دوره 13، شماره 37 - ( بهار 1400 )
جلد 13 شماره 37 صفحات 235-222 |
برگشت به فهرست نسخه ها
بخش تحقیقات چغندر قند، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان همدان، سازمان تحقیقات، آموزش و ترویج کشاورزی، همدان، ایران
چکیده: (2097 مشاهده)
به منظور بررسی سازگاری و پایداری عملکرد ریشه و عملکرد قند خالص در 47 ژنوتیپ چغندرقند (44 هیبرید جدید همراه با دو شاهد خارجی و یک شاهد داخلی)، در آزمایشی در قالب طرح بلوکهای کامل تصادفی با شش تکرار در چهار منطقه همدان، کرمانشاه، شیراز و مشهد در سال زراعی 1398 مورد ارزیابی قرار گرفتند. به منظور تجزیه الگوی اثر متقابل ژنوتیپ در محیط از مدل اثرات اصلی افزایشی و اثرات متقابل ضرب پذیر (AMMI) و روش گرافیکی GGEبای پلات استفاده شد، نتایج اثرات افزایشی جمع پذیر (تجزیه واریانس) و اثرات متقابل ضرب پذیر (تجزیه به مؤلفه های اصلی) نشان داد که اثر ژنوتیپ، محیط و اثر متقابل ژنوتیپ در محیط بر عملکرد ریشه و عملکرد قند خالص در سطح احتمال یک درصد معنی دار بود. نتایج نشان داد دو مؤلفه اول به ترتیب 89/10 و 95/48 درصد از واریانس اثر متقابل را برای عملکرد ریشه و عملکرد قند خالص تبیین کردند. نمودار بای پلات حاصل از اولین مؤلفه اصلی اثر متقابل و میانگین عملکرد ریشه و عملکرد قند خالص برای ژنوتیپ ها و محیطها نشان داد که ژنوتیپهای 28، 26 و به ترتیب با متوسط عملکرد ریشه 63/85 ، 65/35 و 62/46 تن در هکتار و عملکرد قند خالص 8/17، 8/35 و 7/79 تن در هکتار، عملکردهای بیشتر از میانگین کل و با کمترین مقدار برای اولین مؤلفه اثر متقابل به عنوان ژنوتیپهای پایدار شناخته شدند، بر اساس نتایج نمودار دو بعدی مربوط به دو مؤلفه اصلی اول اثر متقابل ژنوتیپ در محیط ژنوتیپ شماره 24 از لحاظ عملکرد ریشه و عملکرد قند خالص برای محیطهای همدان، شیراز و مشهد دارای سازگاری خصوصی بالایی بود، در حالیکه ژنوتیپ 46 از لحاظ عملکرد ریشه و ژنوتیپ 36 از لحاظ عملکرد قند خالص برای محیط کرمانشاه سازگاری خصوصی مناسبی نشان دادند. همچنین ژنوتیپ شماره 37 از لحاظ عملکرد ریشه و ژنوتیپ 44 از نظر عملکرد قند خالص نسبت به سایر ژنوتیپ ها از سازگاری عمومی بالاتری برخوردار بودند. در مقایسه با ارقام شاهد خارجی هیبریدهای 28، 26 و 43 از عملکرد ریشه، عملکرد قند خالص و پایداری مناسبی برخوردار بودند و گزینش آنها برای برنامه های آتی به نژادی توصیه می شود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
اصلاح نباتات، بیومتری
دریافت: 1399/8/19 | ویرایش نهایی: 1400/3/11 | پذیرش: 1400/1/27 | انتشار: 1400/3/11
دریافت: 1399/8/19 | ویرایش نهایی: 1400/3/11 | پذیرش: 1400/1/27 | انتشار: 1400/3/11
فهرست منابع
1. Abdemishani, S. and A.A. Shahnejatboshehri. 2008. Advance in Plant Breeding. Tehran university press. 248 pp (In Persian).
2. Annicchiarico, P. 1997. Joint regression vs AMMI analysis of genotype-environment interactions for cereals in Italy. Euphytica, 94: 53-62. [DOI:10.1023/A:1002954824178]
3. Anonymous, A. 2015. Agricultural statistics: Agricultural Ministry of Iran. From http://dpe.agri-jahad.ir (In Persian).
4. FAO. 2017. Extent and causes of salt-affected soils in participating countries. Available on URL:http://www.fao.org/ag/AGL/agll/spuch/topic4.htm
5. Farshadfar, E. and J. Sutka. 2006. Biplot analysis of genotype-environment interaction in durum wheat using the AMMI model. Acta Agronomica Hungarica, 54(4): 459- 467. [DOI:10.1556/AAgr.54.2006.4.8]
6. Gauch, H.G. 1992. Statistical Analysis of Regional Trials, AMMI Analysis of Factorial Designs. Elsevier Pub. Amsterdam, Netherlands.
7. Gauch, H.G. 2006. Statistical analysis of yield trials by AMMI and GGE. Crop Science, 46: 1488-1500. [DOI:10.2135/cropsci2005.07-0193]
8. Ghareeb, Z.E., E.A. Hoda, S.R.E. Ibrahim and S.M.I. Bachoash. 2014. Genotype × Environment Interaction for Characteristics of Some Sugar Beet Genotypes. Journal of Plant Production, Mansoura Univ, 5 (5): 853-867. [DOI:10.21608/jpp.2014.55434]
9. Hassani, M., B. Heidari, A. Dadkhodaie and P. Stevanato. 2018. Genotype by environment interaction components underlying variations in root, sugar and white sugar yield in sugar beet (Beta vulgaris L.). Euphytica , 214(79): 4-21. [DOI:10.1007/s10681-018-2160-0]
10. Hoffmann, C., M.T. Huijbregts, N. Van Swaaij and R. Jansen. 2009. Impact of different environments in Europe on yield and quality of sugar beet genotypes. European Journal of Agronomy, 30: 17-26. [DOI:10.1016/j.eja.2008.06.004]
11. Mandel, J. 1971. A new analysis of variance model for non-additive data. Technometrics, 13: 1- 18. [DOI:10.1080/00401706.1971.10488751]
12. Miller, P.A., C.J. Williams, H.F. Robinson and R. Comstock. 1958. Estimates of genotypic and environmental variances and covariance in upland cotton and their implication in selection. Agricultural Journal, 50: 126- 137. [DOI:10.2134/agronj1958.00021962005000030004x]
13. Moradi, F., H. Safari and A. Jalilian 2014. Study of genotype × environment interaction for sugar beet monogerm cultivars using AMMI method. Journal of Sugar beet, 28(1): 55-66 (In Persian).
14. Mostafavi, K., M. R. Orazizadeh and A. Rajabi. 2017. Genotype - environment interaction pattern analysis for sugar beet (Beta vulgaris L.) cultivars yield using AMMI multivariate method. Journal of sugar beet, 33(2): 135-147 (In Persian).
15. Mostafavi, K., R. Orazizadeh, A. Rajabi and M.N. Ilkaei. 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.
16. Nikkhah, H.R., A. Yousefi, S.M. Mortazavian and M. Arazmjoo. 2007. Analysis of yield stability of barley (Hordeum vulgare L.) genotypes using additive main effects and multiplicative interaction (AMMI) model. Iranian Journal of Crop Sciences. 9, 1(33): 1-12 (In Persian).
17. Raiger, H.L. and V.T. Prabhakaran. 2001. A study on the performance of a few non-parametric stability measures using pearl-millet data. Indian Journal of Genetic, 61: 7- 11.
18. Suadric, A., D. Simic and M. Vratric. 2006. Characterization of genotype by environment interactions in soybean breeding programs of South-East Europe. Plant Breeding, 125: 125-191. [DOI:10.1111/j.1439-0523.2006.01185.x]
19. Xie, M. 1996. Selection of stable cultivars using phenotypic variances. Crop Science, 36: 572-576. [DOI:10.2135/cropsci1996.0011183X003600030007x]
20. Yan, W. and L.A. Hunt. 2002. Biplot analysis of diallel data. Crop Science, 42: 21-30. [DOI:10.2135/cropsci2002.0021]
21. Yan, W. and N.A. Tinker. 2006. Biplot analysis of multi-environment trial data: Principles and applications. Canadian Journal of Plant Science, 86: 623-645. [DOI:10.4141/P05-169]
22. Yan, W., P.L. Cornelius, J. Crossa and L.A. Hunt. 2001. Two types of GGE biplots for analyzing multi-environment trial data. Crop Science, 41: 656-663. [DOI:10.2135/cropsci2001.413656x]
23. Yan, W., L.A. Hunt, Q. Sheng and Z. Szlavnics 2000. Cultivar evaluation and mega environment investigations based on the GGE biplot. Crop Science, 40: 597-605. [DOI:10.2135/cropsci2000.403597x]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |