دوره 16، شماره 4 - ( زمستان 1403 )
جلد 16 شماره 4 صفحات 50-37 |
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:
Ramazi M, Sadeghzadeh Hemayati S, Omidi H, Naji A. (2024). Exploring the Genotype-Environment Interaction in Sugar Beet (Beta vulgaris L.) Genotypes for Optimal Selection. J Crop Breed. 16(4), 37-50. doi:10.61186/jcb.16.4.37
URL: http://jcb.sanru.ac.ir/article-1-1547-fa.html
URL: http://jcb.sanru.ac.ir/article-1-1547-fa.html
رمضی مهدی، صادق زاده حمایتی سعید، امیدی حشمت، ناجی امیرمحمد. بررسی برهمکنش ژنوتیپ-محیط در ژنوتیپ‌های چغندرقند (.Beta vulgaris L) برای گزینش بهینه پژوهشنامه اصلاح گیاهان زراعی 1403; 16 (4) :50-37 10.61186/jcb.16.4.37
1- دانشکده علوم کشاورزی، دانشگاه شاهد، تهران، ایران
2- مؤسسه تحقیقات اصلاح و تهیه بذر چغندرقند، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
3- گروه زراعت، دانشکده علوم کشاورزی، دانشگاه شاهد، تهران، ایران
2- مؤسسه تحقیقات اصلاح و تهیه بذر چغندرقند، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
3- گروه زراعت، دانشکده علوم کشاورزی، دانشگاه شاهد، تهران، ایران
چکیده: (692 مشاهده)
چکیده مبسوط
مقدمه و هدف: برهمکنش ژنوتیپ-محیط پدیده‌ای است که به تفاوت پاسخ ژنوتیپ‌ها در محیط‌های مختلف اشاره دارد و بر پیشرفت برنامه‌های اصلاحی تأثیر می‌گذارد. این پدیده برای به‌نژادگران اهمیت خاصی دارد، زیرا انتخاب و ارزیابی ژنوتیپ‌های برتر را دشوار می‌کند. شناخت این پدیده به به‌نژادگران این امکان را می‌دهد تا در ارزیابی و انتخاب ژنوتیپ‌ها دقت بیشتری کرده و ژنوتیپ‌هایی را انتخاب کنند که با شرایط محیط هدف سازگار هستند. همچنین، برهمکنش ژنوتیپ-محیط می‌تواند فرصت‌هایی را برای به‌نژادگران فراهم کند تا ژنوتیپ‌هایی را انتخاب کنند که برهمکنش مثبت با محیط خاصی دارند یا عملکرد مناسبی در محیط‌های مختلف نشان می‌دهند. در نتیجه، با کشت ژنوتیپ‌ها در محیط‌های مختلف، می‌توان پاسخ‌های ژنوتیپی را ثبت کرد و ژنوتیپ‌های برتر و پایدار را انتخاب کرد. در مطالعه حاضر سعی شد تا مجموعه‌ای از هیبریدهای چغندرقند با هدف بررسی تأثیر برهمکنش ژنوتیپ- محیط بر پتانسیل تولید کمی ریشه و شکر سفید و نیز تعیین سازگاری آن‌ها، در محیط‌های با شرایط متفاوت کشت گردند و ضمن به‌کارگیری روش‌های آماری مختلف، هیبریدهای موفق شناسایی شوند.
مواد و روش‌ها: در پژوهش انجام‌شده، 18 ژنوتیپ چغندرقند شامل 15 هیبرید داخلی و سه شاهد خارجی بودند که قبلاً برای افزایش مقاومت به بیماری‌های ریزومانیا، ریزوکتونیا و نماتد مولد سیست تولید شده بودند. ارزیابی‌های فنوتیپی در دو سال متوالی (1401 و 1402) در دو ایستگاه تحقیقات کشاورزی در کرج و کرمانشاه در قالب طرح بلوک‌های کامل تصادفی با چهار تکرار انجام شد. در طول فصل زراعی، مبارزه با علف‌های هرز، آبیاری، مصرف کود و سایر فعالیت‌های مدیریتی مزرعه انجام شد. پس از حصول داده‌های مربوط به عملکرد ریشه و عملکرد شکر سفید، تجزیه و تحلیل‌های آماری صورت پذیرفت.
یافته‌ها: میانگین مربعات اثر اصلی ژنوتیپ نشان داد که تفاوت معنی‌داری از نظر عملکرد ریشه و عملکرد شکر سفید بین ژنوتیپ‌های آزمایشی وجود دارد. اثرات برهمکنش سال×مکان و ژنوتیپ×سال×مکان در سطح احتمال یک درصد برای هر دو صفت عملکرد ریشه و عملکرد شکر سفید و ژنوتیپ×سال در سطح احتمال پنج درصد بر روی عملکرد شکر سفید تفاوت معنی‌داری ایجاد کردند. این نتایج نشان می‌دهند که تغییرات محیطی و ژنتیکی ممکن است عملکرد ژنوتیپ‌ها را در محیط‌های مختلف تحت تأثیر قرار دهد و باعث تفاوت‌های معنی‌دار در عملکرد ریشه و شکر سفید ژنوتیپ‌ها بین محیط‌ها شود. با استفاده از روش GGE بای‌پلات، مشخص شد که مؤلفه‌های اصلی اول و دوم بهترتیب 93/44 و 3/85 درصد و در مجموع 97/29 درصد از تغییرات عملکرد ریشه را تبیین کردند. در خصوص عملکرد شکر سفید، مؤلفه‌های اول و دوم بهترتیب 95/10 و 2/54 درصد و در مجموع 97/64 درصد از تغییرات را توجیه نمودند. با توجه به اینکه دو مؤلفه اصلی اول و دوم نقش مهمی در واریانس داده‌ها داشتند، بای‌پلات‌های مربوطه می‌توانند به‌خوبی تغییرات ژنوتیپ و برهمکنش ژنوتیپ×محیط را توضیح دهند. بای‌پلات همبستگی بین محیط‌ها نشان داد که از نظر عملکرد ریشه بین محیط‌های آزمایشی همبستگی مثبتی وجود دارد، همچنین بین شرایط محیطی کرج در سال 1402 و کرمانشاه در سال 1401 همبستگی مثبت کاملی برقرار است. بای‌پلات عملکرد شکر سفید نیز حاکی از همبستگی مثبت بین محیط‌های کرج و کرمانشاه بود. بر اساس بای‌پلات چندضلعی در دو مکان کرج و کرمانشاه در هر دو سال آزمایش، ژنوتیپ‌های 18، 15، 12، 14 و 8 بهترین ژنوتیپ‌ها از نظر عملکرد ریشه بودند. از نظر عملکرد شکر سفید در چهار محیط تحت بررسی ژنوتیپ‌های 18، 15 و 14 برتر بودند. بای‌پلات بررسی هم‌زمان پایداری و عملکرد نشان داد که ژنوتیپ‌های 18، 15، 12 و 14 دارای بیشترین میزان عملکرد ریشه و ژنوتیپ‌های 18، 15 و 14 دارای بیشترین میزان عملکرد شکر سفید و پایداری بودند و به‌عنوان بهترین ژنوتیپ‌ها شناخته شدند. بر اساس بای‌پلات ژنوتیپ ایده‌آل فرضی، از نظر عملکرد ریشه ژنوتیپ‌های 15، 12 و 14 و از نظر عملکرد شکر سفید ژنوتیپ‌های 18، 15، 14، 10 و 12 با توجه به اینکه کم‌ترین فاصله را با ژنوتیپ ایده‌آل فرضی داشتند، به‌عنوان بهترین ژنوتیپ‌ها معرفی شدند. با استفاده از شاخص پایداری چندمتغیره و اعمال فشار گزینشی 20 درصد، ژنوتیپ 16 به‌عنوان رتبه اول و ژنوتیپ‌های 10، 9 و 6 به‌عنوان رتبه‌های بعدی پایدارترین ژنوتیپ‌ها انتخاب شدند. مقایسه ارزش صفات در ژنوتیپ‌های منتخب نشان داد که ارزش صفات عملکرد ریشه و درصد قند ناخالص افزایش یافته و ارزش پتاسیم، نیتروژن آمینه و سدیم کاهش یافته است و در مجموع، ژنوتیپ‌های انتخابی باعث بهبود و پیشرفت در تمامی صفات مورد مطالعه شده‌اند. از طرفی تمامی صفات در ژنوتیپ‌های منتخب از وراثت‌پذیری بالایی برخوردار بودند.
نتیجه‌گیری: نتایج به‌دست‌آمده نشان داد که برهمکنش‌های محیطی و ژنتیکی می‌توانند عملکرد ژنوتیپ‌ها را در شرایط مختلف تحت تأثیر قرار دهد و باعث ایجاد اختلافات معنی‌دار در عملکرد آن‌ها شود. در مجموع، ژنوتیپ‌های 18، 15، 14 و 10 به‌عنوان پایدارترین ژنوتیپ‌ها انتخاب شدند.
مقدمه و هدف: برهمکنش ژنوتیپ-محیط پدیده‌ای است که به تفاوت پاسخ ژنوتیپ‌ها در محیط‌های مختلف اشاره دارد و بر پیشرفت برنامه‌های اصلاحی تأثیر می‌گذارد. این پدیده برای به‌نژادگران اهمیت خاصی دارد، زیرا انتخاب و ارزیابی ژنوتیپ‌های برتر را دشوار می‌کند. شناخت این پدیده به به‌نژادگران این امکان را می‌دهد تا در ارزیابی و انتخاب ژنوتیپ‌ها دقت بیشتری کرده و ژنوتیپ‌هایی را انتخاب کنند که با شرایط محیط هدف سازگار هستند. همچنین، برهمکنش ژنوتیپ-محیط می‌تواند فرصت‌هایی را برای به‌نژادگران فراهم کند تا ژنوتیپ‌هایی را انتخاب کنند که برهمکنش مثبت با محیط خاصی دارند یا عملکرد مناسبی در محیط‌های مختلف نشان می‌دهند. در نتیجه، با کشت ژنوتیپ‌ها در محیط‌های مختلف، می‌توان پاسخ‌های ژنوتیپی را ثبت کرد و ژنوتیپ‌های برتر و پایدار را انتخاب کرد. در مطالعه حاضر سعی شد تا مجموعه‌ای از هیبریدهای چغندرقند با هدف بررسی تأثیر برهمکنش ژنوتیپ- محیط بر پتانسیل تولید کمی ریشه و شکر سفید و نیز تعیین سازگاری آن‌ها، در محیط‌های با شرایط متفاوت کشت گردند و ضمن به‌کارگیری روش‌های آماری مختلف، هیبریدهای موفق شناسایی شوند.
مواد و روش‌ها: در پژوهش انجام‌شده، 18 ژنوتیپ چغندرقند شامل 15 هیبرید داخلی و سه شاهد خارجی بودند که قبلاً برای افزایش مقاومت به بیماری‌های ریزومانیا، ریزوکتونیا و نماتد مولد سیست تولید شده بودند. ارزیابی‌های فنوتیپی در دو سال متوالی (1401 و 1402) در دو ایستگاه تحقیقات کشاورزی در کرج و کرمانشاه در قالب طرح بلوک‌های کامل تصادفی با چهار تکرار انجام شد. در طول فصل زراعی، مبارزه با علف‌های هرز، آبیاری، مصرف کود و سایر فعالیت‌های مدیریتی مزرعه انجام شد. پس از حصول داده‌های مربوط به عملکرد ریشه و عملکرد شکر سفید، تجزیه و تحلیل‌های آماری صورت پذیرفت.
یافته‌ها: میانگین مربعات اثر اصلی ژنوتیپ نشان داد که تفاوت معنی‌داری از نظر عملکرد ریشه و عملکرد شکر سفید بین ژنوتیپ‌های آزمایشی وجود دارد. اثرات برهمکنش سال×مکان و ژنوتیپ×سال×مکان در سطح احتمال یک درصد برای هر دو صفت عملکرد ریشه و عملکرد شکر سفید و ژنوتیپ×سال در سطح احتمال پنج درصد بر روی عملکرد شکر سفید تفاوت معنی‌داری ایجاد کردند. این نتایج نشان می‌دهند که تغییرات محیطی و ژنتیکی ممکن است عملکرد ژنوتیپ‌ها را در محیط‌های مختلف تحت تأثیر قرار دهد و باعث تفاوت‌های معنی‌دار در عملکرد ریشه و شکر سفید ژنوتیپ‌ها بین محیط‌ها شود. با استفاده از روش GGE بای‌پلات، مشخص شد که مؤلفه‌های اصلی اول و دوم بهترتیب 93/44 و 3/85 درصد و در مجموع 97/29 درصد از تغییرات عملکرد ریشه را تبیین کردند. در خصوص عملکرد شکر سفید، مؤلفه‌های اول و دوم بهترتیب 95/10 و 2/54 درصد و در مجموع 97/64 درصد از تغییرات را توجیه نمودند. با توجه به اینکه دو مؤلفه اصلی اول و دوم نقش مهمی در واریانس داده‌ها داشتند، بای‌پلات‌های مربوطه می‌توانند به‌خوبی تغییرات ژنوتیپ و برهمکنش ژنوتیپ×محیط را توضیح دهند. بای‌پلات همبستگی بین محیط‌ها نشان داد که از نظر عملکرد ریشه بین محیط‌های آزمایشی همبستگی مثبتی وجود دارد، همچنین بین شرایط محیطی کرج در سال 1402 و کرمانشاه در سال 1401 همبستگی مثبت کاملی برقرار است. بای‌پلات عملکرد شکر سفید نیز حاکی از همبستگی مثبت بین محیط‌های کرج و کرمانشاه بود. بر اساس بای‌پلات چندضلعی در دو مکان کرج و کرمانشاه در هر دو سال آزمایش، ژنوتیپ‌های 18، 15، 12، 14 و 8 بهترین ژنوتیپ‌ها از نظر عملکرد ریشه بودند. از نظر عملکرد شکر سفید در چهار محیط تحت بررسی ژنوتیپ‌های 18، 15 و 14 برتر بودند. بای‌پلات بررسی هم‌زمان پایداری و عملکرد نشان داد که ژنوتیپ‌های 18، 15، 12 و 14 دارای بیشترین میزان عملکرد ریشه و ژنوتیپ‌های 18، 15 و 14 دارای بیشترین میزان عملکرد شکر سفید و پایداری بودند و به‌عنوان بهترین ژنوتیپ‌ها شناخته شدند. بر اساس بای‌پلات ژنوتیپ ایده‌آل فرضی، از نظر عملکرد ریشه ژنوتیپ‌های 15، 12 و 14 و از نظر عملکرد شکر سفید ژنوتیپ‌های 18، 15، 14، 10 و 12 با توجه به اینکه کم‌ترین فاصله را با ژنوتیپ ایده‌آل فرضی داشتند، به‌عنوان بهترین ژنوتیپ‌ها معرفی شدند. با استفاده از شاخص پایداری چندمتغیره و اعمال فشار گزینشی 20 درصد، ژنوتیپ 16 به‌عنوان رتبه اول و ژنوتیپ‌های 10، 9 و 6 به‌عنوان رتبه‌های بعدی پایدارترین ژنوتیپ‌ها انتخاب شدند. مقایسه ارزش صفات در ژنوتیپ‌های منتخب نشان داد که ارزش صفات عملکرد ریشه و درصد قند ناخالص افزایش یافته و ارزش پتاسیم، نیتروژن آمینه و سدیم کاهش یافته است و در مجموع، ژنوتیپ‌های انتخابی باعث بهبود و پیشرفت در تمامی صفات مورد مطالعه شده‌اند. از طرفی تمامی صفات در ژنوتیپ‌های منتخب از وراثت‌پذیری بالایی برخوردار بودند.
نتیجه‌گیری: نتایج به‌دست‌آمده نشان داد که برهمکنش‌های محیطی و ژنتیکی می‌توانند عملکرد ژنوتیپ‌ها را در شرایط مختلف تحت تأثیر قرار دهد و باعث ایجاد اختلافات معنی‌دار در عملکرد آن‌ها شود. در مجموع، ژنوتیپ‌های 18، 15، 14 و 10 به‌عنوان پایدارترین ژنوتیپ‌ها انتخاب شدند.
فهرست منابع
1. Annicchiarico, P. (2002). Genotype x environment interactions: challenges and opportunities for plant breeding and cultivar recommendations. Food & Agriculture Org.
2. Baker, R. (1988). Tests for crossover genotype-environmental interactions. Canadian Journal of plant Science, 68(2), 405-410. [DOI:10.4141/cjps88-051]
3. Bartlett, M. S. (1937). Properties of sufficiency and statistical tests. Proceedings of the Royal Society of London. Series A-Mathematical and Physical Sciences, 160(901), 268-282. [DOI:10.1098/rspa.1937.0109]
4. Ceccarelli, S. (1996). Positive interpretation of genotype by environment interactions in relation to sustainability and biodiversity. Plant Adaptation and Crop Improvement., 467-486.
5. Cook, D., & Scott, R. (1993). The sugar beet crop: science into practice. Champan and Hall Press. [DOI:10.1007/978-94-009-0373-9]
6. Ćurčić, Ž., Danojević, D., Mitrović, B., Ćirić, M., Taški-Ajduković, K., & Nagl, N. (2017). GGE biplot analysis of sugar beet multi-environment trials. Ratarstvo in Povrtarstvo, 54(2), 61-67. [DOI:10.5937/ratpov54-13241]
7. Dang, X., Hu, X., Ma, Y., Li, Y., Kan, W., & Dong, X. (2024). AMMI and GGE biplot analysis for genotype× environment interactions affecting the yield and quality characteristics of sugar beet. PeerJ, 12, e16882. [DOI:10.7717/peerj.16882]
8. De Vita, P., Mastrangelo, A., Matteu, L., Mazzucotelli, E., Virzi, N., Palumbo, M., Storto, M. L., Rizza, F., & Cattivelli, L. (2010). Genetic improvement effects on yield stability in durum wheat genotypes grown in Italy. Field Crops Research, 119(1), 68-77. [DOI:10.1016/j.fcr.2010.06.016]
9. FAO. (2023). The State of Food Security and Nutrition in the World. Building Climate Resilience for Food Security and Nutrition. The State of the World.
10. Farshadfar, E., Mohammadi, R., Aghaee, M., & Vaisi, Z. (2012). GGE biplot analysis of genotype x environment interaction in wheat-barley disomic addition lines. Australian Journal of Crop Science, 6(6), 1074-1079.
11. Gabriel, K. R. (1971). The biplot graphic display of matrices with application to principal component analysis. Biometrika, 58(3), 453-467. [DOI:10.1093/biomet/58.3.453]
12. Gauch, H. G., & Zobel, R. W. (1997). Identifying mega‐environments and targeting genotypes. Crop Science, 37(2), 311-326. [DOI:10.2135/cropsci1997.0011183X003700020002x]
13. Hassani, M., Hamze, H., & Mansouri, H. (2021). Evaluation of adaptability and stability of root yield and white sugar yield (Beta vulgaris L.) in sugar beet genotypes using multivariate AMMI and GGE biplot method. Journal of Crop Breeding, 13(37), 222-235. [In Persian] [DOI:10.52547/jcb.13.37.222]
14. Hassani, M., Heidari, B., Dadkhodaie, A., & Stevanato, P. (2018). Genotype by environment interaction components underlying variations in root, sugar and white sugar yield in sugar beet (Beta vulgaris L.). Euphytica, 214(4), 1-21. [DOI:10.1007/s10681-018-2160-0]
15. Hassani, M., Mahmoudi, S. B., Saremirad, A., & Taleghani, D. (2024). Genotype by environment and genotype by yield*trait interactions in sugar beet: analyzing yield stability and determining key traits association. Scientific Reports, 13(1), 23111. [DOI:10.1038/s41598-023-51061-9]
16. Jaggard, K., Koch, H., Sanz, J. A., Cattanach, A., Duval, R., Eigner, H., Legrand, G., Olsson, R., Qi, A., & Thomsen, J. (2012). The yield gap in some sugar beet producing countries. International Sugar Journal, 114(1363), 496-499.
17. Kang, M. (2004). Breeding: genotype by environment interaction. In 'Encyclopedia of plant and crop science'.(Ed. RM Goodman). Marcel Dekker: New York. [DOI:10.1081/E-EPCS-120010525]
18. Kang, M. S. (1997). Using genotype-by-environment interaction for crop cultivar development. Advances in Agronomy, 62(1), 199-252. [DOI:10.1016/S0065-2113(08)60569-6]
19. Kaya, Y., Akçura, M., & Taner, S. (2006). GGE-biplot analysis of multi-environment yield trials in bread wheat. Turkish Journal of Agriculture and Forestry, 30(5), 325-337.
20. Kempton, R. (1984). The use of biplots in interpreting variety by environment interactions. The Journal of Agricultural Science, 103(1), 123-135. [DOI:10.1017/S0021859600043392]
21. Kunz, M., Martin, D., & Puke, H. (2002). Precision of beet analyses in Germany explained for polarization. Zuckerindustrie, 127(1), 13-21.
22. Monteiro, F., Frese, L., Castro, S., Duarte, M. C., Paulo, O. S., Loureiro, J., & Romeiras, M. M. (2018). Genetic and genomic tools to asssist sugar beet improvement: the value of the crop wild relatives. Frontiers in Plant Science, 9, 74-85. [DOI:10.3389/fpls.2018.00074]
23. Moore, K. J., & Dixon, P. M. (2015). Analysis of combined experiments revisited. Agronomy Journal, 107(2), 763-771. [DOI:10.2134/agronj13.0485]
24. Mostafavi, K., Orazizadeh, M., Rajabi, A., & Ilkaei, M. N. (2018). Stability and adaptability analysis in sugar beet varieties for sugar content using GGE-biplot and AMMI methods. Bulgarian Journal of Agricultural Science, 24(1), 40-45.
25. Mostafavi, K., & Saremirad, A. (2021a). Genotype-environment interaction study in corn genotypes using additive main effects and multiplicative interaction method and GGE-biplot method. Journal of Crop Production, 14(3), 1-12. [DOI:https://doi.org/10.22069/ejcp.2022.17527.2293]
26. Mostafavi, K., & Saremirad, A. (2021b). Genotype - Environment Interaction Study in Corn Genotypes Using additive main effects and multiplicative interaction method and GGE- biplot Method. Journal of Crop Production, 14(3), 1-12. [DOI:10.22069/ejcp.2022.17527.2293]
27. Olivoto, T., Lúcio, A. D. C., da Silva, J. A. G., Sari, B. G., & Diel, M. I. (2019). Mean Performance and Stability in Multi-Environment Trials II: Selection Based on Multiple Traits. Agronomy Journal, 111(6), 2961-2969.
https://doi.org/10.2134/agronj2019.03.0221 [DOI:https://doi.org/10.2134/agronj2019.03.0221]
28. Rajabi, A., Ahmadi, M., Bazrafshan, M., Hassani, M., & Saremirad, A. (2022). Evaluation of resistance and determination of stability of different sugar beet (Beta vulgaris L.) genotypes in rhizomania-infected conditions. Food Science & Nutrition, 11(3), 1403-1414.
https://doi.org/10.1002/fsn3.3180 [DOI:https://doi.org/10.1002/fsn3.3180]
29. Ranji, Z., Mesbah, M., Amiri, R., & Vahedi, S. (2005). Study on the efficiency of AMMI method and pattern analysis for determination of stability in sugar beet varieties. Iranian Journal of Crop Science, 7(1), 1-20.
30. Reinfeld, E., Emmerich, G., Baumgarten, C., Winner, & Beiss, U. (1974). Zur Voraussage des Melassez zuckersaus Ruben analysen Zucker. Chapman & Hall, World Crop Series.
31. Ribeiro, I. C., Pinheiro, C., Ribeiro, C. M., Veloso, M. M., Simoes-Costa, M. C., Evaristo, I., Paulo, O. S., & Ricardo, C. P. (2016). Genetic diversity and physiological performance of Portuguese wild beet (Beta vulgaris spp. maritima) from three contrasting habitats. Frontiers in Plant Science, 7(1), 1293. [DOI:10.3389/fpls.2016.01293]
32. Sabaghnia, N., Dehghani, H., Alizadeh, B., & Mohghaddam, M. (2010). Genetic analysis of oil yield, seed yield, and yield components in rapeseed using additive main effects and multiplicative interaction biplots. Agronomy Journal, 102(5), 1361-1368. [DOI:10.2134/agronj2010.0084]
33. Sadeghzadeh Hemayati, S., Saremirad, A., Hosseinpour, M., Jalilian, A., Ahmadi, M., Azizi, H., Hamidi, H., Hamdi, F., & Matloubi Aghdam, F. (2022). Evaluation of White Sugar Yield Stability of Some Commercially Released Sugar Beet Cultivars in Iran from 2011-2020. Seed and Plant Journal, 38(3), 339-364. [DOI:10.22092/spj.2023.362024.1305]
34. Saremirad, A., & Mostafavi, K. (2021). Using AMMI and Biplot Graphical Analysis Multivariate Methods to Evaluate the Effect of Genotype-Environment Interaction in Cotton Genotypes. Iranian Journal of Cotton Researches, 8(2), 127-144. [DOI:10.22092/ijcr.2021.353002.1163]
35. Saremirad, A., Mostafavi, K., & Mohammadi, A. (2020). Genotype- Environment Interaction Study Base GGE biplot Method for Kernel Yield in Sunflower (Helianthus annuus L.) Cultivars. Journal of Crop Breeding, 12(34), 43-53. http://jcb.sanru.ac.ir/article-1-1006-fa.html [In Persian] [DOI:10.29252/jcb.12.34.43]
36. Saremirad, A., & Taleghani, D. (2022). Utilization of univariate parametric and non-parametric methods in the stability analysis of sugar yield in sugar beet (Beta vulgaris L.) hybrids. Journal of Crop Breeding, 14(43), 49-63. [In Persian] [DOI:10.52547/jcb.14.43.49]
37. Sharifi, P., Abbasian, A., & Mohaddesi, A. (2021). Evaluation the Mean Performance and Stability of Rice Genotypes by Combining Features of AMMI and BLUP Techniques and Selection Based on Multiple Traits. Plant Genetic Researches, 7(2), 163-180. [DOI:10.52547/pgr.7.2.13]
38. Signor, C. E. L., Dousse, S., Lorgeou, J., Denis, J. B., Bonhomme, R., Carolo, P., & Charcosset, A. (2001). Interpretation of genotype× environment interactions for early maize hybrids over 12 years. Crop Science, 41(3), 663-669. [DOI:10.2135/cropsci2001.413663x]
39. Simmonds, N. (1991). Selection for local adaptation in a plant breeding programme. Theoretical and Applied Genetics, 82(3), 363-367. [DOI:10.1007/BF02190624]
40. Taleghani, D., Rajabi, A., Saremirad, A., & Darabi, S. (2024). Estimation of gene action and genetic parameters of some quantitative and qualitative characteristics of sugar beet (Beta Vulgaris L.) by line × tester analysis. Crop Breeding, 15(48), 201-212. [DOI:10.61186/jcb.15.48.201]
41. Taleghani, D., Rajabi, A., Saremirad, A., & Fasahat, P. (2023a). Stability analysis and selection of sugar beet (Beta vulgaris L.) genotypes using AMMI, BLUP, GGE biplot and MTSI. Scientific Reports, 13(1), 10019. [DOI:10.1038/s41598-023-37217-7]
42. Taleghani, D., Rajabi, A., Saremirad, A., & khodadadi, s. (2023b). Genotype- environment interaction analysis and selection of sugar beet stable genotypes in terms of white sugar yield using AMMI model. Plant Productions, 46(2), 155-169. [DOI:10.22055/ppd.2023.43177.2089]
43. Taleghani, D., & Saremirad, A. (2023). Evaluation of the sugar beet (Beta vulgaris L.) half-sib lines response to drought stress. Crop Science Research in Arid Regions, 5(1), 81-104.
44. Taleghani, D., Saremirad, A., Hosseinpour, M., Ahmadi, M., Hamidi, H., & Nemati, R. (2022). Genotype × Environment Interaction Effect on White Sugar Yield of Winter-Sown Short-Season Sugar Beet (Beta vulgaris L.) Cultivars. Seed and Plant Journal, 38(1), 53-69. [DOI:10.22092/spj.2022.360021.1275]
45. Tardieu, F. (2013). Plant response to environmental conditions: assessing potential production, water demand, and negative effects of water deficit. Frontiers in Physiology, 4(17), 1-11. [DOI:10.3389/fphys.2013.00017]
46. Trimpler, K., Stockfisch, N., & Märländer, B. (2017). Efficiency in sugar beet cultivation related to field history. European Journal of Agronomy, 91, 1-9. [DOI:10.1016/j.eja.2017.08.007]
47. Yan, W., Hunt, L. A., Sheng, Q., & Szlavnics, Z. (2000). Cultivar evaluation and mega‐environment investigation based on the GGE biplot. Crop Science, 40(3), 597-605. [DOI:10.2135/cropsci2000.403597x]
48. Yan, W., & Kang, M. S. (2002). GGE biplot analysis: A graphical tool for breeders, geneticists, and agronomists. CRC press. [DOI:10.1201/9781420040371]
49. Yan, W., Kang, M. S., Ma, B., Woods, S., & Cornelius, P. L. (2007). GGE biplot vs. AMMI analysis of genotype‐by‐environment data. Crop Science, 47(2), 643-653. [DOI:10.2135/cropsci2006.06.0374]
50. Yan, W., & Tinker, N. A. (2005). An integrated biplot analysis system for displaying, interpreting, and exploring genotype× environment interaction. Crop Science, 45(3), 1004-1016. [DOI:10.2135/cropsci2004.0076]
51. Yang, R. C., Crossa, J., Cornelius, P. L., & Burgueño, J. (2009). Biplot analysis of genotype× environment interaction: Proceed with caution. Crop Science, 49(5), 1564-1576. [DOI:10.2135/cropsci2008.11.0665]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
