دوره 10، شماره 28 - ( زمستان97 1397 )
جلد 10 شماره 28 صفحات 170-162 |
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:
Mirabadi A, Haghpanah M, Foroozan K, talaeei S. (2018). Multivariate Analysis of Some Quantitative Traits in Introduced Safflower (Carthamus tinctorius L.) Genotypes in Sari. jcb. 10(28), 162-170. doi:10.29252/jcb.10.28.162
URL: http://jcb.sanru.ac.ir/article-1-818-fa.html
URL: http://jcb.sanru.ac.ir/article-1-818-fa.html
زمان میرآبادی علی، حق پناه مصطفی، فروزان کامبیز، طلایی سجاد. بررسی برخی از صفات کمی ژنوتیپ‌های وارداتی گلرنگ (Carthamus tinctorius L.) با استفاده از آنالیزهای چند متغیره در منطقه ساری
پژوهشنامه اصلاح گیاهان زراعی 1397; 10 (28) :170-162 10.29252/jcb.10.28.162
شرکت توسعه کشت دانه های روغنی
چکیده: (3045 مشاهده)
توسعه منابع ژرم پلاسم از طریق واردات ژنوتیپ های جدید می تواند کارایی برنامه های اصلاحی گلرنگ (Carthamus tinctorius L.) را بهبود بخشد. در این راستا 82 ژنوتیپ گلرنگ وارداتی در ایستگاه تحقیقاتی شرکت توسعه کشت دانه های روغنی شهرستان ساری در سال زراعی 94-1393 در قالب طرح بلوک کامل تصادفی مورد ارزیابی قرار گرفتند. در این آزمایش شش صفت زراعی مهم و مرتبط با عملکرد دانه بررسی گردید. در این مطالعه جهت مدل سازی رگرسیون گام‌به‌گام از رویه PROC MIXED و PROC GLM، تجزیه به مؤلفه های اصلی با استفاده از PROC IML انجام گرفت. نتایج حاصل از تجزیه به مؤلفه‌های اصلی نشان داد که دو متغیر عملکرد دانه و وزن هزاردانه ضرایب بالاتری در ترکیب خطی مؤلفه اول داشتند. همچنین مشخص گردید که مجموع سه مؤلفه اول 68 درصد تغییرات را توجیه نموده است. ضرایب رگرسیونی متغیرهای تعداد دانه در طبق و وزن هزاردانه به ترتیب در سطح آماری پنج و یک درصد معنی دار شد که نشان می دهد این دو متغیر نقش مؤثری در افزایش عملکرد دانه دارند. در روش رگرسیون گام‌به‌گام تعداد دانه در طبق و وزن هزار دانه در مدل باقی ماندند و در نتیجه ارتباط معنی داری با عملکرد دانه داشتند. جهت افزایش عملکرد دانه در گلرنگ رسیدن به ژنوتیپ های پر محصول با استفاده از ژرم پلاسم های مورد استفاده در برنامه اصلاحی صفات مورد بررسی در این تحقیق می توانند مورد توجه قرار گیرد.
واژه‌های کلیدی: رگرسیون گام‌به‌گام، تجزیه به مؤلفه های اصلی، مدل‌سازی، معیار اطلاعات آکائیک، معیار اطلاعات بیزین- شوارتس
نوع مطالعه: پژوهشي |
موضوع مقاله:
اصلاح نباتات، بیومتری
دریافت: 1396/5/31 | ویرایش نهایی: 1397/12/11 | پذیرش: 1396/9/21 | انتشار: 1397/12/11
دریافت: 1396/5/31 | ویرایش نهایی: 1397/12/11 | پذیرش: 1396/9/21 | انتشار: 1397/12/11
فهرست منابع
1. Ahmadzadeh, A.R. 2007. Analysis of genetic diversity in spring safflower (Carthamus tinctorius L.) cultivars using morphological characters and RAPD markers. Ph.D. thesis, Tehran Azad Islamic University, Iran.
2. Alyari, H. and F. Shekary. 1990. Oil Seeds Physiology and Agronomy. Amidi (In Persian).
3. Aziz, H. and B. Abdollahi. 2016. Assessment of genetic variation in alfalfa (Medicago sativa L.) populations using Canonical Discriminant Analysis. Agronomy Journal, 107: 183-189 (In Persian).
4. Collins, C.A. and F.M. Seeney. 1999. Statistical experiment design and interpretation: an introduction with agricultural examples. John Wiley and Sons Ltd.
5. Coşge, B., B. Gurbuz and M. Kiralan. 2007. Oil content and fatty acid composition of some safflower (Carthamus tinctorius L.) varieties sown in spring and winter. International Journal of Natural and Engineering Sciences, 1(3): 11-15.
6. Dettweiler, E. and R. Eibach. 2002. The two Vitis databases as tools for germplasm management Vitis international variety catalogue. In VIII International Conference on Grape Genetics and Breeding, 603 pp: 505-509. [DOI:10.17660/ActaHortic.2003.603.66]
7. Dwivedi, S.L., H.D. Upadhyaya and D.M. Hegde. 2005. Development of core collection using geographic information and morphological descriptors in safflower (Carthamus tinctorius L.) germplasm. Genetic Resources and Crop Evolution, 52(7): 821-830. [DOI:10.1007/s10722-003-6111-8]
8. FAO .2014. FAOstat. Retrieved Feb, 2014.
9. Jaradat, A.A. and M. Shahid. 2006. Patterns of phenotypic variation in a germplasm collection of Carthamus tinctorius L. from the Middle East. Genetic Resources and Crop Evolution, 53(2): 225-244. [DOI:10.1007/s10722-004-6150-9]
10. Johnson, R.C., T.J. Kisha and M.A. Evans. 2007. Characterizing safflower germplasm with AFLP molecular markers. Crop science, 47(4): 1728-1736. [DOI:10.2135/cropsci2006.12.0757]
11. Khan, M.A., S. Von Witzke-Ehbrecht, B.L. Maass and H.C. Becker. 2009. Relationships among different geographical groups, agro-morphology, fatty acid composition and RAPD marker diversity in safflower (Carthamus tinctorius). Genetic Resources and Crop Evolution, 56(1): 19-30. [DOI:10.1007/s10722-008-9338-6]
12. Khan, M.A., S. Von Witzke-Ehbrecht, B.L. Maass and H.C. Becker. 2004. Evaluation of a worldwide collection of safflower for morphological diversity and fatty acid composition. Vorträge für Pflanzenzüchtung, 62: 104-106.
13. Knudsen, S. 2005. Guide to analysis of DNA microarray data. John Wiley and Sons. [DOI:10.1002/0471670278]
14. Maleki Nejad, R. and M.M. Majidi. 2015. Association of Seed Yield, Oil and Related Traits in Safflower Genotypes under Normal and Drought Stress. Iranian Journal of Field Crops Research, 13(1): 109-119.
15. McPherson, M.A., A.G. Good, A.K.C. Topinka and L.M. Hall. 2004. Theoretical hybridization potential of transgenic safflower (Carthamus tinctorius L.) with weedy relatives in the New World. Canadian Journal of Plant Science, 84(3): 923-934. [DOI:10.4141/P03-150]
16. Mohammadi, S.A. and B.M. Prasanna. 2003. Analysis of genetic diversity in crop plants- Salient statistical tools and considerations. Crop Science, 43: 1235-1248. [DOI:10.2135/cropsci2003.1235]
17. Mohammadi, R., H. Dehghani and G. Karimzadeh. 2014. Graphic analysis of trait relations of cantaloupe using the Biplot method. Plant production research, 21(4): 43-62.
18. Mozaffari, K. and A.A. Asadi. 2006. Relationships among traits using correlation, principal components and path analysis in safflower mutants sown in irrigated and drought stress condition. Asian Journal Plant Science, 5: 972-983. [DOI:10.3923/ajps.2006.977.983]
19. Rezaei, A. and A. Soltani. 2013. An introduction to applied regression analysis (7th edition). Isfahan University of Technology publications center (In Persian).
20. Ringner, M. 2008. What is principal component analysis?. Nature Biotechnology, 26: 303-304. [DOI:10.1038/nbt0308-303]
21. SAS Institute. 2015. SAS/STAT user's guide. (4nd edition). SAS institute Inc.
22. Singh, R.J. 2006. Genetic resources, chromosome engineering and crop improvement: vegetable crops. CRC press. [DOI:10.1201/9781420009569]
23. Vollmann, J. and I. Rajcan. 2009. Oil crop breeding and genetics. In: Oil Crops (pp: 1-30). Springer. [DOI:10.1007/978-0-387-77594-4_1]
24. Wall, M.E., A. Rechtsteiner and L.M. Rocha. 2009. Singular value decomposition and principal component analysis. In A practical approach to microarray data analysis (pp: 91-109). Springer US. [DOI:10.1007/0-306-47815-3_5]
25. Weiss, E.A. 2000. Oilseed crops. Blackwell Science.
26. Wooldridge, J.M. 2015. Introductory econometrics: A modern approach. Nelson Education.
27. Yan, W. and M.S. Kang. 2002. GGE biplot analysis: A graphical tool for breeders, geneticists and agronomists. CRC press. [DOI:10.1201/9781420040371]
28. Yan, W. 2002. Singular-value partitioning in biplot analysis of multienvironment trial data. Agronomy Journal, 94: 990-996. [DOI:10.2134/agronj2002.0990]
29. Yan, W., L.A. Hunt, Q. Sheng and Z. Szlavnics. 2000. Cultivar evaluation and megaenvironment investigation based on the GGE biplot. Crop Science, 40: 597-605. [DOI:10.2135/cropsci2000.403597x]
30. Yan, W. and Kang, M.S. 2002. GGE biplot analysis: A graphical tool for breeders, geneticists, and agronomists. CRC Press, Boca Raton, FL. 273 pp. [DOI:10.1201/9781420040371]
31. Yari, P., A. Keshtkar and A. Sepehri. 2015. Evaluation of Water Stress Effect on Growth and Yield of Spring Safflower. Plant Product Technology, 4: 101-117 (In Persian).
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
