دوره 16، شماره 4 - ( زمستان 1403 )
جلد 16 شماره 4 صفحات 88-77 |
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:
Masoudi B, Gholizadeh A, Majidian P, Hezarjaribi E, Razmi N, Shariati F. (2024). A Study on the Genotype × Environment Interaction in Promising Advanced Genotypes of Soybean using Graphical GGE-biplot Analysis. J Crop Breed. 16(4), 77-88. doi:10.61186/jcb.16.4.77
URL: http://jcb.sanru.ac.ir/article-1-1559-fa.html
URL: http://jcb.sanru.ac.ir/article-1-1559-fa.html
مسعودی بهرام، قلی‌زاده امیر، مجیدیان پرستو، هزارجریبی ابراهیم، رزمی نسرین، شریعتی فرناز. بررسی اثر متقابل ژنوتیپ × محیط در لاین‌های پیشرفته امیدبخش سویا با استفاده از تجزیه گرافیکی GGE-biplot پژوهشنامه اصلاح گیاهان زراعی 1403; 16 (4) :88-77 10.61186/jcb.16.4.77
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- بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان مازندران، سازمان تحقیقات، آموزش و ترویج کشاورزی، ساری، ایران
4- بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اردبیل، سازمان تحقیقات، آموزش و ترویج کشاورزی، مغان، 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- بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان مازندران، سازمان تحقیقات، آموزش و ترویج کشاورزی، ساری، ایران
4- بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اردبیل، سازمان تحقیقات، آموزش و ترویج کشاورزی، مغان، ایران
چکیده: (746 مشاهده)
چکیده مبسوط
مقدمه و هدف: دانه‌های روغنی از جمله مهم‌ترین منابع تأمین انرژی در سراسر جهان می‌باشند. سویا یک محصول مهم زراعی می‌باشد که روغن آن ارزش غذایی و اقتصادی بالایی دارد. سویا (L.Glycine max ) گیاهی یکساله و خودگشن، دیپلوئید، متعلق به تیره نخود Leguminosae می‌باشد و از مهم‌ترین گیاهان روغنی در جهان محسوب می‌شود که بسته به نوع ژنوتیپ و عوامل محیطی دارای 22-18 درصد روغن و 50-40 درصد پروتئین است. سویا قرن‌هاست که غذای مردم آسیا مخصوصاً چین بوده است و مردم چین آن را همراه با برنج به‌عنوان غذای اصلی خود مصرف می‌کنند. ایالات متحده آمریکا بزرگ‌ترین تولیدکننده سویا می‌باشد و تقریباً دوسوم محصول کل دنیا را تولید می‌کند. بهبود عملکرد دانه همیشه هدف اصلی در برنامه‌های اصلاحی سویا است. با بهره‌گیری از ارقام جدید و پربازده، می‌توان عملکرد اقتصادی سویا را افزایش داد. ارزیابی ژنوتیپ‌های پیشرفته امیدبخش سویا در شرایط محیطی مختلف، در شناسایی و انتخاب لاین‌های برتر با پتانسل عملکرد بالا و پایدار ضروری می‌باشد. ارزیابی اثر متقابل ژنوتیپ × محیط مطالعات ارزشمندی در رابطه با عملکرد ارقام گیاهی در محیط‌های مختلف فراهم کرده و نقش مهمی در بررسی پایداری عملکرد ارقام اصلاح شده دارد. اثرات متقابل ژنوتیپ × محیط از عوامل مهم محدود کننده در معرفی ارقام جدید محسوب می‌شود. اثر متقابل ژنوتیپ × محیط مسئله‌ای مهم در مطالعه صفات کمی می‌باشد زیرا پایداری عملکرد در محیط‌های مختلف را کاهش می‌دهد و همچنین تفسیر آزمایش‌های ژنتیکی را دشوار و پیش‌بینی‌ها را با مشکل مواجه می‌سازد. لذا شناخت نوع و ماهیت اثر متقابل و دستیابی به ارقامی که کمترین واکنش را نسبت بـه اثرات متقابل نشان دهند از اهمیت ویژهای برخوردار است. روش‌های مختلفی برای ارزیابی اثرات متقابل معرفی شده است که هریک ماهیت اثر متقابل را از دیدگاه مشخصی بررسی می‌کنند. در این میان روش گرافیکی GGE-biplot روشی با کارایی مناسب برای بررسی اثر متقابل ژنوتیپ × محیط بوده و اطلاعات خوبی در مورد ژنوتیپ‌ها و محیط‌های مورد مطالعه بهصورت گرافیکی در اختیار قرار می‌دهد. هدف از اجرای این مطالعه، بررسی اثر متقابل ژنوتیپ × محیط با استفاده از روش گرافیکی GGE-biplot بهمنظور ارزیابی ژنوتیپ‌ها، محیطها، روابط ژنوتیپ‌ها و محیطها و در نهایت شناسایی ژنوتیپ‌های پایدار با عملکرد دانه بالا تحت شرایط محیطی مختلف در سویا بود.
مواد و روش‌ها: تعداد 27 لاین جدید سویا بههمراه ارقام صبا و امیر تحت شرایط محیطی مختلف در چهار ایستگاه تحقیقاتی (کرج، گرگان، ساری و مغان) در قالب طرح بلوک‌های کامل تصادفی با سه تکرار در سال زراعی 1401 مورد ارزیابی قرار گرفتند. هر کرت آزمایشی شامل چهار ردیف پنج متری با فاصله بین ردیف‌های 50 سانتیمتر بود. برای ارزیابی پایداری و سـازگاری ژنوتیپ‌ها در محیط‌های مورد بررسی از روش آماری GGE بای‌پلات با مدل اثر ژنوتیپ + برهمکنش ژنوتیپ × محیط استفاده شد. در زمان رسیدگی محصول عملکرد دانه برای هر ژنوتیپ در هر محیط اندازه‌گیری گردید.
یافته‌ها: نتایج تجزیه مرکب عملکرد دانه نشان داد که اثر محیط، اثر ژنوتیپ و اثر متقابل ژنوتیپ × محیط معنی‌دار بود. معنی‌دار بودن اثر متقابل ژنوتیپ × محیط، بیانگر واکنش متفاوت ژنوتیب‌ها در محیط‌های مختلف بود و از اینرو، امکان تجزیه پایداری ژنوتیپ‌ها وجود داشت. نتایج تجزیه اثر متقابل ژنوتیپ × محیط با روش GGE-biplot نشان داد که دو مؤلفه اول و دوم GGE-biplot، 84/8 درصد از تغییرات کل عملکرد دانه را توجیه کردند که نشان دهنده اعتبار بالای بای‌پلات در توجیه تغییرات ژنوتیپ و برهمکنش ژنوتیپ × محیط (G+GE) بود. در این مطالعه دو محیط کلان شناسایی گردید که محیط کلان اول شامل محیط‌های گرگان و مغان بود. محیط کلان دوم نیز شامل محیط‌های ساری و کرج بود. براساس نمایش چندضلعی بای‌پلات، لاین G1 در محیط‌های ساری و کرج و ژنوتیپ‌های G21 و G22 در محیط‌های گرگان و مغان، ژنوتیپ‌های برتر و با سازگاری خصوصی بالا بودند. نتایج نمودار مختصات محیط متوسط نشان داد که ژنوتیپ‌های G1، G22،G5 و G9 بهترتیب بیشترین عملکرد دانه را دارا بودند. از طرف دیگر ژنوتیپ‌های G28، G25، G16 و G19 بهترتیب کمترین مقدار عملکرد دانه را دارا بودند. بر اساس بای‌پلات ژنوتیپ فرضی ایدهآل، ژنوتیپ‌های G22، G5، G16، G12، G14 و G9 از نظر هردو عامل پایداری و میانگین عملکرد دانه، بهتر از سایر ژنوتیپ‌ها بودند و سازگاری عمومی بالایی در همه محیط‌های مورد بررسی داشتند. همچنین نتایج نشان داد که محیط‌های کرج و مغان نزدیک‌ترین محیطها به محیط ایدهآل بودند و بیشترین تمایز و بیانگری را نشان دادند. بنابراین می‌توان از محیط‌های کرج و مغان به‌عنوان محل ارزیابی مناسب برای انتخاب ژنوتیپ‌های برتر سویا استفاده کرد.
نتیجه‌گیری: براساس نتایج این پژوهش، ژنوتیپ‌های G22، G5، G16، G12، G14 و G9 از نظر هردو عامل پایداری و میانگین عملکرد دانه، ژنوتیپ‌های برتر این آزمایش بودند و می‌توان از آن‌ها برای انجام آزمایشات بیشتر از جمله آزمایشات سازگاری استفاده نمود. همچنین نتایج نشان داد که محیط‌های کرج و مغان به‌عنوان محل ارزیابی مناسب برای انتخاب ژنوتیپ‌های برتر سویا شناسایی شدند. بهطور کلی نتایج نشان داد که روش گرافیکی GGE-biplot روشی با کارایی مناسب برای بررسی اثر متقابل ژنوتیپ × محیط بوده و اطلاعات خوبی در مورد ژنوتیپ‌ها و محیط‌های مورد مطالعه در اختیار قرار می‌دهد.
مقدمه و هدف: دانه‌های روغنی از جمله مهم‌ترین منابع تأمین انرژی در سراسر جهان می‌باشند. سویا یک محصول مهم زراعی می‌باشد که روغن آن ارزش غذایی و اقتصادی بالایی دارد. سویا (L.Glycine max ) گیاهی یکساله و خودگشن، دیپلوئید، متعلق به تیره نخود Leguminosae می‌باشد و از مهم‌ترین گیاهان روغنی در جهان محسوب می‌شود که بسته به نوع ژنوتیپ و عوامل محیطی دارای 22-18 درصد روغن و 50-40 درصد پروتئین است. سویا قرن‌هاست که غذای مردم آسیا مخصوصاً چین بوده است و مردم چین آن را همراه با برنج به‌عنوان غذای اصلی خود مصرف می‌کنند. ایالات متحده آمریکا بزرگ‌ترین تولیدکننده سویا می‌باشد و تقریباً دوسوم محصول کل دنیا را تولید می‌کند. بهبود عملکرد دانه همیشه هدف اصلی در برنامه‌های اصلاحی سویا است. با بهره‌گیری از ارقام جدید و پربازده، می‌توان عملکرد اقتصادی سویا را افزایش داد. ارزیابی ژنوتیپ‌های پیشرفته امیدبخش سویا در شرایط محیطی مختلف، در شناسایی و انتخاب لاین‌های برتر با پتانسل عملکرد بالا و پایدار ضروری می‌باشد. ارزیابی اثر متقابل ژنوتیپ × محیط مطالعات ارزشمندی در رابطه با عملکرد ارقام گیاهی در محیط‌های مختلف فراهم کرده و نقش مهمی در بررسی پایداری عملکرد ارقام اصلاح شده دارد. اثرات متقابل ژنوتیپ × محیط از عوامل مهم محدود کننده در معرفی ارقام جدید محسوب می‌شود. اثر متقابل ژنوتیپ × محیط مسئله‌ای مهم در مطالعه صفات کمی می‌باشد زیرا پایداری عملکرد در محیط‌های مختلف را کاهش می‌دهد و همچنین تفسیر آزمایش‌های ژنتیکی را دشوار و پیش‌بینی‌ها را با مشکل مواجه می‌سازد. لذا شناخت نوع و ماهیت اثر متقابل و دستیابی به ارقامی که کمترین واکنش را نسبت بـه اثرات متقابل نشان دهند از اهمیت ویژهای برخوردار است. روش‌های مختلفی برای ارزیابی اثرات متقابل معرفی شده است که هریک ماهیت اثر متقابل را از دیدگاه مشخصی بررسی می‌کنند. در این میان روش گرافیکی GGE-biplot روشی با کارایی مناسب برای بررسی اثر متقابل ژنوتیپ × محیط بوده و اطلاعات خوبی در مورد ژنوتیپ‌ها و محیط‌های مورد مطالعه بهصورت گرافیکی در اختیار قرار می‌دهد. هدف از اجرای این مطالعه، بررسی اثر متقابل ژنوتیپ × محیط با استفاده از روش گرافیکی GGE-biplot بهمنظور ارزیابی ژنوتیپ‌ها، محیطها، روابط ژنوتیپ‌ها و محیطها و در نهایت شناسایی ژنوتیپ‌های پایدار با عملکرد دانه بالا تحت شرایط محیطی مختلف در سویا بود.
مواد و روش‌ها: تعداد 27 لاین جدید سویا بههمراه ارقام صبا و امیر تحت شرایط محیطی مختلف در چهار ایستگاه تحقیقاتی (کرج، گرگان، ساری و مغان) در قالب طرح بلوک‌های کامل تصادفی با سه تکرار در سال زراعی 1401 مورد ارزیابی قرار گرفتند. هر کرت آزمایشی شامل چهار ردیف پنج متری با فاصله بین ردیف‌های 50 سانتیمتر بود. برای ارزیابی پایداری و سـازگاری ژنوتیپ‌ها در محیط‌های مورد بررسی از روش آماری GGE بای‌پلات با مدل اثر ژنوتیپ + برهمکنش ژنوتیپ × محیط استفاده شد. در زمان رسیدگی محصول عملکرد دانه برای هر ژنوتیپ در هر محیط اندازه‌گیری گردید.
یافته‌ها: نتایج تجزیه مرکب عملکرد دانه نشان داد که اثر محیط، اثر ژنوتیپ و اثر متقابل ژنوتیپ × محیط معنی‌دار بود. معنی‌دار بودن اثر متقابل ژنوتیپ × محیط، بیانگر واکنش متفاوت ژنوتیب‌ها در محیط‌های مختلف بود و از اینرو، امکان تجزیه پایداری ژنوتیپ‌ها وجود داشت. نتایج تجزیه اثر متقابل ژنوتیپ × محیط با روش GGE-biplot نشان داد که دو مؤلفه اول و دوم GGE-biplot، 84/8 درصد از تغییرات کل عملکرد دانه را توجیه کردند که نشان دهنده اعتبار بالای بای‌پلات در توجیه تغییرات ژنوتیپ و برهمکنش ژنوتیپ × محیط (G+GE) بود. در این مطالعه دو محیط کلان شناسایی گردید که محیط کلان اول شامل محیط‌های گرگان و مغان بود. محیط کلان دوم نیز شامل محیط‌های ساری و کرج بود. براساس نمایش چندضلعی بای‌پلات، لاین G1 در محیط‌های ساری و کرج و ژنوتیپ‌های G21 و G22 در محیط‌های گرگان و مغان، ژنوتیپ‌های برتر و با سازگاری خصوصی بالا بودند. نتایج نمودار مختصات محیط متوسط نشان داد که ژنوتیپ‌های G1، G22،G5 و G9 بهترتیب بیشترین عملکرد دانه را دارا بودند. از طرف دیگر ژنوتیپ‌های G28، G25، G16 و G19 بهترتیب کمترین مقدار عملکرد دانه را دارا بودند. بر اساس بای‌پلات ژنوتیپ فرضی ایدهآل، ژنوتیپ‌های G22، G5، G16، G12، G14 و G9 از نظر هردو عامل پایداری و میانگین عملکرد دانه، بهتر از سایر ژنوتیپ‌ها بودند و سازگاری عمومی بالایی در همه محیط‌های مورد بررسی داشتند. همچنین نتایج نشان داد که محیط‌های کرج و مغان نزدیک‌ترین محیطها به محیط ایدهآل بودند و بیشترین تمایز و بیانگری را نشان دادند. بنابراین می‌توان از محیط‌های کرج و مغان به‌عنوان محل ارزیابی مناسب برای انتخاب ژنوتیپ‌های برتر سویا استفاده کرد.
نتیجه‌گیری: براساس نتایج این پژوهش، ژنوتیپ‌های G22، G5، G16، G12، G14 و G9 از نظر هردو عامل پایداری و میانگین عملکرد دانه، ژنوتیپ‌های برتر این آزمایش بودند و می‌توان از آن‌ها برای انجام آزمایشات بیشتر از جمله آزمایشات سازگاری استفاده نمود. همچنین نتایج نشان داد که محیط‌های کرج و مغان به‌عنوان محل ارزیابی مناسب برای انتخاب ژنوتیپ‌های برتر سویا شناسایی شدند. بهطور کلی نتایج نشان داد که روش گرافیکی GGE-biplot روشی با کارایی مناسب برای بررسی اثر متقابل ژنوتیپ × محیط بوده و اطلاعات خوبی در مورد ژنوتیپ‌ها و محیط‌های مورد مطالعه در اختیار قرار می‌دهد.
فهرست منابع
1. Alizadeh, B., Rezaizad, A., Yazdandoost Hamedani, M., Shiresmaeili, G., 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. Journal of Crop Production and Processing, 11(1), 95-108 [In Persian] [DOI:10.47176/jcpp.11.1.36131]
2. Amiri Oghan, H., Rameeh, V., Faraji, A., Fanaei, H. R., Kazerani, N. K., & Rahmanpour, S. (2020). Evaluation of seed yield stability of spring rapeseed genotypes using GGE biplot analysis. Seed and Plant Journal, 36, 207-222 [In Persian]
3. Babaei, H. R., Razmi, N., Raeisi, S., & Sabzi, H. (2020). Evaluation of adaptability and seed yield stability of soybean (Glycine max L. Merril) promising lines using GGE biplot analysis. Iranian Journal of Crop Sciences, 22(2), 183-197 [In Persian] [DOI:10.29252/abj.22.2.183]
4. Babaei, H. R., Razmi, N., & Sabzi, H. (2021). Study on grain yield stability of soybean genotypes [Glycine max (L.) Merril] through GGE biplot analysis. Applied Field Crops Research, 34(1), 39-54.
5. Da Cruz, D. P., de Amaral Gravina, G., Vivas, M., Entringer, G. C., Rocha, R. S., da Costa Jaeggi, M. E. P., Gravina, L. M., Pereira, I. M., do Amaral Junior, A. T., & de Moraes, R. (2020). Analysis of the phenotypic adaptability and stability of strains of cowpea through the GGE Biplot approach. Euphytica, 216, 1-11. [DOI:10.1007/s10681-020-02693-9]
6. Dadras A. R., Samizadeh, H., & Sabouri, H. (2017). Evaluation of soybean varieties and advanced lines yield under drought stress conditions using GGE biplot analysis. Journal of Crop Breeding, 9(23), 18-26 [In Persian]. [DOI:10.29252/jcb.9.23.18]
7. Dallo, S. C., Zdziarski, A. D., Woyann, L. G., Milioli, A. S., Zanella, R., Conte, J., & Benin, G. (2019). Across year and year-by-year GGE biplot analysis to evaluate soybean performance and stability in multi-environment trials. Euphytica, 215, 1-12. [DOI:10.1007/s10681-019-2438-x]
8. Dehghani, M. R., Majidi, M. M., Mirlohi, A., & Saeidi, G. (2016). Integrating parametric and non-parametric measures to investigate genotype × environment interactions in tall fescue. Euphytica, 208, 583-596. [DOI:10.1007/s10681-015-1611-0]
9. Gerrish, B. J., Ibrahim, A. M., Rudd, J. C., Neely, C., & Subramanian, N. K., (2019). Identifying mega-environments for hard red winter wheat (Triticum aestivum L.) production in Texas. Euphytica, 215, 1-9. [DOI:10.1007/s10681-019-2448-8]
10. Ghaffari, M., Gholizadeh, A., Andarkhor, S. A., Zareei Siahbidi, A., Kalantar Ahmadi, S. A., Shariati, F., & Rezaeizad, A. (2021). Stability and genotype × environment analysis of oil yield of sunflower single cross hybrids in diverse environments of Iran. Euphytica, 217(10), 187. [DOI:10.1007/s10681-021-02921-w]
11. Ghazvini, H., Bagherikia, S., Pour-Aboughadareh, A., Sharifalhossaini, M., Razavi, S. A., Mohammadi, S., GhasemiKalkhoran, M., Fathihafshejani, A., & Khakizade, G. (2022). GGE biplot analysis of promising barley lines in the cold regions of Iran. Journal of Crop Improvement, 36(4), 461-472. [DOI:10.1080/15427528.2021.1977448]
12. Gholizadeh, A., Masoudi, B., Hezarjaribi, E., & Payghamzadeh, K. (2022). Simultaneous selection for seed yield and other agronomic traits in promising advanced lines of soybean. Journal of Crop Breeding,14(44), 190-198 [In Persian] [DOI:10.52547/jcb.14.44.190]
13. Gholizadeh, A., & Khodadadi, M. (2023). Graphic analysis of genotype, environment and genotype × environment interaction for oil yield in coriander. Environmental Stresses in Crop Sciences, 16(2), 277-289 [In Persian]
14. Gholizadeh, A., Khodadadi, M., & Sharifi-Zagheh, A. (2022). Evaluation of genotype × environment interaction for essential oil yield of coriander genotypes under different irrigation conditions using GGE biplot method. Environmental Stresses in Crop Sciences. 15(1), 43-52 [In Persian]
15. Hamidou, M., Souleymane, O., Ba, M. N., Danquah, E. Y., Kapran, I., Gracen, V., & Ofori, K. (2019). Identification of stable genotypes and genotype by environment interaction for grain yield in sorghum (Sorghum bicolor L. Moench). Plant Genetic Resources, 17, 81-86. [DOI:10.1017/S1479262118000382]
16. Hemmati, I., Pourdad, S. S., & Choukan, R. (2018). Studying the genotype × environment interaction under different conditions of moisture stress using graphical GGE biplot analysis in synthetic varieties of sunflower (Helianthus annuus L.). Environmental Stresses in Crop Sciences, 11, 471-480 [In Persian]
17. Jafari, T., & Farshadfar, E. (2018). Stability analysis of bread wheat genotypes (Triticum aestivum L.) by GGE biplot. Cereal Research, 8, 199-208 [In Persian]
18. Jia, C., Wang, F., Yuan, J., Zhang, Y., Zhao, Z., Abulizi, B., Wen, X., Kang, M., & Tang, F. (2020). Screening and comprehensive evaluation of rice (Oryza sativa L. subsp. japonica Kato) germplasm resources for nitrogen efficiency in Xinjiang, China. Plant Genetic Resources, 18, 179-189. [DOI:10.1017/S1479262120000118]
19. Mahdavi, A. M., Babaeian Jelodar, N., Farshadfar, E., & Bagheri, N. (2022). Study of grain yield stability of bread wheat genotypes using non-parametric method and GGE biplot. Environmental Stresses in Crop Sciences, 15(2), 287-298 [In Persian]
20. Majidian, P., Masoudi, B., Hezarjeribi, E., Razmi, N., Peyghamzadeh, K., & Gholizadeh, A. (2024). Deciphering genotype-by-environment interaction in new soybean lines based on multiple traits using different adaptability and stability methods. Food Science & Nutrition, 1-14. [DOI:10.1002/fsn3.3996]
21. Pourdad, S. S., & Jamshidi Mohjadam, 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, 1-13 [In Persian]
22. Roodi, D., Ghodrati, G., Kazerani, N., & Masoudi, B. (2022). Investigation the yield stability of brassica genotypes (Brassica spp.) under drought dtress by using statistical parameters and GGE biplot graphical methods. Journal of Crop Breeding, 14(42), 138-147 [In Persian] [DOI:10.52547/jcb.14.42.138]
23. SAS Institute Inc. (2011). SAS/STAT user's guide, second edition. SAS institute Inc., cary, Nc.
24. Smith, J. R., & Nelson, R. L. (1987). Predicting yield from early generation estimates of reproductive growth periods in soybean. Crop Science, 27, 471-474. [DOI:10.2135/cropsci1987.0011183X002700030009x]
25. Smith, K. J. & Huyser, W. (1987). World distribution and significance of soybean. In: J. R. Wilcox (Ed). Soybeans: Improvement, Production, and Uses. Second Edition. American Society of Agronomy, Madison, WI. pp. 1-22.
26. SPSS Inc. (2010). SPSS 20. Users Guied. Chicago, USA.
27. Sserumaga, J. P., Oikeh, S. O., Mugo, S., Asea, G., Otim, M., Beyene, Y., Abalo, G., & Kikafunda, J. (2016). Genotype by environment interactions and agronomic performance of doubled haploids testcross maize (Zea mays L.) hybrids. Euphytica, 207, 353-365. [DOI:10.1007/s10681-015-1549-2]
28. Taleghani, D., & Saremirad, A. (2022). Investigation of genotype-environment interaction effect on sugar yield and determination of stability of sugar beet (Beta vulgaris L.) hybrids. Journal of Crop Breeding, 14(44), 103-118 [In Persian] [DOI:10.52547/jcb.14.44.103]
29. Temesgen, M., Alamerew, S., & Eticha, F. (2015). GGE biplot analysis of genotype by environment interaction and grain yield stability of bread wheat genotypes in south east Ethiopia. World Journal of Agricultural Sciences, 11, 183-190.
30. Yan, W., Hunt, L., Sheng, Q., & Szlavnics, Z. (2000). Cultivar evaluation and mega-environment investigation based on the GGE biplot. Crop Science, 40, 597-605. [DOI:10.2135/cropsci2000.403597x]
31. Yan, W., & Kang, M. S. (2003). GGE biplot analysis: A graphical tool for breeders, geneticists and agronomists. CRC Press, Boca Raton, FL, USA. [DOI:10.1201/9781420040371]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
