دوره 16، شماره 4 - ( زمستان 1403 )
جلد 16 شماره 4 صفحات 76-64 |
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:
Hassani M, Saremirad A, Mansouri H. (2024). Selection of Superior Sugar Beet Genotypes using the Analysis of Quantitative and Qualitative Traits. J Crop Breed. 16(4), 64-76. doi:10.61186/jcb.16.4.64
URL: http://jcb.sanru.ac.ir/article-1-1548-fa.html
URL: http://jcb.sanru.ac.ir/article-1-1548-fa.html
حسنی مهدی، صارمی راد علی، منصوری حامد. گزینش ژنوتیپ‌های برتر چغندرقند با استفاده از تجزیه و تحلیل صفات کمی و کیفی پژوهشنامه اصلاح گیاهان زراعی 1403; 16 (4) :76-64 10.61186/jcb.16.4.64
مهدی حسنی*1 
، علی صارمی راد1، حامد منصوری2
، علی صارمی راد1، حامد منصوری2
1- مؤسسه تحقیقات اصلاح و تهیه بذر چغندرقند، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
2- بخش تحقیقات چغندرقند، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان همدان، سازمان تحقیقات، آموزش وترویج کشاورزی، همدان، ایران
2- بخش تحقیقات چغندرقند، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان همدان، سازمان تحقیقات، آموزش وترویج کشاورزی، همدان، ایران
چکیده: (745 مشاهده)
چکیده مبسوط
مقدمه و هدف: چغندرقند نقش مهمی در کشاورزی جهانی به‌عنوان یک محصول حیاتی برای تولید شکر ایفا می‌کند و به‌طور قابل توجهی به صنعت شیرین‌کننده‌ها کمک می‌کند. بدیهی است که بهبود صفاتی که تأثیر عمیقی بر رشد و عملکرد چغندرقند دارند، برای برآوردن تقاضای شکر در آینده از اهمیت بالایی برخوردار است. در این ارتباط، اصلاح چغندرقند با اهداف مختلف اعم از ارتقای عملکرد، کیفیت و مقاومت این محصول مهم، همواره یکی از عرصه‌های حیاتی تحقیق و توسعه بوده است و تاکنون، اصلاح‌کنندگان با موفقیت ارقام چغندرقند با عملکرد کمی و کیفی بالا و مقاومت در برابر بیماری‌ها ایجاد کرده‌اند. این پیشرفت‌ها از طریق انتخاب دقیق و تلاقی لاین‌های مختلف چغندرقند بهدست آمده است. در این راستا، در مطالعه حاضر به ارزیابی ژنوتیپ‌های چغندرقند از نظر صفات مختلف مرتبط با عملکرد کمی و کیفی جهت شناسایی و به‌کارگیری ژنوتیپ‌های برتر در برنامه‌های اصلاحی آتی پرداخته شد.
مواد و روش‌ها: برای این مطالعه، از 49 ژنوتیپ چغندرقند، شامل 44 هیبرید جدید و پنج شاهد که از سه رقم داخلی و دو رقم خارجی تشکیل شده‌اند، استفاده شد. این هیبریدهای جدید از تلاقی بین 22 لاین خالص گرده‌افشان چغندرقند به‌عنوان والد پدری و دو سینگل کراس نرعقیم منوژرم تجاری به‌عنوان والد مادری در سال 1399 در مؤسسه تحقیقات اصلاح و تهیه بذر چغندرقند شدند. ارزیابی‌های فنوتیپی ژنوتیپ‌های آزمایشی طی سال زراعی 1400 در ایستگاه تحقیقات کشاورزی همدان در قالب طرح مقایسه عملکرد مقدماتی (آگمنت) بر روی ردیف‌هایی بهطول هشت متر با فاصله بین ردیف 50 سانتی‌متر در پنج بلوک ناقص کشت شدند. پس از حصول داده‌های آزمایشی، ابتدا با استفاده از نرم‌افزار R تجزیه واریانس انجام شد؛ سپس با توجه به اجرای طرح آگمنت و نتایج تجزیه واریانس برای صفات مختلف مورد مطالعه، مقدار هر صفت در هیبریدهای مورد مطالعه تصحیح گردید و در نهایت از میانگین‌های تصحیح‌شده صفات برای انجام سایر تجزیه‌وتحلیل‌های آماری استفاده شد.
یافته‌ها: نتایج تجزیه واریانس صفات شامل عملکرد شکر سفید، عملکرد ریشه، درصد قند ناخالص، سدیم، پتاسیم و نیتروژن آمینه نشان داد که اثر بلوک تصحیح‌شده برای تمامی صفات مورد مطالعه غیر معنی‌دار است. غیر معنی‌داری اثر بلوک تصحیح‌شده برای صفات نشان می‌دهد که بلوک‌های ناقص از نظر شرایط قابل کنترل و یا غیرقابل کنترل محیطی همگن می‌باشند. اثر تیمار تصحیح‌شده برای کلیه صفات مورد بررسی به‌جز عملکرد ریشه و محتوی پتاسیم ریشه در سطح احتمال یک درصد معنی‌دار شد. با تفکیک اثر تیمار به اثرات هیبرید و شاهد ملاحظه شد که اثر هیبرید تنها برای صفت درصد قند ناخالص و اثر شاهد برای کلیه صفات مورد بررسی معنی‌دار می‌باشند. بررسی اثر هیبرید در برابر شاهد نشان داد که میان هیبریدهای آزمایشی با شاهدهای به‌کاررفته در آزمایش تنها از نظر محتوای سدیم و نیتروژن آمینه تفاوت قابل ملاحظه‌ای در سطح احتمال یک درصد وجود دارد و از لحاظ سایر صفات بین آن‌های تفاوتی وجود ندارد. بر اساس نتایج مقایسه میانگین، دو شاهد 8K801 و BTS 1885 بههمراه ژنوتیپ‌های 33، 12 و 24 بهترتیب با میانگین عملکرد شکر سفید 10/52، 10/04، 9/93، 9/82 و 9/15 تن در هکتار دارای عملکرد بسیار خوبی بودند. هیبریدهای مذکور در مقایسه با شاهدهای داخلی حسنا، کیمیا و شکوفا نیز از عملکرد شکر سفید بالایی برخوردار بودند. این موضوع حاکی از برتری هیبریدها در قیاس با شاهدها می‌باشد. ژنوتیپ 42 نامطلوب‌ترین وضعیت را از نظر عملکرد شکر سفید داشت و آخرین رتبه را از آن خود کرد. ضریب تنوع فنوتیپی در بازه بین 4/99 درصد برای درصد قند ناخالص تا 22/53 درصد برای محتوی سدیم ریشه و ضریب تنوع ژنتیکی نیز بین 1/96 درصد برای محتوی پتاسیم تا 14/23 درصد برای محتوی سدیم ریشه بهدست آمد. سه صفت نیتروژن آمینه، میزان سدیم و عملکرد ریشه از پیشرفت ژنتیکی متوسط و پتاسیم، درصد قند ناخالص و عملکرد شکر سفید از پیشرفت ژنتیکی پایین برخوردار بودند. وراثت‌پذیری بالا همراه با پیشرفت ژنتیکی مطلوب برای صفت نیتروژن آمینه مشاهده گردید که نشان‌دهنده اثرات افزایشی ژن‌ها است. بر اساس نتایج شاخص SIIG، ژنوتیپ 12 در مقایسه با سایر ژنوتیپ‌ها کم‌ترین فاصله را از ژنوتیپ ایده‌آل و بیشترین فاصله را از ژنوتیپ غیر ایده‌آل داشت، لذا برهمین اساس این ژنوتیپ با بیشترین مقدار SIIG (0/82) برترین ژنوتیپ معرفی شد. پس از ژنوتیپ نامبرده، رقم شاهد 8K801 و ژنوتیپ‌های 35 و 33 بهترتیب با داشتن مقدار SIIG برابر با 0/72، 0/71 و 0/71 در رتبه‌های بعدی قرار داشتند و جز ژنوتیپ‌های مناسب شناخته شدند.
نتیجه‌گیری: به‌طور کلی نتایج نشان داد که بین هیبریدهای آزمایشی تنوع ژنتیکی قابل ملاحظه‌ای از نظر اکثریت صفات حاکم است که مؤید تغییرات ژنتیکی گسترده در هیبریدهای اصلاحی است و پایه پدری این تنوع غنی را در ژرم‌پلاسم مورد مطالعه فراهم کرده است؛ بهطوریکه هیبریدهای آزمایشی به گروه مختلف از نظر کلیه صفات منتسب شدند. در مجموع نتایج حاکی از برتری سه ژنوتیپ 12، 35 و 33 در مقایسه با سایر ژنوتیپ‌های آزمایشی بودند.
مقدمه و هدف: چغندرقند نقش مهمی در کشاورزی جهانی به‌عنوان یک محصول حیاتی برای تولید شکر ایفا می‌کند و به‌طور قابل توجهی به صنعت شیرین‌کننده‌ها کمک می‌کند. بدیهی است که بهبود صفاتی که تأثیر عمیقی بر رشد و عملکرد چغندرقند دارند، برای برآوردن تقاضای شکر در آینده از اهمیت بالایی برخوردار است. در این ارتباط، اصلاح چغندرقند با اهداف مختلف اعم از ارتقای عملکرد، کیفیت و مقاومت این محصول مهم، همواره یکی از عرصه‌های حیاتی تحقیق و توسعه بوده است و تاکنون، اصلاح‌کنندگان با موفقیت ارقام چغندرقند با عملکرد کمی و کیفی بالا و مقاومت در برابر بیماری‌ها ایجاد کرده‌اند. این پیشرفت‌ها از طریق انتخاب دقیق و تلاقی لاین‌های مختلف چغندرقند بهدست آمده است. در این راستا، در مطالعه حاضر به ارزیابی ژنوتیپ‌های چغندرقند از نظر صفات مختلف مرتبط با عملکرد کمی و کیفی جهت شناسایی و به‌کارگیری ژنوتیپ‌های برتر در برنامه‌های اصلاحی آتی پرداخته شد.
مواد و روش‌ها: برای این مطالعه، از 49 ژنوتیپ چغندرقند، شامل 44 هیبرید جدید و پنج شاهد که از سه رقم داخلی و دو رقم خارجی تشکیل شده‌اند، استفاده شد. این هیبریدهای جدید از تلاقی بین 22 لاین خالص گرده‌افشان چغندرقند به‌عنوان والد پدری و دو سینگل کراس نرعقیم منوژرم تجاری به‌عنوان والد مادری در سال 1399 در مؤسسه تحقیقات اصلاح و تهیه بذر چغندرقند شدند. ارزیابی‌های فنوتیپی ژنوتیپ‌های آزمایشی طی سال زراعی 1400 در ایستگاه تحقیقات کشاورزی همدان در قالب طرح مقایسه عملکرد مقدماتی (آگمنت) بر روی ردیف‌هایی بهطول هشت متر با فاصله بین ردیف 50 سانتی‌متر در پنج بلوک ناقص کشت شدند. پس از حصول داده‌های آزمایشی، ابتدا با استفاده از نرم‌افزار R تجزیه واریانس انجام شد؛ سپس با توجه به اجرای طرح آگمنت و نتایج تجزیه واریانس برای صفات مختلف مورد مطالعه، مقدار هر صفت در هیبریدهای مورد مطالعه تصحیح گردید و در نهایت از میانگین‌های تصحیح‌شده صفات برای انجام سایر تجزیه‌وتحلیل‌های آماری استفاده شد.
یافته‌ها: نتایج تجزیه واریانس صفات شامل عملکرد شکر سفید، عملکرد ریشه، درصد قند ناخالص، سدیم، پتاسیم و نیتروژن آمینه نشان داد که اثر بلوک تصحیح‌شده برای تمامی صفات مورد مطالعه غیر معنی‌دار است. غیر معنی‌داری اثر بلوک تصحیح‌شده برای صفات نشان می‌دهد که بلوک‌های ناقص از نظر شرایط قابل کنترل و یا غیرقابل کنترل محیطی همگن می‌باشند. اثر تیمار تصحیح‌شده برای کلیه صفات مورد بررسی به‌جز عملکرد ریشه و محتوی پتاسیم ریشه در سطح احتمال یک درصد معنی‌دار شد. با تفکیک اثر تیمار به اثرات هیبرید و شاهد ملاحظه شد که اثر هیبرید تنها برای صفت درصد قند ناخالص و اثر شاهد برای کلیه صفات مورد بررسی معنی‌دار می‌باشند. بررسی اثر هیبرید در برابر شاهد نشان داد که میان هیبریدهای آزمایشی با شاهدهای به‌کاررفته در آزمایش تنها از نظر محتوای سدیم و نیتروژن آمینه تفاوت قابل ملاحظه‌ای در سطح احتمال یک درصد وجود دارد و از لحاظ سایر صفات بین آن‌های تفاوتی وجود ندارد. بر اساس نتایج مقایسه میانگین، دو شاهد 8K801 و BTS 1885 بههمراه ژنوتیپ‌های 33، 12 و 24 بهترتیب با میانگین عملکرد شکر سفید 10/52، 10/04، 9/93، 9/82 و 9/15 تن در هکتار دارای عملکرد بسیار خوبی بودند. هیبریدهای مذکور در مقایسه با شاهدهای داخلی حسنا، کیمیا و شکوفا نیز از عملکرد شکر سفید بالایی برخوردار بودند. این موضوع حاکی از برتری هیبریدها در قیاس با شاهدها می‌باشد. ژنوتیپ 42 نامطلوب‌ترین وضعیت را از نظر عملکرد شکر سفید داشت و آخرین رتبه را از آن خود کرد. ضریب تنوع فنوتیپی در بازه بین 4/99 درصد برای درصد قند ناخالص تا 22/53 درصد برای محتوی سدیم ریشه و ضریب تنوع ژنتیکی نیز بین 1/96 درصد برای محتوی پتاسیم تا 14/23 درصد برای محتوی سدیم ریشه بهدست آمد. سه صفت نیتروژن آمینه، میزان سدیم و عملکرد ریشه از پیشرفت ژنتیکی متوسط و پتاسیم، درصد قند ناخالص و عملکرد شکر سفید از پیشرفت ژنتیکی پایین برخوردار بودند. وراثت‌پذیری بالا همراه با پیشرفت ژنتیکی مطلوب برای صفت نیتروژن آمینه مشاهده گردید که نشان‌دهنده اثرات افزایشی ژن‌ها است. بر اساس نتایج شاخص SIIG، ژنوتیپ 12 در مقایسه با سایر ژنوتیپ‌ها کم‌ترین فاصله را از ژنوتیپ ایده‌آل و بیشترین فاصله را از ژنوتیپ غیر ایده‌آل داشت، لذا برهمین اساس این ژنوتیپ با بیشترین مقدار SIIG (0/82) برترین ژنوتیپ معرفی شد. پس از ژنوتیپ نامبرده، رقم شاهد 8K801 و ژنوتیپ‌های 35 و 33 بهترتیب با داشتن مقدار SIIG برابر با 0/72، 0/71 و 0/71 در رتبه‌های بعدی قرار داشتند و جز ژنوتیپ‌های مناسب شناخته شدند.
نتیجه‌گیری: به‌طور کلی نتایج نشان داد که بین هیبریدهای آزمایشی تنوع ژنتیکی قابل ملاحظه‌ای از نظر اکثریت صفات حاکم است که مؤید تغییرات ژنتیکی گسترده در هیبریدهای اصلاحی است و پایه پدری این تنوع غنی را در ژرم‌پلاسم مورد مطالعه فراهم کرده است؛ بهطوریکه هیبریدهای آزمایشی به گروه مختلف از نظر کلیه صفات منتسب شدند. در مجموع نتایج حاکی از برتری سه ژنوتیپ 12، 35 و 33 در مقایسه با سایر ژنوتیپ‌های آزمایشی بودند.
فهرست منابع
1. Abdollahi Hesar, A., Sofalian, O., Alizadeh, B., Asghari, A., & Zali, H. (2021). Investigation of Frost Stress Tolerance in Some Promising Rapeseed Genotypes. Journal of Agricultural Science and Sustainable Production, 31(2), 271-288.
2. Akyüz, A., & Ersus, S. (2021). Optimization of enzyme assisted extraction of protein from the sugar beet (Beta vulgaris L.) leaves for alternative plant protein concentrate production. Food Chemistry, 335, 127673. [DOI:10.1016/j.foodchem.2020.127673]
3. Aljabri, M., Alharbi, S., Al-Qthanin, R. N., Ismaeil, F. M., Chen, J., & Abou-Elwafa, S. F. (2021). Recycling of beet sugar byproducts and wastes enhances sugar beet productivity and salt redistribution in saline soils. Environmental Science and Pollution Research, 28(33), 45745-45755. [DOI:10.1007/s11356-021-13860-3]
4. Allard, R. (1960). Principles of Plant Breeding. Publishers by John Wiley and Sons. Inc. New York, 485.
5. Amiri, R., Pezeshkpour, P., & Karami, I. (2021). Identification of Lentil Desirable Genotypes Using Multivariate Statistical Methods and Selection Index of Ideal Genotype under Rainfed Conditions Journal of Crop Breeding, 13(39), 140-151. http://jcb.sanru.ac.ir/article-1-1250-en.html [In Persian] [DOI:10.52547/jcb.13.39.140]
6. Anonymous. (1999). Agribusiness Handbooks, Sugar Beets/ White Sugar (Vol. 4).
7. Asseng, S., Guarin, J. R., Raman, M., Monje, O., Kiss, G., Despommier, D. D., Meggers, F. M., & Gauthier, P. P. (2020). Wheat yield potential in controlled-environment vertical farms. Proceedings of the National Academy of Sciences, 117(32), 19131-19135. [DOI:10.1073/pnas.2002655117]
8. Burton, G. W., & Devane, d. E. (1953). Estimating heritability in tall fescue (Festuca arundinacea) from replicated clonal material 1. Agronomy Journal, 45(10), 478-481. [DOI:10.2134/agronj1953.00021962004500100005x]
9. Bustos, D. V., Hasan, A. K., Reynolds, M. P., & Calderini, D. F. (2013). Combining high grain number and weight through a DH-population to improve grain yield potential of wheat in high-yielding environments. Field Crops Research, 145, 106-115. [DOI:10.1016/j.fcr.2013.01.015]
10. Comstock, R., & Robinson, H. (1952). Genetic parameters, their estimation and significance. Proceedings of the 6th international Grassland congress.
11. Cook, D., & Scott, R. (1993). The sugar beet crop: science into practice. Champan and Hall Press. [DOI:10.1007/978-94-009-0373-9]
12. Dohm, J. C., Minoche, A. E., Holtgräwe, D., Capella-Gutiérrez, S., Zakrzewski, F., Tafer, H., Rupp, O., Sörensen, T. R., Stracke, R., Reinhardt, R., Goesmann, A., Kraft, T., Schulz, B., Stadler, P. F., Schmidt, T., Gabaldón, T., Lehrach, H., Weisshaar, B., & Himmelbauer, H. (2014). The genome of the recently domesticated crop plant sugar beet (Beta vulgaris). Nature, 505(7484), 546-549. [DOI:10.1038/nature12817]
13. Evans, L., & Fischer, R. (1999). Yield potential: its definition, measurement, and significance. Crop Science, 39(6), 1544-1551. [DOI:10.2135/cropsci1999.3961544x]
14. Falconer, D. S. (1996). Introduction to quantitative genetics. Pearson Education India.
15. FAO. (2009). Global agriculture towards 2050. How to feed the world 2050: High-level expert forum.
16. FAO. (2021). Crops production and area harvested http://www.fao.org/faostat/en/#data/QCL
17. 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.
18. Ferber, D. (2001). Keeping the Stygian waters at bay. In: American Association for the Advancement of Science. [DOI:10.1126/science.291.5506.968]
19. Field, C. B., & Barros, V. R. (2014). Climate change 2014-Impacts, adaptation and vulnerability: Regional Aspects. Cambridge University Press.
20. Gippert, A. L., Madritsch, S., Woryna, P., Otte, S., Mayrhofer, M., Eigner, H., Garibay-Hernández, A., D'Auria, J. C., Molin, E. M., & Mock, H.-P. (2022). Unraveling metabolic patterns and molecular mechanisms underlying storability in sugar beet. BMC Plant Biology, 22(1), 430. [DOI:10.1186/s12870-022-03784-6]
21. 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]
22. Johnson, H. W., Robinson, H., & Comstock, R. (1955). Estimates of genetic and environmental variability in soybeans 1. Agronomy Journal, 47(7), 314-318. [DOI:10.2134/agronj1955.00021962004700070009x]
23. Lammens, T., Franssen, M., Scott, E., & Sanders, J. (2012). Availability of protein-derived amino acids as feedstock for the production of bio-based chemicals. Biomass and Bioenergy, 44, 168-181. [DOI:10.1016/j.biombioe.2012.04.021]
24. Makhlouf, B. S. I., Khalil, S. R. A. E., & Saudy, H. S. (2022). Efficacy of Humic Acids and Chitosan for Enhancing Yield and Sugar Quality of Sugar Beet Under Moderate and Severe Drought. Journal of Soil Science and Plant Nutrition, 22(2), 1676-1691. [DOI:10.1007/s42729-022-00762-7]
25. Martínez-Arias, R., Müller, B. U., & Schechert, A. (2017). Near-Infrared Determination of Total Soluble Nitrogen and Betaine in Sugar Beet. Sugar Tech, 19(5), 526-53. [DOI:10.1007/s12355-016-0496-0]
26. Monteiro, F., Frese, L., Castro, S., Duarte, M. C., Paulo, O. S., Loureiro, J., & Romeiras, M. M. (2018a). Genetic and genomic tools to asssist sugar beet improvement: the value of the crop wild relatives. Frontiers in Plant Science, 9, 74-89. [DOI:10.3389/fpls.2018.00074]
27. Monteiro, F., Frese, L., Castro, S., Duarte, M. C., Paulo, O. S., Loureiro, J., & Romeiras, M. M. (2018b). 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]
28. Muir, B. M. (2022). Sugar Beet Processing to Sugars. In Sugar Beet Cultivation, Management and Processing (pp. 837-862). Singapore: Springer Nature Singapore. [DOI:10.1007/978-981-19-2730-0_42]
29. Najafi Mirak, T., Dastfal, M., Andarzian, B., Farzadi, H., Bahari, M., & Zali, H. (2018). Evaluation of durum wheat cultivars and promising lines for yield and yield stability in warm and dry areas using AMMI model and GGE biplot. Journal of Crop Breeding, 10(28), 1-12. [In Persian] [DOI:10.29252/jcb.10.28.1]
30. Rajabi, A., Ahmadi, M., Bazrafshan, M., Hassani, M., & Saremirad, A. (2023). 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]
31. Ramzi, E., Asghari, A., Khomari, S., & Mohammaddoust e Chamanabad, H. (2018). Investigation of durum wheat (Triticum turgidum L. subsp. durum Desf) lines for tolerance to aluminum stress condition. Journal of Crop Breeding, 10(25), 63-72. [In Persian] [DOI:10.29252/jcb.10.25.63]
32. Reinfeld, E., Emmerich, G., Baumgarten, C., Winner, & Beiss, U. (1974). Zur Voraussage des Melassez zuckersaus Ruben analysen Zucker. Chapman & Hall, World Crop Series.
33. Reynolds, M., Atkin, O. K., Bennett, M., Cooper, M., Dodd, I. C., Foulkes, M. J., Frohberg, C., Hammer, G., Henderson, I. R., & Huang, B. (2021). Addressing research bottlenecks to crop productivity. Trends in Plant Science, 26(6), 607-630. [DOI:10.1016/j.tplants.2021.03.011]
34. Reynolds, M., Foulkes, J., Furbank, R., Griffiths, S., King, J., Murchie, E., Parry, M., & Slafer, G. (2012). Achieving yield gains in wheat. Plant, Cell & Environment, 35(10), 1799-1823. [DOI:10.1111/j.1365-3040.2012.02588.x]
35. 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]
36. 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]
37. Saremirad, A., Hamdi, F., & Taleghani, D. (2023). Evaluation of genetic diversity in sugar beet (Beta vulgaris L.) hybrids in terms of yield, qualitative and germination traits. Applied Field Crops Research, 35(3), 87-67. [DOI:10.22092/aj.2023.357194.1580]
38. 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]
39. Singh, A., & Chaudhary, R. (1996). Dithizone and thiosemicarbazide as inhibitors of corrosion of type 304 stainless steel in 1· 0M sulphuric acid solution. British Corrosion Journal, 31(4), 300-304. [DOI:10.1179/bcj.1996.31.4.300]
40. Smith, M. D., Oglend, A., Kirkpatrick, A. J., Asche, F., Bennear, L. S., Craig, J. K., & Nance, J. M. (2017). Seafood prices reveal impacts of a major ecological disturbance. Proceedings of the National Academy of Sciences, 114(7), 1512-1517. [DOI:10.1073/pnas.1617948114]
41. Taleghani, D., Hosseinpour, M., Nemati, R., & Saremirad, A. (2023a). Study of the possibility of winter sowing of sugar beet (Beta vulgaris L.) early cultivars in Moghan region, Iran [Scientific & Research]. Iranian Society of Crops and Plant Breeding Sciences, 24(4), 319-334. http://agrobreedjournal.ir/article-1-1269-fa.html
42. Taleghani, D., Rajabi, A., Hemayati, S. S., & Saremirad, A. (2022). Improvement and selection for drought-tolerant sugar beet (Beta vulgaris L.) pollinator lines. Results in Engineering, 13, 100367. [DOI:10.1016/j.rineng.2022.100367]
43. 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]
44. Taleghani, D., Rajabi, A., Saremirad, A., & Fasahat, P. (2023b). 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]
45. Taleghani, D., Rajabi, A., Saremirad, A., & khodadadi, s. (2023c). 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]
46. Tenorio, A. T., Schreuders, F., Zisopoulos, F., Boom, R., & Van der Goot, A. (2017). Processing concepts for the use of green leaves as raw materials for the food industry. Journal of Cleaner Production, 164, 736-748. [DOI:10.1016/j.jclepro.2017.06.248]
47. Tomaszewska, J., Bieliński, D., Binczarski, M., Berlowska, J., Dziugan, P., Piotrowski, J., Stanishevsky, A., & Witońska, I. (2018). Products of sugar beet processing as raw materials for chemicals and biodegradable polymers. RSC Advances, 8(6), 3161-3177. [DOI:10.1039/C7RA12782K]
48. United Nations. (2017). World Population Prospects: the 2017 Revision. United Nations. Department of International Economic. https://population.un.org/wpp/
49. Voss-Fels, K. P., Stahl, A., & Hickey, L. T. (2019). Q&A: Modern crop breeding for future food security. BMC Biology, 17(1), 1-7. [DOI:10.1186/s12915-019-0638-4]
50. Xie, X., Zhu, Q., Xu, Y., Ma, X., Ding, F., & Li, G. (2022). Potassium Determines Sugar Beets' Yield and Sugar Content under Drip Irrigation Condition. Sustainability, 14(19), 12520. [DOI:10.3390/su141912520]
51. Yaghutipoor, A., Farshadfar, E., & Saeedi, M. (2017). Investigation of bread wheat genotypes for drought tolerance using suitable combination method. Journal of Environmental Stresses in Crop Sciences, 10(1), 247-256.
52. 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-an International Journal, 7(2), 425-436.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
