر ژنوتیپ و 19/41 درصد مربوط به اثر متقابل ژنوتیپ × محیط بودند. میانگین عملکرد دانه لاینهای جو در سال ها و مکان های مورد بررسی، در دامنهای بین 5/838 تا 6/651 تن در هکتار و میانگین کل عملکرد دانه برای مکانهای اجرای آزمایش 6/271 تن در هکتار بودند. بر اساس نمودار ضریب تغییرات محیطی بر مبنای میانگین عملکرد، سه لاین G11، G9 و G19 جزء ژنوتیپهای پایدار با عملکرد بالاتر از متوسط انتخاب شدند. نمودار ضریب رگرسیون و ضریب انحراف از رگرسیون ابرهارت و راسل نشان داد که ژنوتیپ G2 با عملکرد کمتر از متوسط، ژنوتیپی پایدار و G8 به عنوان پرمحصولترین لاین، ژنوتیپی با سازگاری بالا بود. ژنوتیپ G2 که دارای ضریب رگرسیون پایین بود برای زمینهای غیر حاصل خیز مناسب تشخیص داده شد. جهت بررسی همزمان پایداری و عملکرد لاینها از نمودار مختصات محیط متوسط استفاده شد. بر این اساس، ژنوتیپ G8 ژنوتیپ برتر (با عملکرد و پایداری مطلوب) بود و ژنوتیپهای G20، G6، G11 و G19 نیز از عملکرد و پایداری عملکرد مناسبی برخوردار بودند. بر اساس بایپلات "قابلیت تفکیک بین ژنوتیپها در مقابل نماینده بودن آنها"، بین محیطهای دو سال مشهد (گروه محیطی اول) و نیز بین محیطهای دو سال نیشابور (گروه محیطی دوم) تشابه زیادی وجود داشت. زاویه بین این دو گروه محیطی بیشتر از 90 درجه بود که نشاندهنده رفتار متفاوت این محیطها در رتبهبندی ژنوتیپها بود. در میان محیطهای مورد بررسی، محیط مشهد در سال 1397 به شرایط محیط ایدهآل نزدیک بود. نتایج بایپلات ژنوتیپ ایدهآل، ژنوتیپ G8 را بهعنوان ژنوتیپ ایدهآل معرفی کرد و نزدیکترین ژنوتیپها به آن، ژنوتیپهای G20 و G19 بودند. در مجموع، لاینهای امیدبخش مذکور نسبت به سایر ژنوتیپها از برآیند عملکرد بالا وپایداری و سازگاری عمومی خوب در محیطهای مورد بررسی برخوردار بودند. روش GGE بایپلات بر مبنای سازگاری و پایداری زراعی استوار است و لذا ژنوتیپهایی که از این طریق گزینش میشوند، علاوه بر پایداری و سازگاری، دارای عملکرد بالایی نیز هستند. به این ترتیب، روش گرافیکی GGE بایپلات، روش مناسبی برای گزینش همزمان عملکرد و پایداری در ژنوتیپهای مورد ارزیابی است.
نتیجهگیری: بر اساس نتایج حاصل از این پژوهش، لاینهای G8، G20 و G19 از عملکرد دانه بالا و پایداری و سازگاری عمومی خوب در نواحی معتدل و معتدل سرد استان خراسان رضوی برخوردار بودند. لذا میتوان لاین یا لاینهای امیدبخشی را که پس از بررسی در آزمایشهای تحقیقی ترویجی در مزارع کشاورزان مناطق معتدل عملکرد بالا و خصوصیات مطلوب خود را در مقایسه با ارقام شاهد حفظ کنند، بهعنوان کاندید برای نامگذاری و معرفی گزینش نمود.
مقدمه و هدف: جو بعد از گندم از لحاظ سطح زیر کشت در ایران مقام دوم را دارد و طبق آخرین آمار سطح زیر کشت آن در کشور 1/685 میلیون هکتار گزارش شده است که از این سطح مقدار تولید دانه 3/177 میلیون تن بوده است. استان خراسان رضوی با تولید 415736 تن در هکتار رتبه اول تولید جو در کشور را دارد. با توجه به کمتوقعی جو نسبت به شرایط آبی و خاک، این محصول میتواند جایگاه بهتری در اکثر اراضی فقیر، کم باران، شور و کم آب کشور داشته باشد. شناسایی ژنوتیپهای برتر در برنامههای بهنژادی همواره به دلیل تغییرات محیطی در مناطق هدف و اثر متقابل این تغییرات با ژنوتیپهای مورد بررسی مشکل است. در گیاه جو نیز همانند سایر محصولات عدم پایداری عملکرد می تواند بهعنوان یکی از عوامل ایجاد فاصله بین عملکرد واقعی و عملکرد بالقوه شناخته شود. بنابر این، بهمنظور اطمینان از تولید محصول و پایداری عملکرد در برنامههای بهنژادی، لاینهای پیشرفته باید در محیطهای با شرایط آب و هوایی مختلف و در سالهای متفاوت ارزیابی شوند. مدلهای آماری زیادی برای تجزیه اثر متقابل ژنوتیپ × محیط پیشنهاد شدهاند. این مدلها از ناپارامتری تا پارامتری تک متغیره و چندمتغیره متفاوت هستند. استفاده از روش مبتنی بر رگرسیون، در زمره اولین روشهای مورد استفاده است. از میان روشهای چندمتغیره میتوان به روش بایپلات که مبتنی بر تجزیه به مولفههای اصلی است، اشاره نمود. روش GGE بایپلات این امکان را فراهم میکند که دو اثر ژنوتیپ و ژنوتیپ × محیط همزمان و بهصورت ترسیمی مورد بررسی قرار گیرند. هدف از این پژوهش، گزینش بهترین ژنوتیپهای جو بر اساس عملکرد دانه و پایداری آن در مناطق معتدل استان خراسان رضوی بود.
مواد و روشها: بهمنظور شناسایی ژنوتیپهای مطلوب جو، 19 لاین امیدبخش به همراه رقم به رخ در قالب طرح بلوکهای کـامل تصادفی در سه تکرار در دو ایستگاه تحقیقاتی نیشابور و مشهد طی دو سال زراعی 98-1397 و 99-1398 کشت و مورد مطالعه قرار گرفتند. از تجزیه GGE (ژنوتیپ و ژنوتیپ×محیط) بایپلات، نمودارهای ضریب تغییرات محیطی بر مبنای میانگین عملکرد و ضریب رگرسیون بر مبنای انحراف از خط رگرسیون جهت بررسی اهداف این پژوهش استفاده شد. بهمنظور رسم نمودارهای GGE بایپلات، ضریب تغییرات و پارامترهای ابرهارت و راسل و تجزیه واریانس مرکب دادهها از نرمافزارهای ADEL-R و GEA-R استفاده شد.
یافتهها: تجزیه واریانس مرکب دادهها نشان داد که اثر اصلی محیط، ژنوتیپ و اثر متقابل ژنوتیپ × محیط از نظر آماری معنیدار بودند. تفکیک سهم اثرات مختلف نشان داد که حدود 51/02 درصد از کل تغییرات مربوط به اثر محیط، 5/24 درصد مربوط به اثر ژنوتیپ و 19/41 درصد مربوط به اثر متقابل ژنوتیپ × محیط بودند. میانگین عملکرد دانه لاینهای جو در سال ها و مکان های مورد بررسی، در دامنهای بین 5/838 تا 6/651 تن در هکتار و میانگین کل عملکرد دانه برای مکانهای اجرای آزمایش 6/271 تن در هکتار بودند. بر اساس نمودار ضریب تغییرات محیطی بر مبنای میانگین عملکرد، سه لاین G11، G9 و G19 جزء ژنوتیپهای پایدار با عملکرد بالاتر از متوسط انتخاب شدند. نمودار ضریب رگرسیون و ضریب انحراف از رگرسیون ابرهارت و راسل نشان داد که ژنوتیپ G2 با عملکرد کمتر از متوسط، ژنوتیپی پایدار و G8 به عنوان پرمحصولترین لاین، ژنوتیپی با سازگاری بالا بود. ژنوتیپ G2 که دارای ضریب رگرسیون پایین بود برای زمینهای غیر حاصل خیز مناسب تشخیص داده شد. جهت بررسی همزمان پایداری و عملکرد لاینها از نمودار مختصات محیط متوسط استفاده شد. بر این اساس، ژنوتیپ G8 ژنوتیپ برتر (با عملکرد و پایداری مطلوب) بود و ژنوتیپهای G20، G6، G11 و G19 نیز از عملکرد و پایداری عملکرد مناسبی برخوردار بودند. بر اساس بایپلات "قابلیت تفکیک بین ژنوتیپها در مقابل نماینده بودن آنها"، بین محیطهای دو سال مشهد (گروه محیطی اول) و نیز بین محیطهای دو سال نیشابور (گروه محیطی دوم) تشابه زیادی وجود داشت. زاویه بین این دو گروه محیطی بیشتر از 90 درجه بود که نشاندهنده رفتار متفاوت این محیطها در رتبهبندی ژنوتیپها بود. در میان محیطهای مورد بررسی، محیط مشهد در سال 1397 به شرایط محیط ایدهآل نزدیک بود. نتایج بایپلات ژنوتیپ ایدهآل، ژنوتیپ G8 را بهعنوان ژنوتیپ ایدهآل معرفی کرد و نزدیکترین ژنوتیپها به آن، ژنوتیپهای G20 و G19 بودند. در مجموع، لاینهای امیدبخش مذکور نسبت به سایر ژنوتیپها از برآیند عملکرد بالا وپایداری و سازگاری عمومی خوب در محیطهای مورد بررسی برخوردار بودند. روش GGE بایپلات بر مبنای سازگاری و پایداری زراعی استوار است و لذا ژنوتیپهایی که از این طریق گزینش میشوند، علاوه بر پایداری و سازگاری، دارای عملکرد بالایی نیز هستند. به این ترتیب، روش گرافیکی GGE بایپلات، روش مناسبی برای گزینش همزمان عملکرد و پایداری در ژنوتیپهای مورد ارزیابی است.
نتیجهگیری: بر اساس نتایج حاصل از این پژوهش، لاینهای G8، G20 و G19 از عملکرد دانه بالا و پایداری و سازگاری عمومی خوب در نواحی معتدل و معتدل سرد استان خراسان رضوی برخوردار بودند. لذا میتوان لاین یا لاینهای امیدبخشی را که پس از بررسی در آزمایشهای تحقیقی ترویجی در مزارع کشاورزان مناطق معتدل عملکرد بالا و خصوصیات مطلوب خود را در مقایسه با ارقام شاهد حفظ کنند، بهعنوان کاندید برای نامگذاری و معرفی گزینش نمود.
فهرست منابع
1. Ahmadi, K., Ebadzadeh, H. R., Hatami, F., Abdshah, H., & Kazemian. A. (2023). Agricultural statistics. Ministry of Agriculture-Jahad, Vol. 1. 95 pp. [In Persian]
2. Allard, R.W., & Bradshaw. A. D. (1964). Implication of genotype-environmental interaction in applied plant breeding. Crop Science, 5, 503-506. [DOI:10.2135/cropsci1964.0011183X000400050021x]
3. Becker, H.C., & Leon, J. (1988). Stability analysis in plant breeding. Plant Breeding, 101, 1-23. [DOI:10.1111/j.1439-0523.1988.tb00261.x]
4. Blanche, S.B., & Myers, G. O. (2006). Identifying discriminating locations for cultivar selection in Louisiana. Crop Science, 46, 946-949. [DOI:10.2135/cropsci2005.0279]
5. Cornelius, P.I. (1993). Statistical tests and retention of terms in the additive main effects and multiplicative interaction model for cultivar trials. Crop Science, 33, 1186-1193. [DOI:10.2135/cropsci1993.0011183X003300060016x]
6. Dimitrios, B., Christos, G., Jesus, R., & Eva, B. (2008). Separation of cotton cultivar testing sites based on representativeness and discriminating ability using GGE Biplots. Agronomy Journal, 100, 1230-1236. [DOI:10.2134/agronj2007.0363]
7. Eberhart, S. A., & Russell, W. A. (1966). Stability parameters for comparing varieties. Crop Science, 6, 36-40. [DOI:10.2135/cropsci1966.0011183X000600010011x]
8. Fan, X.M., Kang, M. S., Chen, H., Zhang, Y., Tan, J., & Xu, C. (2007). Yield stability of maize hybrids evaluated in multi-environment trials in Yunnan, China. Agronomy Journal, 99, 220-228. [DOI:10.2134/agronj2006.0144]
9. Farshadfar, E., Rashidi, M., Jokar, M., & Zali, H. (2013). GGE biplot analysis of genotype × environment interaction in chickpea genotypes. European Journal of Experimental Biology, 3(1), 417-423.
10. Finlay, K. W., & Wilkinson, G. N. (1963). The analysis of adaptation in a plant breeding program. Austuralian Journal of Agricultural Research, 14, 742-754. [DOI:10.1071/AR9630742]
11. Gabriel, K.R. (1971). The biplot graphic display of matrices with application to principal component analysis. Biometrika, 58, 453-467. [DOI:10.1093/biomet/58.3.453]
12. Gauch, H.G., & Zobel, R. W. (1996). AMMI analysis of yield trials. In: Kang, M.S. and H.G. Jr. Gauch(eds), Genotype- by- environment interaction. (pp. 85-122). CRC Press, Boca Raton, Florida. [DOI:10.1201/9781420049374.ch4]
13. Hatami Maleki, H., Vaezi, B., Mohammadi, R., Mehraban, A., Ahmadi, A., Sabzi, Z., & Sabgahnia, N. (2020). Stability analysis and genotype×environment interaction study for grain yield of some barley genotypes. Iranian Journal of Genetics and Plant Breeding, 9(2), 134-143.
14. Hudzenko, V., Demydov, O., Voloshchuk, H., Sardak, H., & Ishchenko. V. (2019). Genotype by environment interaction and yield stability of barley breeding lines in multi-environment trials. Agriculture and Forestry, 65(1), 201-210. [DOI:10.17707/AgricultForest.65.1.20]
15. Huhn, M. (1996). Nonparametric analysis of genotype × environment interaction by ranks. In: Kang, M. S. and H. G. Jr. Gauch(eds), Genotype- by- environment interaction. (pp. 235-271). CRC Press, Boca Raton. Florida. [DOI:10.1201/9781420049374.ch9]
16. Kang, M.S. (1993). Simultaneous selection for yield and stability in crop performance genotype × environment interaction 239 trials: consequences for growers. Agronomy Journal, 85, 754-757. [DOI:10.2134/agronj1993.00021962008500030042x]
17. Kendal, E., Karaman, M., Tekdal, S., & Dogan, S. (2019). Analysis of promising barley (Hordeum vulgare L.) lines performance by AMMI and GGE biplot in multiple traits and environment. Applied Ecology and Environmental Research, 17(2), 5219-5233. [DOI:10.15666/aeer/1702_52195233]
18. Koocheki, A. R., Sorkhilaleloo, B., & Eslamzadeh Hesari, M. R. (2012). Yield stability of barley elite genotypes in cold regions of Iran using GGE biplot. Seed and Plant Improvement Journal, 28(4), 533-543. [In Persian]
19. Moayyedi, A., Najafi Mirak, T., Taherian, M., Sasani, S., & Amin Azarm, D. (2020). Evaluation of grain yield stability of durum wheat (Triticum turgidum L. var. durum) promising lines in moderate regions of Iran. Journal of Agroecology, 12(2), 345-358. [In Persian]
20. Mohammadi, R., Armion, M., Sadeghzadeh, B., Golkari, S., Khalilzadeh, Gh., Ahmadi, H., Abedi-Asl, Gh., & Eskandari, M. (2016a). Assessment of grain yield stability and adaptability of rainfed durum wheat breeding lines. Applied Field Crops Research, 29(4), 25-42. [In Persian]
21. Mortazavian, S. M. M., Nikkhah, H.R., Hassani, F. A., Sharif-al-Hosseini, M., Taheri, M., & Mahlooji, M. (2014). GGE Biplot and AMMI Analysis of Yield Performance of Barley Genotypes across Different Environments in Iran. Journal of Agricultural Science and Technology, 16, 609-622.
22. Omrani, S., Mohammad Naji, A., & Esmaeilzadeh Moghaddam, M. (2017). Yield stability analysis of promising bread wheat lines in southern warm and dry agroclimatic zone of Iran using GGE biplot model. Journal of Crop Breeding, 23(9), 157-165. [In Persian] [DOI:10.29252/jcb.9.23.157]
23. Pacheco, A., Rodríguez, F., Alvarado, G., & Burgueño, J. (2017). ADEL-R. Analysis and design of experiments with R for Windows. Version 2.0, https://hdl.handle.net/11529/10857, CIMMYT Research Data & Software Repository Network, V3.
24. Pacheco, A., Vargas, M., Alvarado, G., Rodríguez, F., Crossa, J., & Burgueño. J. (2015). GEA-R (Genotype x Environment Analysis with R for Windows) Version 4.1, https://hdl.handle.net/11529/10203, CIMMYT Research Data & Software Repository Network, V16.
25. Pourdad, S. S., & Jamshid Moghaddam. M. (2013). Study on genotype × environment interaction through GGE biplot for seed yield in spring rapeseed (Brassica napus L.) in rain-fed condition. Journal of Crop Breeding, 5 (12): 1-14. [In Persian]
26. Ramzi, E., Asghari, A., Sofalian, O., Mehraban, A., & Ebadi, A. (2021). Evaluation of grain yield stability and genotype- environment interaction of barley promising lines in warm and humid regions of the country. Crop Breeding, 12(36), 57-65. [DOI:10.52547/jcb.12.36.57]
27. Rose, I.V.L.W., Das M. K., & Taliaferro, C.M. (2008). A comparison of dry matter yield stability assessment methods for small numbers of genotypes of bermudagrass. Euphytica, 164, 19-25. [DOI:10.1007/s10681-007-9620-2]
28. Saeidnia, F., Taherian, M., & Nazeri, M. (2023). Graphical analysis of multi-environmental trials for wheat grain yield based on GGE-biplot analysis under diverse sowing dates. BMC Plant Biology, 23(198), 1-16. [DOI:10.1186/s12870-023-04197-9]
29. Samonte, S.O.P.B., Wilson, L. T., McClung, A. M., & Medley, J. C. (2005). Targeting cultivars onto rice growing environments using AMMI and SREG GGE biplot analysis. Crop Science, 45, 2414-2424. [DOI:10.2135/cropsci2004.0627]
30. Taherian, M. (2023). Identification of superior barley genotypes (Hordeum vulgare L.) based on yield stability and optimal agronomic traits in Khorasan Razavi province. Journal of Crop Breeding, 15(47), 174-185. [In Persian] [DOI:10.61186/jcb.15.47.174]
31. Taherian, M., Nikkhah, H.R., Aghnoum, R., Sharifi Alhoseini, M., Mahlooji, M., Taheri Mazandrani, M., Tabatabaei, S. A., & Hassani, F. (2022). Graphical analysis of grain yield stability for selection of suprior barley (Hordeum vulgare L.) promising lines in temperate regions of Iran. Iranian Journal of Crop Sciences, 24(1), 64-78. [In Persian]
32. Taheripourfard, Z., Izadi- Darbandi, A., Ghazvini, H., Ebrahimi, M., Mortazavian, S. M. M., & Abdipour, M. (2017). Identifying superior barley (Hordeum vulgare L.) genotypes using GGE-biplot across warm and moderate environments under irrigated conditions in Iran. Crop Breeding Journal, 7(1 & 2), 23-35.
33. Vaezi1, B., Pour-Aboughadareh, A., Mohammadi, A., Armion, M., Mehraban, A., HosseinPour T., & Dorii, M. (2017). GGE Biplot and AMMI Analysis of Barley Yield Performance in Iran. Cereal Research Communications, 45(3), 500-511. [DOI:10.1556/0806.45.2017.019]
34. Yan, W. (2001). GGE biplot-A Windows application for graphical analysis of multi-environment trial data and other types of two-way data. Agronomy Journal, 93, 1111-1118. [DOI:10.2134/agronj2001.9351111x]
35. Yan, W., & Kang, M.S. (2003). GGE Biplot Analysis: A graphical tool for breeders, geneticists, and agronomists. CRC Press, Boca Raton, FL. [DOI:10.1201/9781420040371]
36. Yan, W., & Rajcan, I. (2002). Biplot analysis of sites and trait relations of soybean in Ontario. Crop Science, 42, 11-20. [DOI:10.2135/cropsci2002.1100]
37. Yan, W., & Tinker, N. A. (2006). Biplot analysis of multi-environment trial data: Principles and applications. Canadian Journal of Plant Science, 86, 623-645. [DOI:10.4141/P05-169]
38. Yan, W., Hunt, L. A., Sheng, Q., & Szlavnics, Z. (2000). Genotype evaluation and mega-environment investigation based on the GGE biplot. Crop Science, 40, 597-605. [DOI:10.2135/cropsci2000.403597x]
39. Zali, H., Sofalian, O., Hasanloo, T., & Asghari, A. (2016). Evaluation of yield stability and drought tolerance based AMMI and GGE biplot analysis in Brassica napus L. Agricultural Communications, 4(1), 1-8.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
