دوره 17، شماره 1 - ( بهار 1404 )
جلد 17 شماره 1 صفحات 49-37 |
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:
Amiri Oghan H, Payghamzadeh K, Shariati F, Gholizadeh A. (2026). Selection of Superior Rapeseed Genotypes based on Fatty Acids and Grain and Oil Yield Components with the Ideal Genotype
Selection Index (SIIG) Method. J Crop Breed. 17(1), 37-49. doi:10.61186/jcb.17.1.37
URL: http://jcb.sanru.ac.ir/article-1-1546-fa.html
URL: http://jcb.sanru.ac.ir/article-1-1546-fa.html
امیری اوغان حسن، پیغام‌زاده کمال، شریعتی فرناز، قلی‌زاده امیر. گزینش ژنوتیپ‌های برتر کلزا بر اساس اسیدهای چرب، عملکرد دانه و روغن با روش شاخص انتخاب ژنوتیپ ایده‌آل (SIIG) پژوهشنامه اصلاح گیاهان زراعی 1404; 17 (1) :49-37 10.61186/jcb.17.1.37
1- بخش تحقیقات دانه‌های روغنی، مؤسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
2- بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران
3- استادیار، بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران
2- بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران
3- استادیار، بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران
چکیده: (443 مشاهده)
چکیده مبسوط
مقدمه و هدف: توسعه پایدار سطح زیر کشت کلزا به ویژه در ایران مستلزم معرفی ارقام با عملکرد دانه و روغن با کیفیت بالا و سازگار برای مناطق مختلف از طریق برنامه‌های به‌نژادی است. ارزیابی تنوع ژنتیکی ژنوتیپ‌های کلزا می‌بایستی برمبنای مجموعه‌ای از صفات کمی و کیفی صورت گیرد. شاخص انتخاب ژنوتیپ ایده‌آل یکی از روش‌های آماری چند متغیره است که بر اساس مجموعه‌ای از صفات یا شاخص‌های مختلف، ژنوتیپ‌های مطلوب را شناسایی می‌کند. همچنین، تجزیه به عامل‌ها یکی دیگر از روش‌های آماری چند متغیره است که بهمنظور دسته‌بندی صفات، تعیین میزان اهمیت و ارتباط هریک از آنها در ایجاد تغییرات کل داده‌ها و شناسایی صفات موثر بر عملکرد مورد استفاده قرار می‌گیرد. تشخیص صفات موثر بر عملکرد این توانایی را به بهنژادگر می‌دهد که بر صفات مشخصی که موجب تنوع شده است، تمرکز نماید. بر این اساس، بهمنظور مطالعه خصوصیات زراعی و صفات کمی و کیفی دانه در لاین‌های مختلف کلزا و نهایتاً انتخاب ژنوتیپ‌های برتر از منظر عملکرد دانه و روغن بالا همراه با بیشترین مقدار اسیدهای چرب مفید، از روش شاخص انتخاب ژنوتیپ ایده‌آل و تجزیه به عامل‌ها استفاده شد.
مواد و روش‌ها: تعداد 21 ژنوتیپ برتر حاصل از برنامه‌های به‌نژادی در ایستگاه تحقیقات کشاورزی گرگان در قالب طرح بلوک‌های کامل تصادفی با سه تکرار مورد بررسی قرار گرفتند. در طول دوره رشد و نمو تعداد 23 صفت کمی و کیفی مختلف از جمله صفات فنولوژیکی ]تعداد روز تا شروع گلدهی، تعداد روز تا رسیدگی فیزیولوژیک[؛ صفات زراعی ]ارتفاع بوته (سانتی‌متر)، تعداد شاخه‌های جانبی، ارتفاع شاخه‌بندی (سانتی‌متر)، طول ساقه اصلی (سانتی‌متر)، طول خورجین (سانتی‌متر)[؛ عملکرد و اجزای آن ]تعداد خورجین در ساقه اصلی، تعداد خورجین در شاخه‌های جانبی، تعداد خورجین در بوته، تعداد دانه در خورجین، وزن هزار دانه (گرم)، عملکرد دانه (کیلوگرم در هکتار)[ و صفات کیفی ]محتوی روغن (درصد)، عملکرد روغن (کیلوگرم در هکتار)، مقدار گلوکوزینولات در دانه (میکرومول بر گرم دانه)، درصد ترکیب اسیدهای چرب (اروسیک اسید، لینولنیک اسید، لینولئیک اسید، اولوئیک اسید، استئاریک اسید، پالمیتولئیک اسید، پالمیتیک اسید[ ژنوتیپ‌ها تعیین شد. تجزیه واریانس برای بررسی اختلاف بین ژنوتیپ‌ها، تجزیه به عامل برای انتخاب غیرمستقیم برای عملکرد دانه از طریق سایر صفات وابسته و شاخص انتخاب ژنوتیپ ایده‌آل برای دو صفت مهم عملکرد دانه و عملکرد روغن برمبنای 22 صفت اشاره شده در بالا مورد استفاده قرار گرفت.
یافته‌ها: نتایج تجزیه واریانس نشان داد که ژنوتیپ‌ها در تمامی صفات مورد بررسی بهغیر از تعداد شاخه‌های جانبی و تعداد دانه در خورجین اختلاف آماری معنی‌دار (01/0>P) با یکدیگر داشتند که این موضوع بیانگر وجود تنوع ژنتیکی بین ژنوتیپ‌های مورد بررسی است. نتایج شاخص انتخاب ژنوتیپ ایده‌آل نشان داد که ژنوتیپ‌های G20، G12، G16، G1، G7، G10 و G11 بهترتیب با داشتن شاخص انتخاب ژنوتیپ ایده‌آل 0/621، 0/584، 0/673، 0/633، 0/591، 0/728 و 0/673 و عملکرد دانه 3258/67، 3140/67، 2941/33، 2763/33، 2712/67، 25/75/33 و 2548 کیلوگرم در هکتار بهعنوان ژنوتیپ‌هایی با پتانسیل عملکرد دانه بالا و سایر صفات زراعی مطلوب شناسایی شدند. بهعلاوه، ژنوتیپ‌های G20، G12، G16، G2، G1، G10 و G11 با داشتن مقادیر شاخص انتخاب ژنوتیپ ایده‌آل 0/622، 0/584، 0/673، 0/589، 0/633، 0/727 و 0/672 بهترتیب با دارا بودن 1218/28، 1201/42، 1109/54، 1102/27، 1056/45، 987/40 و 961/27 کیلوگرم در هکتار عملکرد روغن از جمله ژنوتیپ‌های برتر از منظر پتانسیل عملکرد روغن بالا و سایر صفات زراعی مطلوب شناسایی شدند بهطوریکه از این ژنوتیپ‌ها می‌توان در اجرای آزمایشات سازگاری بهره‌برداری کرد. در این مطالعه 23 صفت اندازه‌گیری شده، برای تجزیه به عامل‌ها مورد استفاده قرار گرفتند. مقادیر KMO بهدست آمده و نیز معنی‌دار بودن آزمون اسفریسیتی بارتلت، بیانگر کافی بودن مقادیر همبستگی متغیرهای اولیه برای انجام تجزیه به عامل‌ها و کفایت مدل تجزیه به عامل‌ها بود. در این تحقیق، پس از انجام تجزیه به عامل‌ها، هفت عامل مشخص شد. این عامل‌ها مجموعاً توانستند 82/13 درصد از تنوع کل داده‌ها را توجیه نمایند. سهم عامل‌های اول تا هفتم بهترتیب برابر 20/86، 15/99، 13/99، 10/65، 8/80، 6/27 و 5/57 درصد برآورد گردید. عامل اول تا هفتم بهترتیب تحت عناوین فاکتورهای مؤثر بر کیفیت روغن، مورفولوژی و خصوصیات ظاهری، خصوصیات رویشی و مقاصد فیزیولوژیک، عملکرد اقتصادی دانه، کیفیت روغن، عملکرد کمی و کیفی روغن و فنولوژی و خصوصیات رسیدگی نامگذاری شدند. بهعلاوه، نتایج تجزیه به عامل‌ها نشان داد که صفات تعداد خورجین در ساقه اصلی، تعداد خورجین در شاخه‌های فرعی و تعداد خورجین در بوته ارتباط مثبتی با عملکرد دانه و عملکرد دانه نیز با عملکرد روغن داشتند.
نتیجه‌گیری: به‌طور‌کلی، نتایج نشان داد که رهیافت شاخص انتخاب ژنوتیپ ایده‌آل و تجزیه به عامل‌ها ابزار فوق‌العاده قدرتمندی برای انتخاب بهترین ژنوتیپ‌های کلزا از لحاظ همه صفات کمی و کیفی فوق الاشاره بود. بر اساس شاخص انتخاب ژنوتیپ ایده‌آل، ژنوتیپ‌های G20 و G12 از جمله بهترین ژنوتیپ‌ها از منظر عملکرد دانه و روغن همراه با شاخص انتخاب ژنوتیپ ایده‌آل بالا بودند. بهعلاوه، صفات تعداد خورجین در ساقه اصلی، تعداد خورجین در شاخه‌های فرعی و تعداد خورجین در بوته می‌توانند بهعنوان شاخص‌های ایده‌آل برای گزینش عملکرد دانه و از عملکرد دانه برای گزینش همزمان عملکرد روغن برای انتخاب ژنوتیپ‌های پر پتانسیل در برنامه‌های به‌نژادی استفاده کرد.
مقدمه و هدف: توسعه پایدار سطح زیر کشت کلزا به ویژه در ایران مستلزم معرفی ارقام با عملکرد دانه و روغن با کیفیت بالا و سازگار برای مناطق مختلف از طریق برنامه‌های به‌نژادی است. ارزیابی تنوع ژنتیکی ژنوتیپ‌های کلزا می‌بایستی برمبنای مجموعه‌ای از صفات کمی و کیفی صورت گیرد. شاخص انتخاب ژنوتیپ ایده‌آل یکی از روش‌های آماری چند متغیره است که بر اساس مجموعه‌ای از صفات یا شاخص‌های مختلف، ژنوتیپ‌های مطلوب را شناسایی می‌کند. همچنین، تجزیه به عامل‌ها یکی دیگر از روش‌های آماری چند متغیره است که بهمنظور دسته‌بندی صفات، تعیین میزان اهمیت و ارتباط هریک از آنها در ایجاد تغییرات کل داده‌ها و شناسایی صفات موثر بر عملکرد مورد استفاده قرار می‌گیرد. تشخیص صفات موثر بر عملکرد این توانایی را به بهنژادگر می‌دهد که بر صفات مشخصی که موجب تنوع شده است، تمرکز نماید. بر این اساس، بهمنظور مطالعه خصوصیات زراعی و صفات کمی و کیفی دانه در لاین‌های مختلف کلزا و نهایتاً انتخاب ژنوتیپ‌های برتر از منظر عملکرد دانه و روغن بالا همراه با بیشترین مقدار اسیدهای چرب مفید، از روش شاخص انتخاب ژنوتیپ ایده‌آل و تجزیه به عامل‌ها استفاده شد.
مواد و روش‌ها: تعداد 21 ژنوتیپ برتر حاصل از برنامه‌های به‌نژادی در ایستگاه تحقیقات کشاورزی گرگان در قالب طرح بلوک‌های کامل تصادفی با سه تکرار مورد بررسی قرار گرفتند. در طول دوره رشد و نمو تعداد 23 صفت کمی و کیفی مختلف از جمله صفات فنولوژیکی ]تعداد روز تا شروع گلدهی، تعداد روز تا رسیدگی فیزیولوژیک[؛ صفات زراعی ]ارتفاع بوته (سانتی‌متر)، تعداد شاخه‌های جانبی، ارتفاع شاخه‌بندی (سانتی‌متر)، طول ساقه اصلی (سانتی‌متر)، طول خورجین (سانتی‌متر)[؛ عملکرد و اجزای آن ]تعداد خورجین در ساقه اصلی، تعداد خورجین در شاخه‌های جانبی، تعداد خورجین در بوته، تعداد دانه در خورجین، وزن هزار دانه (گرم)، عملکرد دانه (کیلوگرم در هکتار)[ و صفات کیفی ]محتوی روغن (درصد)، عملکرد روغن (کیلوگرم در هکتار)، مقدار گلوکوزینولات در دانه (میکرومول بر گرم دانه)، درصد ترکیب اسیدهای چرب (اروسیک اسید، لینولنیک اسید، لینولئیک اسید، اولوئیک اسید، استئاریک اسید، پالمیتولئیک اسید، پالمیتیک اسید[ ژنوتیپ‌ها تعیین شد. تجزیه واریانس برای بررسی اختلاف بین ژنوتیپ‌ها، تجزیه به عامل برای انتخاب غیرمستقیم برای عملکرد دانه از طریق سایر صفات وابسته و شاخص انتخاب ژنوتیپ ایده‌آل برای دو صفت مهم عملکرد دانه و عملکرد روغن برمبنای 22 صفت اشاره شده در بالا مورد استفاده قرار گرفت.
یافته‌ها: نتایج تجزیه واریانس نشان داد که ژنوتیپ‌ها در تمامی صفات مورد بررسی بهغیر از تعداد شاخه‌های جانبی و تعداد دانه در خورجین اختلاف آماری معنی‌دار (01/0>P) با یکدیگر داشتند که این موضوع بیانگر وجود تنوع ژنتیکی بین ژنوتیپ‌های مورد بررسی است. نتایج شاخص انتخاب ژنوتیپ ایده‌آل نشان داد که ژنوتیپ‌های G20، G12، G16، G1، G7، G10 و G11 بهترتیب با داشتن شاخص انتخاب ژنوتیپ ایده‌آل 0/621، 0/584، 0/673، 0/633، 0/591، 0/728 و 0/673 و عملکرد دانه 3258/67، 3140/67، 2941/33، 2763/33، 2712/67، 25/75/33 و 2548 کیلوگرم در هکتار بهعنوان ژنوتیپ‌هایی با پتانسیل عملکرد دانه بالا و سایر صفات زراعی مطلوب شناسایی شدند. بهعلاوه، ژنوتیپ‌های G20، G12، G16، G2، G1، G10 و G11 با داشتن مقادیر شاخص انتخاب ژنوتیپ ایده‌آل 0/622، 0/584، 0/673، 0/589، 0/633، 0/727 و 0/672 بهترتیب با دارا بودن 1218/28، 1201/42، 1109/54، 1102/27، 1056/45، 987/40 و 961/27 کیلوگرم در هکتار عملکرد روغن از جمله ژنوتیپ‌های برتر از منظر پتانسیل عملکرد روغن بالا و سایر صفات زراعی مطلوب شناسایی شدند بهطوریکه از این ژنوتیپ‌ها می‌توان در اجرای آزمایشات سازگاری بهره‌برداری کرد. در این مطالعه 23 صفت اندازه‌گیری شده، برای تجزیه به عامل‌ها مورد استفاده قرار گرفتند. مقادیر KMO بهدست آمده و نیز معنی‌دار بودن آزمون اسفریسیتی بارتلت، بیانگر کافی بودن مقادیر همبستگی متغیرهای اولیه برای انجام تجزیه به عامل‌ها و کفایت مدل تجزیه به عامل‌ها بود. در این تحقیق، پس از انجام تجزیه به عامل‌ها، هفت عامل مشخص شد. این عامل‌ها مجموعاً توانستند 82/13 درصد از تنوع کل داده‌ها را توجیه نمایند. سهم عامل‌های اول تا هفتم بهترتیب برابر 20/86، 15/99، 13/99، 10/65، 8/80، 6/27 و 5/57 درصد برآورد گردید. عامل اول تا هفتم بهترتیب تحت عناوین فاکتورهای مؤثر بر کیفیت روغن، مورفولوژی و خصوصیات ظاهری، خصوصیات رویشی و مقاصد فیزیولوژیک، عملکرد اقتصادی دانه، کیفیت روغن، عملکرد کمی و کیفی روغن و فنولوژی و خصوصیات رسیدگی نامگذاری شدند. بهعلاوه، نتایج تجزیه به عامل‌ها نشان داد که صفات تعداد خورجین در ساقه اصلی، تعداد خورجین در شاخه‌های فرعی و تعداد خورجین در بوته ارتباط مثبتی با عملکرد دانه و عملکرد دانه نیز با عملکرد روغن داشتند.
نتیجه‌گیری: به‌طور‌کلی، نتایج نشان داد که رهیافت شاخص انتخاب ژنوتیپ ایده‌آل و تجزیه به عامل‌ها ابزار فوق‌العاده قدرتمندی برای انتخاب بهترین ژنوتیپ‌های کلزا از لحاظ همه صفات کمی و کیفی فوق الاشاره بود. بر اساس شاخص انتخاب ژنوتیپ ایده‌آل، ژنوتیپ‌های G20 و G12 از جمله بهترین ژنوتیپ‌ها از منظر عملکرد دانه و روغن همراه با شاخص انتخاب ژنوتیپ ایده‌آل بالا بودند. بهعلاوه، صفات تعداد خورجین در ساقه اصلی، تعداد خورجین در شاخه‌های فرعی و تعداد خورجین در بوته می‌توانند بهعنوان شاخص‌های ایده‌آل برای گزینش عملکرد دانه و از عملکرد دانه برای گزینش همزمان عملکرد روغن برای انتخاب ژنوتیپ‌های پر پتانسیل در برنامه‌های به‌نژادی استفاده کرد.
واژه‌های کلیدی: اجزای عملکرد دانه و روغن، تجزیه به عامل‌ها، درصد پروتئین، صفات زراعی، .Brassica napus L
فهرست منابع
1. Abdollahi Hesar, A., Sofalian, O., Alizadeh, B., Asgharii, A., & Zali, M. (2020). Evaluation of some autumn rapeseed genotypes based on morphological traits and SIIG index. Journal of Crop Breeding, 12(34), 151-159. [In Persian] [DOI:10.29252/jcb.12.34.151]
2. Ahmadzadeh, M., Sami Zade Lahiji, H., Ahmadi, M. R., & Talesh Sasani, S. (2009). Study of rapeseed quantitative and qualitative characters variation through factor analysis. Agriculture, 11(1), 1-12. [In Persian]
3. Ali, N., Javidfar, F., Elmira, J. Y., & Mirza, M. Y. (2003). Relationship among yield components and selection criteria for yield improvement in winter rapeseed (Brassica napus L.). Pakistan Journal of Botany, 35(2), 167-174.
4. Alizadeh, B., Rezaizad, A., Yazdandoost Hamedani, M., Shiresmaeili, G. H., Nasserghadimi, F., Khademhamzeh, H. R., & Gholizadeh, A. (2021). Analysis of genotype× environment interaction for seed yield in winter rapeseed cultivars and lines using multivariate method of additive main effects and multiplicative interaction. Isfahan University of Technology-Journal of Crop Production and Processing, 11(1), 95-108. [In Persian] [DOI:10.47176/jcpp.11.1.36131]
5. Alizadeh, B., Yazdandust H, M., Rezaei Zad, A., Azizinia, S., Khiyavi, M., Shirani Rad, A. H., … Shariati, F. (2019). Nima, new winter oilseed rape variety for cultivation in the cold and moderately cold regions of Iran. Research Achievements for Field and Horticulture Crops, 8(1), 61-76. [In Persian]
6. El-Refaey, R. A., El-Seidy, E. H., El-Gammaal, A. A., & Ashry, H. M. (2015). Breeding studies on some rapeseed varieties under different environments. 19(September), 497-522.
7. FAOSTAT. (2023). Food and Agriculture Organization Crop Production Statistics: World sorghum production and utilization.
8. Ghanbari, S., Nooshkam, A., Fakheri, B. A., & Mahdinezhad, N. (2019). Relationship between yield and its component in soybean genotypes (Glycine Max L.) using multivariate statistical methods. Journal of Crop Breeding, 11(29), 85-92. [In Persian] [DOI:10.29252/jcb.11.29.85]
9. Gholizadeh, A., & Dehghani, H. (2016). Graphic analysis of trait relations of Iranian bread wheat germplasm under non-saline and saline conditions using the biplot method. Genetika, 48(2), 473-486 [DOI:10.2298/GENSR1602473G]
10. Gholizadeh, A., Ghaffari, M., & Shariati, F. (2021). Use of selection index of ideal genotype (SIIG) in order to select new high yielding sunflower hybrids with desirable agronomic characteristics. Journal of Crop Breeding, 13(38), 116-123. [In Persian] [DOI:10.52547/jcb.13.38.116]
11. Gholizadeh, A., Khodadadi, M., & Sharifi-Zagheh, A. (2022). Modeling the final fruit yield of coriander (Coriandrum sativum L.) using multiple linear regression and artificial neural network models. Archives of Agronomy and Soil Science, 68(10), 1398-1412. [DOI:10.1080/03650340.2021.1894637]
12. Hegewald, H., Wensch-Dorendorf, M., Sieling, K., & Christen, O. (2018). Impacts of break crops and crop rotations on oilseed rape productivity: A review. European Journal of Agronomy, 101, 63-77. [DOI:10.1016/j.eja.2018.08.003]
13. Kanwal, N., Ali, F., Ali, Q., & Sadaqat, H. A. (2019). Phenotypic tendency of achene yield and oil contents in sunflower hybrids. Acta Agriculturae Scandinavica, Section B-Soil & Plant Science, 69(8), 690-705. [DOI:10.1080/09064710.2019.1641546]
14. Leilah, A., & Al-Khateeb, S. (2005). Statistical analysis of wheat yield under drought conditions. Journal of Arid Environment, 61, 483-496. [DOI:10.1016/j.jaridenv.2004.10.011]
15. Majidi, M. M., Jafarzadeh, G. M., Rashidi, F., & Mirlohi, A. (2016). Relationship of different traits in rapeseed (Brassica napus L.) cultivars under normal and drought conditions. Journal of Crop Breeding, 8(17), 55-65. [In Persian] [DOI:10.18869/acadpub.jcb.8.17.65]
16. Masood, S. A., Rehman, H., Yasin, M. I., Ahmad, S., Ali, S. S. Q., Ali, Q., & Ali, Q. (2019). Genotypic association studies of yield traits and their inheritance pattern in oilseed rape (Brassica napus L.): A review. International Journal of Botany Studies, 4(3), 157-165.
17. Mustafa, M., Iqbal, M., Ishaq, R., Shahbaz, Z., Imran4, A., & Aftab, M. (2021). Genetic analysis of yield and yield related attributes in Brassica napus. Pure and Applied Biology, 3(4), 175-187. [DOI:10.19045/bspab.2014.34007]
18. Najafi Mirak, T., Dastfal, M., Andarzian, B., Farzadi, H., Bahari, M., & Zali, H. (2018a). Assessment of non-parametric methods in selection of stable genotypes of durum wheat (Triticum turgidum L. var. durum). Iranian Journal of Crop Sciences, 20(2), 126-138. [In Persian]
19. Najafi Mirak, T., Dastfal, M., Andarzian, B., Farzadi, H., Bahari, M., & Zali, H. (2018b). Stability analysis of grain yield of durum wheat promising lines in warm and dry areas using parametric and non-parametric methods. Isfahan University of Technology-Journal of Crop Production and Processing, 8(2), 79-96. [In Persian] [DOI:10.29252/jcpp.8.2.79]
20. Norouzi, M. A., Ahangar, L., Paygamzadeh, K., Sabouri, H., & Sajjadi, S. J. (2021). Heritability and Gene Action of Different Traits in Spring Oilseed Rape using Diallel Analysis. Journal of Crop Breeding, 13(39), 166-178. [In Persian] [DOI:10.52547/jcb.13.39.166]
21. Payghamzadeh, K., Faraji, A., Gholizadeh, A., Kiani, A., Mohammad Zadeh, J., Razaghi, M. H., … Kia, S. (2024). Handbook of canola production management in Golestan province. Publication of agricultural education - Office of Educational and Extension Media of Agricultural Education and Extension Institute, pp: 38. [In Persian]
22. Payghamzadeha, K., & Amiri Oghan, H. (2023). Estimation of genetic parameters of some important agronomical traits in oilseed rape by Griffing's diallel method. Journal of Crop Breeding, 15(46), 11-21. [In Persian] [DOI:10.61186/jcb.15.46.11]
23. Ramazani, S. H. R. (2016). Surveying the relations among traits affecting seed yield in sesame (Sesamum indicum L.). Journal of Crop Science and Biotechnology, 19, 303-309. [DOI:10.1007/s12892-016-0053-0]
24. Ramea, V., Rezayi, G., & Saeedi, A. (2002). Factor analysis for rapeseed quantitative and qualitative properties. The Abstracts of the 7th Congress of Iranian Agronomy and Plant Breeding Sciences, Seed and Plant Improvement Institute, Karaj., 379. [In Persian]
25. Roostabaghi, B., Dehghan, H., Alizadeh, B., & Sabaghnia, N. (2013). Study of diversity and evaluation of relationships between yield and yield components of rapeseed via multivariate methods. Isfahan University of Technology-Journal of Crop Production and Processing, 2(6), 53-63. [In Persian]
26. SA, M.-M., Zeynali, H., & Hosseinzadeh, A. (2006). Evaluation of genetic correlation of oil percent with some important quantitative and qualitative traits in rapeseed (Brassica napus) by multivariate analysis methods. Journal of Agriculture, 37(1), 177-186. [In Persian]
27. Sabaghnia, N., Dehghani, H., Alizadeh, B., & Mohghaddam, M. (2010). Interrelationships between seed yield and 20 related traits of 49 canola (Brassica napus L.) genotypes in non-stressed and water-stressed environments. Spanish Journal of Agricultural Research, (2), 356-370. [DOI:10.5424/sjar/2010082-1195]
28. Safari, S., & Mehrabi, A. A. (2016). Genetic relationships of rapeseed cultivars revealed by RAPD markers. Journal of Crop Breeding, 8(19), 170-177. [In Persian]
29. SAS. (2017). Step-by-Step Programming with Base SAS® 9.4, Second Edition. Cary, NC: SAS Institute Inc. SAS Institute.
30. Tahir, A., Muzaffar, S., Tahir, S., Saif, R., Sattar, S., Imran, A., & Zafar, M. M. (2018). A review on heterosis and combining ability analysis of seed yield and oil contents in rapeseed (Brassica napus L.). Nature and Science, 16(12), 46-55.
31. Tahmasebi, S., Dastfal, M., Zali, H., & Rajaie, M. (2018). Drought tolerance evaluation of bread wheat cultivars and promising lines in warm and dry climate of the south. Cereal Research, 8(2), 209-225. [In Persian]
32. Tanhuanpää, P., & Schulman, A. (2002). Mapping of genes affecting linolenic acid content in Brassica rapa ssp. oleifera. Molecular Breeding, 10, 51-62. [DOI:10.1023/A:1020357211089]
33. 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. Journal of Crop Breeding, 12(34), 93-104. [In Persian] [DOI:10.29252/jcb.12.34.93]
34. Zali, H., Hasanloo, T., Sofalian, O., Asgharii, A., & Enayati Shariatpanahi, M. (2019). Identifying drought tolerant canola genotypes using selection index of ideal genotype. Journal of Crop Breeding, 11(29), 117-126. [In Persian] [DOI:10.29252/jcb.11.29.117]
35. Zali, H., Hassanloo, T., Sofalian, O., Asghari, A., & Zeinalabedini, M. (2016). Appropriate strategies for selection of drought tolerant genotypes in canola. Journal of Crop Breeding, 8(20), 77-90. [In Persian] [DOI:10.29252/jcb.8.18.191]
36. Zali, H., Sofalian, O., Hasanloo, T., Asgharii, 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, 7(2), 703.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
