دوره 14، شماره 41 - ( بهار 1401 )                   جلد 14 شماره 41 صفحات 183-174 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Shojaei S H, Mostafavi K, Khosroshahli M, Bihamta M R, Ramshini H. Evaluation of yield relationships and yield components in maize hybrids using multivariate and graphical methods in Karaj region. jcb 2022; 14 (41) :174-183
URL: http://jcb.sanru.ac.ir/article-1-1267-fa.html
شجاعی سیدحبیب، مصطفوی خداداد، خسروشاهلی محمود، بی همتا محمدرضا، رامشینی حسین. بررسی روابط عملکرد و اجزای عملکرد در هیبریدهای ذرت با استفاده از روش‌های چند متغیره و گرافیکی در منطقه کرج. پژوهشنامه اصلاح گیاهان زراعی. 1401; 14 (41) :174-183

URL: http://jcb.sanru.ac.ir/article-1-1267-fa.html

بررسی روابط عملکرد و اجزای عملکرد در هیبریدهای ذرت با استفاده از روش‌های چند متغیره و گرافیکی در منطقه کرج
سیدحبیب شجاعی، خداداد مصطفوی، محمود خسروشاهلی، محمدرضا بی همتا، حسین رامشینی
دانشیار، گروه زراعت و اصلاح نباتات، دانشگاه آزاد اسلامی، واحد کرج، کرج، ایران
چکیده:   (888 مشاهده)

چکیده مبسوط
مقدمه و هدف: انتخاب هیبریدهای مطلوب نسبت به سایر هیبرید های ذرت (Zea mays L.) یکی از روش هایی است که به منظور دستیابی عملکرد دانه بالا در ذرت استفاده نمود. همچنین از مهمترین ویژگی های مورفولوژیک موثر بر عملکرد دانه می توان در انتخاب و معرفی ژنوتیپ ها استفاده نمود.
مواد و روش­ ها: این پژوهش به منظور بررسی ارتباط صفات مختلف با عملکرد دانه و انتخاب مهمترین ویژگی‌های مورفولوژیکی موثر بر عملکرد دانه هیبریدهای ذرت جهت انتخاب ژنوتیپ‌ها انجام گرفت. آزمایش به صورت طرح بلوک‌های کامل تصادفی (RCBD) با سه تکرار در مزرعه تحقیقاتی دانشگاه آزاد اسلامی واحد کرج در سال‌های زراعی 98-1397 بر روی 12 هیبرید تجاری سینگل کراس ذرت اجرا گردید.
یافته­ ها: نتایج تجزیه واریانس مرکب حاکی از آن بود که ژنوتیپ‌ها دارای اختلاف معنی داری در سطح احتمال 0/01 از نظر صفات زراعی بودند. اثر ژنوتیپ‌×‌سال نیز در صفات طول بلال، عرض دانه، طول دانه، ضخامت دانه، وزن هزار دانه و عملکرد دانه معنی‌دار شد. بر اساس نتایج مقایسه میانگین به روش دانکن نیز ژنوتیپ‌های KSC704 و KSC707 به عنوان هیبرید‌‌‌های با رتبه برتر انتخاب شدند. در مقایسه میانگین انجام گرفته بر روی اثر ژنوتیپ × سال از نظر صفت عملکرد دانه، هیبرید SC302 و هیبریدهای KSC701 و KSC706 در سال دوم زراعی به‌عنوان ژنوتیپ‌های با رتبه برتر شناسایی شدند.  تجزیه عامل‌ها و دوران با روش وریماکس چهار عامل را معرفی کرد که این چهار عامل 73 درصد از واریانس داده ها را توجیه نمودند و به نام‌های مشخصات دانه، مشخصات بلال، ارتفاع بوته و طول بلال نامگذاری شدند. نتایج تجزیه همبستگی بین صفات نیز همبستگی مثبت و معنی‌داری را بین صفت طول بلال با صفات تعداد ردیف در بلال و عملکرد دانه نشان داد. همچنین صفت تعداد ردیف در بلال دارای همبستگی مثبت و معنی‌داری با صفات عرض دانه و طول دانه بود. تجزیه گرافیکی انجام گرفته بر اساس نمای چند ضلعی ژنوتیپ های KSC707، KSC706، KSC260، KSC705 و SC604 نسبت به سایر هیبریدهای مورد بررسی از برتری بیشتری برخوردار بودند. در نمودار رتبه‌بندی ژنوتیپ‌ها، هیبرید KSC707 به عنوان ژنوتیپ ایده آل شناسایی شد که از نظر صفات مورد بررسی مطلوب‌تر از سایر ژنوتیپ‌ها بود. نمودار همبستگی بین صفات نیز، همبستگی مثبت و معنی دار اکثر صفات را با صفت عملکرد نشان داد که بر این اساس صفات عرض دانه، وزن هزار دانه، طول دانه، طول بلال، تعداد ردیف در بلال و عملکرد دانه دارای همبستگی مثبت و معنی‌داری با هم بودند. بر اساس نمودار گروهبندی ژنوتیپ‌ها از نظر صفات مورد مطالعه، ژنوتیپ‌ها به چهار بخش، گروهبندی شدند.
نتیجه گیری: به طور کلی ژنوتیپ KSC707 به عنوان ژنوتیپ مطلوب از نظر صفات مورد مطالعه شناسایی شد. نتایج بدست آمده از این تحقیق که در دو سال زراعی مورد ارزیابی قرار گرفت حاکی از آن است که می‌توان از این ژنوتیپ‌ها در برنامه‌های اصلاحی برای افزایش عملکرد استفاده نمود.

واژه‌های کلیدی: اثر سال × ژنوتیپ، تجزیه عامل‌ها، تجزیه گرافیکی، ذرت، وریماکس
متن کامل [PDF 1551 kb]   (213 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: اصلاح نباتات، بیومتری
دریافت: 1400/3/23 | ویرایش نهایی: 1401/3/1 | پذیرش: 1400/6/11 | انتشار: 1401/1/10
فهرست منابع
1. Adedeji, I., A.T. Ajayi, O.S. Osekita and K.L. Ogunruku. 2020. Genotype X Trait biplot analysis for assessing character association in Cowpea (Vigna unguiculata L. Walp). South Asian Research Journal of Biology and Applied Biosciences, 2(1): 8-15.‌ [DOI:10.36346/sarjbab.2020.v02i01.002]
2. Ahmadi, K, H.R. Ebadzadeh, H. Abd-Shah, A. Kazimian and M. Rafiei. 2018. Agricultural statistics of crop years 2016-17. Volume one: Crop production. Ministry of Jehad-e-Agriculture, Planning and Economics Affairs, Information and Communication Technology Center, Tehran, Iran (In Persian).
3. Akcura, M.E.V.L.Ü.T and K. Kokten. 2017. Variations in grain mineral concentrations of Turkish wheat landraces germplasm. Quality Assurance and Safety of Crops & Foods, 9(2): 153-159.‌ [DOI:10.3920/QAS2016.0886]
4. Ali, F, N. Kanwal, M. Ahsan, Q. Ali, I. Bibi and N.K. Niazi.2015. Multivariate analysis of grain yield and its attributing traits in different maize hybrids grown under heat and drought stress. Scientifica, 2015.‌ [DOI:10.1155/2015/563869]
5. Chaieb, N., M. Bouslama and M. Massaoud. 2011. Growth and yield parameters variability among faba bean (Vicia faba L.) genotypes. Natural Production Plant Resources, 4: 39-45.
6. Choukan, R. and S.A. Mosavat. 2005. Mode of Gene Action of Different Traits in Maize Tester Lines. Seed and Plant Improvement Journal, 21: 547-556 (In Persian).
7. Dehghani, H., H. Omidi and N. Sabaghnia. 2008. Graphic analysis of trait relations of rapeseed using the biplot method. Agronomy Journal, 100(5): 1443-1449.‌ [DOI:10.2134/agronj2007.0275]
8. Dolatabad, S.S, R. Choukan, E.M. Hervan and H. Dehghani. 2010. Multienvironment analysis of traits relation and hybrids comparison of maize based on the genotype by trait biplot. American Journal of Agricultural and Biological Sciences, 5(1): 107-113.‌ [DOI:10.3844/ajabssp.2010.107.113]
9. Ghafari, M. 2004. Use of Principal Component analysis method for selection of superior three-way cross hybrids in sunflower. Seed and Plant, 19(4): 513-527.
10. Hallauer, A.R., M.J. Carena and J.B. Miranda Filho. 2010. Testers and combining ability. In Quantitative genetics in maize breeding (pp. 383-423). Springer, New York, NY.‌ [DOI:10.1007/978-1-4419-0766-0_8]
11. Johnson, R.A. and D.W. Wichern. 2007. Applied multivariate statistical analysis (6th ed). New Jersey, U.S.A: Prentice Hall, Inc.
12. Kamara, A.Y., J.G. Kling, A. Menkir and O. Ibikunle. 2003. Agronomic performance of maize (Zea mays L.) breeding lines derived from a low nitrogen maize population. The Journal of Agricultural Science, 141(2): 221-230. [DOI:10.1017/S0021859603003514]
13. Lgnaciuk, A. and D. Mason-Dcroz. 2014. Modeling Adaptation to climate change in Agriculture. OECD Food. Agriculture and Fisheries paper. OECD Publishing.
14. Malik, S.R., A. Bakhsh, M.A. Asif, U. Iqbal and S.M. Iqbal. 2010. Assessment of genetic variability and interrelationship among some agronomic traits in chickpea. International Journal of Agriculture and Biology, 12(1): 81-85.‌
15. Muniraja, C., R.G. Satish, C. Raju and H. Manjunath. 2011. Principal component analysis among genotypes of chickpea (Cicer arietinum L.). International Journal of Agricultural Sciences, 7(2): 382-386.‌
16. Okoye, M., C. Okwuagwu, M. Uguru and E. Okolo. 2007. Genotype by trait relations of oil yield in oil palm (Elaeis guineensis Jacq.) based on GT biplot. In African Crop Science Conference Proceedings (Vol. 8, pp. 723-728). Printed in El‐Minia, Egypt: African Crop Science Society.
17. Rafiq, M., M. Rafique, A. Hussain and M. Altaf. 2010. Studies on the heritability, correlation and path analysis in maize (Zea mays L.) Journal of Agricultural Research, 48: 35-38.
18. Ramazani, M., H. Samieezadeh lahiji, H. Ebrahami Koolabee and A. Ghasemi. 2008. Morphologicaland agronomic traits of maize hybrids on the basis of factor analysis in Hamadan. Journal of Science and Technology of Agriculture and Natural Resources, 12: 99-108 (In Persian).
19. ‌Ringner, M. 2008. What is principal component analysis? Nature Biothechnology, 26: 303-304. [DOI:10.1038/nbt0308-303]
20. Sharifi, P. and H. Aminpana. 2014. A study on the genetic variation in some of faba bean genotypes using multivariate statistical techniques. Tropical Agriculture, 91: 87-97.‌
21. Thomason, W.E. and S.B. Phillips. 2006. Methods to evaluate wheat cultivar testing environments and improve cultivar selection protocols. Field Crops Research, 99(2-3): 87-95.‌ [DOI:10.1016/j.fcr.2006.03.007]
22. Yan, W. 2014. Crop variety trials: Data management and analysis. John Wiley & Sons. [DOI:10.1002/9781118688571]
23. ‌Yan, W. and M.S. Kang. 2003. GGE biplot analysis: A graphical tool for breeders, geneticists, and agronomist. CRC press. Boca Raton, FL. [DOI:10.1201/9781420040371]
24. Yan, W. and I. Rajcan. 2002. Biplot analysis of test sites and trait relations of soybean in Ontario. Crop Science, 42(1): 11-20. [DOI:10.2135/cropsci2002.1100]
25. Yerva, S.R., T.C. Sekhar, C.R. Allam and V. Krishnan. 2016. Combining ability studies in maize (Zea mays L.) for yield and its attributing traits using Griffing's diallel approach. Electronic Journal of Plant Breeding, 7(4): 1046-1055.‌ [DOI:10.5958/0975-928X.2016.00143.5]
26. Zahedi, F, M. Mohammadi and R.A. Karimizadeh. 2016. Path analysis to study morph-physiological traits, yield and traits related to yield of lentil genotypes under rain fed condition. Journal of Plant Productions (Agronomy, Breeding and Horticulture), 39(2): 71-80.‌
27. Zeinali, H., E. Nasr Abadi, H. Hoseinzadeh, R. Choukan and M. Sabokdast. 2005. Factor analysis in grain maize cultivars. Iranian Journal of Crop sciences, 4(36): 895-902 (In Persian).
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به پژوهشنامه اصلاح گیاهان زراعی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2023 CC BY-NC 4.0 | Journal of Crop Breeding

Designed & Developed by : Yektaweb