基因型×环境交互的研究前景Teppi咖啡(gydF4y2BaCoffea阿拉比卡gydF4y2Bal .)基因型在埃塞俄比亚西南部gydF4y2Ba

文摘gydF4y2Ba

咖啡是兴奋剂作物植物属于属gydF4y2BaCoffeagydF4y2Ba在家庭茜草科。作物的产量变化和模式在地理距离短,因此归因于不同的低生产率和不可预知的生产。本研究的目的是确定基因型×环境交互的程度收益承诺Teppi咖啡基因型。在这项研究中,十七岁的阿拉比卡咖啡基因型,代表Teppi咖啡种植区,埃塞俄比亚西南部六点进行评估环境。这项研究是由使用完全随机区组设计有两个复制。基因型×环境交互的程度进行了分析通过使用添加剂的主要作用和乘法交互模型和基因型的主要效应和基因型×环境交互biplot分析模型。收益率的方差分析显示存在高度显著差异(gydF4y2Ba )gydF4y2Ba在基因型、环境和基因型的环境交互。总平方和的基因型×环境交互的产量、环境占51%,而基因型和基效果分别为20.5%和25.32%,分别。一般来说,基因型确定咖啡与优越的性能和合适的环境。然而,进一步的研究目标的杂交优势基因型与精英在阿拉比卡咖啡的特性繁殖计划。gydF4y2Ba

1。介绍gydF4y2Ba

咖啡是一种有用的刺激性饮料植物属于属gydF4y2BaCoffeagydF4y2Ba在家庭茜草科。属gydF4y2BaCoffeagydF4y2Ba包含大约124个物种(gydF4y2Ba1gydF4y2Ba]。作物通常是生长在热带和亚热带农业生态的区域(gydF4y2Ba2gydF4y2Ba]。阿拉比卡咖啡(gydF4y2BaCoffea阿拉比卡gydF4y2Ba)是在埃塞俄比亚,它主要生长在西南地区的天然森林,和有一个伟大的遗传多样性在该地区(gydF4y2Ba3gydF4y2Ba]。gydF4y2Ba

阿拉比卡咖啡是一个重要的经济作物在埃塞俄比亚的国民经济。它仍然是埃塞俄比亚的一号出口项目(gydF4y2Ba4gydF4y2Ba]。它占总出口收入的25 - 30%。然而,目前作物对总出口收入的贡献日益下降由于等农产品和工业产品的出口增加黄金、鲜花、阿拉伯茶(gydF4y2BaCatha鸡蛋果gydF4y2Ba)、纺织品和皮革制品(gydF4y2Ba5gydF4y2Ba]。gydF4y2Ba

非洲东部的阿拉比卡咖啡生产合适的土地。埃塞俄比亚有潜力产生大量的差异化的优质绿色咖啡,喜欢以其独特的风味和口感。根据中央统计机构(gydF4y2Ba6gydF4y2Ba),估计区域土地覆盖在埃塞俄比亚咖啡约为700474.69公顷。另一方面,许多生长地点在乡下没有受益于这个巨大的潜力,因为他们应该。同样,尽管咖啡的后果在国民经济中扮演重要角色,尽管该国的这一事实gydF4y2Bac·阿拉比卡gydF4y2Ba咖啡生产的特点是低生产率约619公斤公顷gydF4y2Ba^{−1gydF4y2Ba}(gydF4y2Ba7gydF4y2Ba),这是全球生产率低于790.7公斤公顷gydF4y2Ba^{−1gydF4y2Ba}(gydF4y2Ba8gydF4y2Ba]。这可能是因为许多因素,其中缺乏具体建议基因型和生产区域是一个更广泛的范围。gydF4y2Ba

在品种开发计划,适用性能试验在多元化环境理解的本质进行基因型×环境交互(基),特定的基因型和环境下学习。通过这样做,基因型有亲和力在更广泛的环境和特定的适应基因型将确定,这样就可以根据情况推荐。(gydF4y2Ba9gydF4y2Ba]。从早期的研究在埃塞俄比亚,本土咖啡品种都有自己的特定的适应区域。这咖啡生长环境分为不同的咖啡种植区域减少基的影响。gydF4y2Ba

基有助于了解的程度可能适应特定的基因型。在确定有效的方法也很有用,它的繁殖计划中使用的时间和资源。先前的研究的基gydF4y2Bac·阿拉比卡gydF4y2Ba有了显著的基因型与环境的交互作用对产量和yield-related特征(gydF4y2Ba10gydF4y2Ba- - - - - -gydF4y2Ba12gydF4y2Ba]。此外,Montagnon et al。gydF4y2Ba13gydF4y2Ba]报道强劲基的存在gydF4y2Bac . canephoragydF4y2Ba与一些豆产量稳定的基因型。Mesfin和BayettagydF4y2Ba14gydF4y2Ba)也报告说,gydF4y2Bac·阿拉比卡gydF4y2Ba品种表现出优越的性能在一个站点的咖啡种植地区并没有显示出良好的性能在不同的地理区域的其他地方。蒙塔尼翁et al。gydF4y2Ba13gydF4y2Ba]还发现了显著的交互影响的存在基因型在不同的咖啡种植农业生态学性能。gydF4y2Ba

尽管一些研究在埃塞俄比亚,没有信息的基承诺Teppi咖啡基因型在不同农业生态学的西南埃塞俄比亚。这研究是完成确定的目标基的程度对产量的一些有前途的埃塞俄比亚西南部Teppi咖啡基因型。gydF4y2Ba

2。材料和方法gydF4y2Ba

2.1。研究区域的描述gydF4y2Ba

这项研究是在三个位置,即Teppi, Gemadro,和Godare两个种植季节(表gydF4y2Ba1gydF4y2Ba)。gydF4y2Ba

2.2。遗传材料和实验设计gydF4y2Ba

十七个咖啡基因型被用于这项研究(表gydF4y2Ba2gydF4y2Ba)。基因型由14个选择从先前的试验,筛选最初收集从咖啡种植区Teppi及其周边地区的种植以及3张支票(帝莫J-19艺妓,和帝莫J-21)。基因型是种植在2013年6月。实验进行了叠加在第一和第二轴承树木,种植的遮荫树下gydF4y2Ba田菁属野大麻gydF4y2Ba和gydF4y2BaAlbizia schimperianagydF4y2Ba同时建议空间。这是随机安排完整的烈性黑啤酒设计有两个复制。情节由一个双排每排十树,边境两边的块来减少边界效应。行间距和植物是2 m×2米和块之间的间距保持在4米。所有必要的现场监督完成的建议(gydF4y2Ba15gydF4y2Ba]。gydF4y2Ba

2.3。收集的数据gydF4y2Ba

2.3.1。收益率的清洁咖啡公斤公顷gydF4y2Ba^{−1gydF4y2Ba}

总新鲜樱桃产量收获的树木在情节和以通用,用于计算意味着收益率/树。清洁咖啡产量公斤公顷gydF4y2Ba^{−1gydF4y2Ba}获得了新鲜樱桃的产量乘以卸货(百分比gydF4y2Ba16gydF4y2Ba]。gydF4y2Ba

2.4。统计分析gydF4y2Ba

2.4.1。方差分析(方差分析)gydF4y2Ba

联合方差分析在环境分析了SAS的PROC GLM方法(gydF4y2Ba17gydF4y2Ba9.3版本的软件。之前进行结合分析,方差的同质性之间的环境被Bartlett的测试检查。基因型的影响、位置和年以及他们的交互是由使用SAS 9.3版。gydF4y2Ba

以下统计模型被用于结合方差分析位置:gydF4y2Ba 在哪里gydF4y2BaμgydF4y2Ba=将军的意思是,gydF4y2BaτgydF4y2Ba_我gydF4y2Ba=基因型的影响gydF4y2Ba我gydF4y2Ba,gydF4y2BaεgydF4y2Ba_jgydF4y2Ba=环境的影响gydF4y2BajgydF4y2Ba,gydF4y2BaγgydF4y2Ba_ijgydF4y2Ba=基因型×环境交互作用的影响,gydF4y2BaρgydF4y2Ba_{k (j)gydF4y2Ba}= kgydF4y2Ba^thgydF4y2Ba块效应在位置gydF4y2BajgydF4y2Ba;和gydF4y2BaεgydF4y2Ba_ijkgydF4y2Ba=剩余变异或错误假定为正态分布均值为0,方差gydF4y2BaσgydF4y2Ba^2gydF4y2Ba(例如,gydF4y2BaεgydF4y2Ba_ijkgydF4y2Ba∼N (0,gydF4y2BaσgydF4y2Ba^2gydF4y2Ba))。gydF4y2Ba

2.4.2。AMMI模型gydF4y2Ba

添加剂的主要作用和乘法交互AMMI模型,标准方差分析与主成分分析相结合(gydF4y2Ba18gydF4y2Ba),被用来调查基。在AMMI模型中,每个基因型和环境的贡献的基评估使用biplot图显示在哪些基因型的方法绘制的分数IPCA1 [gydF4y2Ba18gydF4y2Ba]。这是通过使用GEA-R [gydF4y2Ba19gydF4y2Ba4.0版本。AMMI模型如下:gydF4y2Ba 在哪里gydF4y2BaYgydF4y2Ba_{通用电气gydF4y2Ba}=产量的基因型(gydF4y2Ba )gydF4y2Ba在环境(gydF4y2BaegydF4y2Ba);gydF4y2BaµgydF4y2Ba=大的意思是;gydF4y2Ba表示基因型偏差;gydF4y2BaβgydF4y2Ba_egydF4y2Ba=环境偏差;gydF4y2BaλgydF4y2Ba_ngydF4y2Ba=组件的奇异值gydF4y2BangydF4y2Ba;gydF4y2BaγgydF4y2Ba_gngydF4y2Ba特征向量的值吗gydF4y2Ba ;gydF4y2Ba和gydF4y2BaδgydF4y2Ba_在gydF4y2Ba=特征向量的值gydF4y2BaegydF4y2Ba和残余项gydF4y2BaρgydF4y2Ba_{通用电气gydF4y2Ba}。gydF4y2Ba

2.4.3。专家组Biplot分析gydF4y2Ba

专家组biplot方法由两个概念,biplot概念和专家组的概念,用于分析基因型在不同的视觉环境。专家组biplot分析是通过使用基因型gydF4y2BaxgydF4y2Ba环境分析与r (gydF4y2Ba19gydF4y2Ba4.0版本。biplot兼顾的一般模式如下:gydF4y2Ba 在哪里gydF4y2BaYgydF4y2Ba_ijgydF4y2Ba=的性能gydF4y2Ba我gydF4y2Ba^thgydF4y2Ba基因型的gydF4y2BajgydF4y2Ba^thgydF4y2Ba环境;gydF4y2BaμgydF4y2Ba=大的意思是;gydF4y2BaβgydF4y2Ba_jgydF4y2Ba=环境的主要影响gydF4y2BajgydF4y2Ba:gydF4y2BaλgydF4y2Bal和gydF4y2BaλgydF4y2Ba2 = IPCA1和IPCA2奇异值,分别为:gydF4y2BaεgydF4y2Ba_我gydF4y2Ba1,gydF4y2BaεgydF4y2Ba_我gydF4y2Ba2 =基因型的特征向量gydF4y2Ba我gydF4y2BaIPCA1 IPCA2,分别为:gydF4y2BaηgydF4y2Ba_jgydF4y2Ba1,gydF4y2BaηgydF4y2Ba_jgydF4y2Ba2 =特征向量的环境gydF4y2BajgydF4y2Ba分别为IPCA1和IPCA2;和gydF4y2BaεgydF4y2Ba_ijgydF4y2Ba=剩余与基因型有关gydF4y2Ba我gydF4y2Ba和环境gydF4y2BajgydF4y2Ba。gydF4y2Ba

3所示。结果和讨论gydF4y2Ba

3.1。豆产量意味着咖啡基因型个体环境的性能gydF4y2Ba

基因型的平均收益率在不同环境范围从320.85公斤公顷gydF4y2Ba^{−1gydF4y2Ba}在Godare accession39/82 2016/17 1130.97公斤公顷gydF4y2Ba^{−1gydF4y2Ba}艺妓在Teppi 2017/18种植季节。在2016/17的种植季节,基因型表现出最大豆产量在Teppi共同海损最低收益率观察到Godare相比于其他环境。Gemadro,上面的意思是基因型的性能被记录为基因型帝莫J-19紧随其后加入加入28/82和3/82,表现出最大平均收益率的平均值845.16,826.12,772.57.07公斤公顷gydF4y2Ba^{−1gydF4y2Ba}分别在2016/17的种植季节。艺妓公顷(904.72公斤gydF4y2Ba^{−1gydF4y2Ba}),帝莫J-19公顷(574.13公斤gydF4y2Ba^{−1gydF4y2Ba}),加入17/79公顷(552.04公斤gydF4y2Ba^{−1gydF4y2Ba})表现出更高的平均收益率在Godare 2016/17种植季节。另一方面,在2017/18的种植季节,基因型艺妓公顷(1130.97公斤gydF4y2Ba^{−1gydF4y2Ba}),帝莫J-19公顷(1126.6公斤gydF4y2Ba^{−1gydF4y2Ba}),加入22/79公顷(1134.8公斤gydF4y2Ba^{−1gydF4y2Ba}显示在Teppi更高的收益率。到达32/82公顷(1059.5公斤gydF4y2Ba^{−1gydF4y2Ba}),28/82(1021.45公斤公顷gydF4y2Ba^{−1gydF4y2Ba})和42/82(1002公斤公顷gydF4y2Ba^{−1gydF4y2Ba}在Gemadro),艺妓公顷(1052.93公斤gydF4y2Ba^{−1gydF4y2Ba}),加入22/79公顷(701.01公斤gydF4y2Ba^{−1gydF4y2Ba}),帝莫J-21公顷(691.18公斤gydF4y2Ba^{−1gydF4y2Ba})Godare展出意味着产量最高。基因型不同的平均表现从一个环境到另一个地方。这表明一个特定的环境,不同的基因型反应不同。同样,不同的研究人员gydF4y2Ba10gydF4y2Ba,gydF4y2Ba11gydF4y2Ba,gydF4y2Ba21gydF4y2Ba)报道,不同的咖啡基因型不同的回应不同农业生态学的西南埃塞俄比亚。gydF4y2Ba

3.2。结合方差分析在的位置gydF4y2Ba

咖啡豆产量的方差分析显示存在高度显著性差异(gydF4y2Ba )gydF4y2Ba基因型、环境及其相互作用(表gydF4y2Ba3gydF4y2Ba)。相当大的基的存在表明,基因型显示整个测试环境不一致的表现。这可能是由于不可预知的天气和土壤特性的变化。相当大的基的存在显示咖啡基因型的差异表现在环境。这意味着一个特定的环境,不同的基因型反应不同。相关结果报告的尤纳et al .,三十二,Lemi et al。gydF4y2Ba10gydF4y2Ba- - - - - -gydF4y2Ba12gydF4y2Ba]。gydF4y2Ba

总变异解释环境基因型和基分别为51%,20.5%和25.32%(表gydF4y2Ba3gydF4y2Ba)。环境平方和的高比例意味着咖啡基因型的操纵产量性能的主要因素是环境。基是非常重要的(gydF4y2Ba )gydF4y2Ba得分25.32%的总平方和暗示要求调查的性质程度的不同基因型的反应环境。基的存在表明,性能的一种基因型可能是优于其他基因型在一个环境,但不如在另一个环境。它复杂的解释结果。因此,难以识别一贯优良基因型在环境。同样,三十二(gydF4y2Ba11gydF4y2Ba)报道,最高的变化是由于环境和基解释道。gydF4y2Ba

一般来说,从联合方差分析(表gydF4y2Ba3gydF4y2Ba),优势基因型在环境不能被考虑他们的平均产量表现因为基是非常重要的。由于基因型和环境之间的相互作用,产生的基因型测试环境波动。因此,这是一个问题来确定品种持续给予高收益率在不同的环境条件的场所。非常重要的存在基减少基因型的有效性。所需的合适的统计分析是量化基。此外,传统的方差分析确定每个变异源的值和每个组件的贡献的重要性,但它不交互分割成许多组件,因此其他类型的分析必须执行。出于这个原因,这样的试件进行试验数据以及相当大的基需要稳定分析的措施。这有助于获得更多的信息在基以及评估适应区域的基因型根据他们的良好的互动。同样,先前的研究人员(gydF4y2Ba12gydF4y2Ba,gydF4y2Ba22gydF4y2Ba报道基的显著影响gydF4y2Bac·阿拉比卡gydF4y2Ba在埃塞俄比亚。gydF4y2Ba

3.3。AMMI分析gydF4y2Ba

AMMI方差分析显示高度显著差异(gydF4y2Ba )gydF4y2Ba环境、基因型及其交互作用(表gydF4y2Ba4gydF4y2Ba)。野生是非常重要的(gydF4y2Ba )gydF4y2Ba前五个交互主成分分析(IPCAs)。IPCAs是订单根据他们减少的意义。豆产量的AMMI方差分析表明,大部分的总平方和解释环境(52.65%),其次是基因型(21.19%),然后由基(26.16%)见表gydF4y2Ba4gydF4y2Ba。这表明所使用的环境是不同的,巨大的差异,导致大部分的产量的变化,确认环境的重大影响咖啡的产量表现。同样,三十二,Lemi et al ., Demissie et al。gydF4y2Ba11gydF4y2Ba,gydF4y2Ba12gydF4y2Ba,gydF4y2Ba22gydF4y2Ba]报道相关的结果。(表gydF4y2Ba5gydF4y2Ba)gydF4y2Ba

Gollob测试发现第一个五IPCAs显著(gydF4y2Ba ),gydF4y2Ba表明总基中包含的信息可以使用这些IPCAs来解释。总IPCAs,前五IPCAs轴解释基平方和的100%。第一IPCA1捕获交互平方和的44.11%左右,而第二个IPCA解释基平方和的27.03%。这是相关的发现尤纳等。gydF4y2Ba,gydF4y2BaLemi et al ., Demissie et al。gydF4y2Ba10gydF4y2Ba- - - - - -gydF4y2Ba12gydF4y2Ba,gydF4y2Ba22gydF4y2Ba]报告4到6 IPCAs的意义gydF4y2Bac·阿拉比卡gydF4y2Ba对豆产量评估。gydF4y2Ba

AMMI模型由使用前两个IPCAs和其余的IPCAs主要捕获噪音表明IPCA 1对IPCA2通常是有益的。基的模式预测的数据集也喝咖啡用的前两PCAs基因型和环境,因为IPCA1和IPCA2累计占71.14%,超过一半的总基。gydF4y2Ba

3.4。AMMI 2 Biplot分析gydF4y2Ba

AMMI 2 biplot执行通过使用基因型和环境得分第一次连续两个AMMI组件(gydF4y2Ba23gydF4y2Ba]。第一IPCA捕获44.11%,而第二个IPCA捕获27.03%。第一个连续两个IPCAs累计捕获71.14%的平方之和的基基因型进行了研究。从先前的收益率基的实验gydF4y2Bac·阿拉比卡gydF4y2Ba,(gydF4y2Ba22gydF4y2Ba)发现,前两个IPCAs解释AMMI交互平方和,总额的74% (gydF4y2Ba11gydF4y2Ba)58.55%,gydF4y2Ba12gydF4y2Ba]报道的63.3%。gydF4y2Ba

远离中心的基因型和环境或不稳定的反应更大,而基因型的定位接近biplot中心优越的稳定成绩(gydF4y2Ba24gydF4y2Ba]。235/71A因此,基因型32/82,45/82,17/79,20/79,帝莫J-19绘制相对接近原点AMMI 2 biplot指示所有环境相关的收益潜力。因此,基因型32/82,17/79,帝莫J-19视为高产和广泛采用基因型来显示他们的最低总基方差贡献。另一方面,基因型与艺妓,帝莫J-21, 42/82, 44/82, 37/82, 29/82, 22/79是远离biplot中心。基因型3/82,28/82,39/82,44/82相对远离原点,有相当大的贡献基方差视为特别采用个人良好的环境(图gydF4y2Ba1gydF4y2Ba)。gydF4y2Ba

AMMI 2 biplot表明E1 (Teppi 1), E4 (Teppi 2), E5 (Gemadro 2),和E6 (Godare 2)远离原点表明这些环境贡献更高基总变异量。然而,因为他们的最长距离他们的标记和原点,基因型不一致在这个环境可能不完全反映环境的基因型的平均性能。另一方面,E3 (Godare 1)和E2 (Gemadro 1)靠近原点来显示他们的贡献基低方差。这表明他们是最不歧视和稳定的环境(图gydF4y2Ba1gydF4y2Ba)。gydF4y2Ba

AMMI 2 biplot分析,接近彼此的基因型在图上往往有相关性能和那些接近环境展示他们更好的适应这个环境。因此,基因型37/82,39/82,48/82是相对适应环境E1 (Teppi 1)。基因型22/79,29/82,44/82是相对适应环境E4 (Teppi 2)。只有艺妓E6 (Godare 2)适应环境,基因型3/82,28/82,32/82,45/82,和帝莫J-19相对适应环境E2 (Gemadro 2),基因型235/71A和帝莫J-21相对适应环境E3 (Godare 1),和基因型42/82和20/79相对适应环境E5 (Gemadro 2)(图gydF4y2Ba1gydF4y2Ba)。gydF4y2Ba

3.5。专家组Biplot分析gydF4y2Ba

3.5.1。“Which-Won-Where”模式gydF4y2Ba

基通过专家组的分区biplot分析表明,IPCA1和IPCA2占平方和的52.51%和17.59%,分别有70.1%的收益率(图的变化gydF4y2Ba2gydF4y2Ba)。六个与不同的冠军基因型和环境可分为两个领域biplot显示五个顶点基因型,艺妓,帝莫J-19, 42/82, 39/82, 37/82。有光线,把biplot分为五部分。基因型分为五个部分,但所有的测试环境分为两个部分。基因型,落到了顶点的所有部门的执行最高产量在这些环境中,落在那个部门。在这项研究中,GGE-biplot分析确定两个不同的咖啡mega-environments增长。第一个环境包含E1 (Teppi 1), E2 (Gemadro1), E4 (Teppi 2), E3 (Godare 1),与一个顶点E6 (Godare 2)基因型艺妓和帝莫J-19;第二个环境包含环境E5 (Gemadro 2)与32/82冠军基因型。它也被观察到,没有环境陷入领域基因型37/82,42/82,39/82是顶点的基因型,表明这些基因型是不能适应的测试环境。一些作者也报道了相关研究; Lemi [21gydF4y2Ba)鉴定出四种不同的gydF4y2Bac·阿拉比卡gydF4y2Ba增长mega-environments和三十二gydF4y2Ba11gydF4y2Ba)鉴定出四种不同的gydF4y2Bac·阿拉比卡gydF4y2Bamega-environments增长。gydF4y2Ba

3.5.2。意味着性能和产量稳定性的基因型gydF4y2Ba

产量性能和稳定性的基因型进行评估平均环境协调方法。在这种方法中,基因型是排名在平均环境通过一个箭头显示坐标轴的价值基于他们的意思是表现在每一个环境的一部分。平均环境协调纵坐标分开基因型,这是高于平均水平的手段和低于平均水平的手段。因此,基因型与高于平均水平的手段是45/82,3/82,32/82,帝莫J-21, 17/79, 45/82, 48/82,帝莫J-19,艺伎,在基因型意味着低于平均水平的42/82,20/79,37/82,29/82,44/82,22/79,28/82,39/82,235/71A(图gydF4y2Ba3gydF4y2Ba)。gydF4y2Ba

线,穿过中心和垂直于平均环境协调通过双箭头,代表了基因型的一致性。基因型的方向远离biplot基础上,轴,显示更大的基和不稳定。更好的基因型是那些执行高意味着产量和环境类似的一致性。biplot,他们接近的起源和短向量的平均环境协调。投影的平均环境协调的时间越长,不考虑方向,代表了一个更大趋势的基的基因型在环境意味着更少的恒常性。因此,基因型17/79,22/79,29/82,帝莫J-19, 45/82, 48/82, 44/82是最稳定的。另一方面,基因型的艺妓,3/82,42/82,39/82,37/82是远离原子能委员会(长向量)来显示他们的恒定不变(图gydF4y2Ba3gydF4y2Ba)。这些结果按照报告Lemi和三十二gydF4y2Ba11gydF4y2Ba,gydF4y2Ba21gydF4y2Ba]Limmu和Ilu Abbabora咖啡基因型,分别。他们发现用这意味着理想基因型性能和产量稳定性测量参数。gydF4y2Ba

3.5.3。基因型和环境相对排名gydF4y2Ba

理想的基因型是指产量和显示性能优越,高性能的恒常性。同心圆(图的内部gydF4y2Ba4gydF4y2Ba)代表一个理想基因型的情况,由投影定义mean-environment轴。因为IPCA1和IPCA2基因型的单位是小说组件genotype-focused产量的比例,AEC横坐标和纵坐标的单位也应该是原单位的产量。因此,基因型帝莫J-19, 17/79, 32/82, 3/82之后,艺妓,下降了接近同心圆的中心,是理想的基因型的更高的产量潜力和恒常性,相比之下,其他基因型。基因型39/82,37/82,42/82,44/82,45/82,235/71A, 48/82, 29/82, 20/79,紧随其后是吸引力的基因位于遥远的从第一个同心圆圈的理想基因型。研究的结果按照Lemi和三十二[24日11),他们发现了一个理想的基因型gydF4y2Bac·阿拉比卡gydF4y2Ba埃塞俄比亚的增长领域。gydF4y2Ba

排名方法的环境相对于理想环境的方法,平均IPCA1 IPCA2分数的环境中,由一个小圆(图表示gydF4y2Ba4gydF4y2Ba平均),描述环境。这样的理想基因型,一个理想的环境更有利,如果它位于接近理想的环境。模型的环境中,由一个小圆的象征一个箭头指向它,主要是识别基因型和代表性的测试环境。图gydF4y2Ba4gydF4y2Ba表明E4 (Teppi2),下降的内部圈子的一部分,是一个理想的测试环境是最具代表性的环境和主要的区分基因型,在Gemadro2远非理想的环境,认为是不太强大的辨别基因型。gydF4y2Ba

识别能力和代表性的重要属性是一个实验性的位置。理想位置必须高度差异化评价基因型,同时目标位置的代表。像理想的基因型,一个理想的位置由小圆定义和显示一个箭头指向它。这表明实验网站更可取的和歧视时位于接近同心圈的起源或一个理想的环境。这个结果与结果Lemi和三十二gydF4y2Ba11gydF4y2Ba,gydF4y2Ba21gydF4y2Ba),他们发现了一个理想的基因型和环境以及不良基因型基因型和环境排名方法。gydF4y2Ba

4所示。结论gydF4y2Ba

很短的距离内振荡农业生态学在埃塞俄比亚导致咖啡产量变动由于基,从而导致工作效率低下。因此,检测基因型在不同的环境中重要的是要确定基因型与低基,可增加gydF4y2Bac·阿拉比卡gydF4y2Ba生产力。大型平方和和高度显著的性能均方环境表明,环境的多样化,通过环境意味着之间的巨大差异导致收益率差异。这表明环境的主要影响作物的产量表现。重要的存在基因型、环境和基表明环境的相当大的影响力gydF4y2Bac·阿拉比卡gydF4y2Ba在环境和基因型显示不稳定,和高百分比变化的产生是由于环境的影响。gydF4y2Ba

Gollob测试显示,前五IPCAs是重要的;和总信息包含在基IPCAs解释道。咖啡给出的基模式的数据集是由前两个IPCAs预测的基因型和环境,因为IPCA1和IPCA2累计占基总数的71.14%。检测基因型中,帝莫J-19显示低基在环境。专家组biplot确定两种不同mega-environments和两个赢家在每个mega-environment基因型。第一个mega-environments包含E4 (Teppi 2), E6 (Godare 2), E3 (Godare 1),与一个顶点和E1 (Teppi 1)基因型艺妓和帝莫J-19;第二环境包含E2 (Gamadro 1)和E5 (Gemadro 2)。它也被确定,基因型37/82和39/82没有采用任何测试环境。gydF4y2Ba

即使没有基因型在实验网站显示性能优越,一些基因型具有更好的平均性能加上低基被确定。因此,应优先考虑基因型显示理想的性能。在这种情况下,帝莫J-19是最理想的基因型的基低,产量潜力高。一般来说,在这项研究中,基因型是适应和理想的位置被确定。然而,进一步的研究目标的杂交优势基因型与精英在阿拉比卡咖啡的特性繁殖计划。gydF4y2Ba

数据可用性gydF4y2Ba

在当前的研究中使用的数据可从相应的作者以合理的要求。gydF4y2Ba

的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

确认gydF4y2Ba

作者的特别感激去埃塞俄比亚农业研究所,Teppi农业研究中心和Jimma农业研究中心提供的所有服务和材料与良好的工作环境,促进本研究。gydF4y2Ba

引用gydF4y2Ba

1. a·p·戴维斯j .废话n .鲁赫m·f·费伊,“越来越多的咖啡:Psilanthus(茜草科)包含在分子和形态的基础数据;影响的大小、形态、分布和Coffea的进化历史,”gydF4y2Ba植物的林奈学会》杂志上gydF4y2Ba,卷167,不。4、357 - 377年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
2. j . Berthaud和a .坦率的gydF4y2Ba遗传资源的CoffeagydF4y2BaORSTOM,巴黎,法国,1988年。gydF4y2Ba
3. b . Lemi和a . Ashenafi”的多变量分析研究limmu咖啡(Coffea阿拉比卡l .)到达南埃塞俄比亚西部“6卷,没有。7,166 - 174年,2017页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
4. w·丹尼尔,”埃塞俄比亚的十大出口,2018年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
5. 获得美国农业部,”美国农业部获得:埃塞俄比亚的粮食和饲料的年度报告中,“2014人。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
6. CSA(中央统计机构),gydF4y2Ba农业区域抽样调查报告、生产和主要农作物的产量gydF4y2Ba中央统计机构,亚的斯亚贝巴,埃塞俄比亚,2017。gydF4y2Ba
7. CSA(中央统计机构),gydF4y2Ba农业区域抽样调查报告、生产和主要农作物的产量gydF4y2Ba中央统计机构,亚的斯亚贝巴,埃塞俄比亚,2018。gydF4y2Ba
8. d . Boansi和c . CrentsilgydF4y2Ba咖啡出口的竞争力和决定因素,生产者价格和生产的埃塞俄比亚gydF4y2Ba,没有。48869年慕尼黑个人RePEc档案纸、匈牙利、英国、2013。gydF4y2Ba
9. 尤纳和b . BeyattagydF4y2Ba基因环境交互作用和稳定性分析的阿拉比卡基因型gydF4y2Ba,2008年。gydF4y2Ba
10. 尤纳,b . Bayetta, f . Chemeda“绩效评估土著阿拉比卡咖啡的基因型在不同的环境中,“gydF4y2Ba植物育种和作物科学杂志》上gydF4y2Ba》第六卷,没有。11日,第178 - 171页,2014。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
11. l .三十二“x基因环境交互和稳定性分析的一些承诺Ilu ababora咖啡(gydF4y2BaCoffea阿拉比卡gydF4y2BalgydF4y2Ba)gydF4y2Ba对产量和产量相关性状的基因型在埃塞俄比亚西南部,“Jimma大学理学硕士论文提交、埃塞俄比亚、2017。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
12. l . Beksisa s Alamerew a . Ayano g .大巴山,“基因环境交互作用和产量稳定性的阿拉比卡咖啡(gydF4y2BaCoffea阿拉比卡gydF4y2Bal .)基因型”,gydF4y2Ba非洲农业研究杂志》上gydF4y2Ba,13卷,不。4、210 - 219年,2018页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
13. c·c·蒙塔尼翁Cilas, t·勒罗伊,a . Yapo和p . CharmetantgydF4y2BaGenotype-location交互Coffea Canephora收益率在象牙海岸gydF4y2Ba,2000年。gydF4y2Ba
14. m . Ameha和b . Belachew Genotype-environment互动及其含义在阿拉比卡咖啡选择改进质量,“Coffea阿拉比卡,1997。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
15. 大肠意甲,t .镇,a . Nestre t . Shimber a . Yilma和t . Ayano“咖啡现场管理,研究”gydF4y2Ba美国国家车间四十年在埃塞俄比亚咖啡的研究和开发gydF4y2Ba亚的斯亚贝巴,页14日至17日,埃塞俄比亚,2007年8月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
16. 资源,“描述符咖啡(Caffea spp和psilanthus spp),“gydF4y2Ba国际植物遗传gydF4y2Ba、资源研究所、意大利罗马,1996年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
17. 情景应用程序,gydF4y2Ba统计分析系统(9.3版)gydF4y2Ba,SAS研究所卡里,数控。美国,2014年。gydF4y2Ba
18. r·w·祖贝儿、m·j·赖特和h . g . Gauch“收益率的统计分析试验,gydF4y2Ba农学期刊gydF4y2Ba,卷80,不。3、388 - 393年,1988页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
19. p .安吉拉诉马特奥,格雷戈里奥。gydF4y2BaGEA-R (R)基因型X环境分析为Windows 4.0版gydF4y2Ba墨西哥国际玉米和小麦改良中心研究软件,2016年。gydF4y2Ba
20. k·r·加布里埃尔”biplot图形显示矩阵的应用主成分分析,“gydF4y2Ba生物统计学gydF4y2Ba,卷。58岁的没有。3、453 - 467年,1971页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
21. b . Lemi“基因环境交互作用和稳定性分析的先进limmu咖啡(gydF4y2BaCoffea阿拉比卡gydF4y2Ba埃塞俄比亚西南部)基因型,”m Sc。论文提出了Jimma大学,埃塞俄比亚,2016 m . Sc.论文。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
22. m . Demissie g .意甲,m . Kebede”添加剂的主要作用和乘法交互分析的咖啡种质从埃塞俄比亚南部,”gydF4y2BaSINET:埃塞俄比亚科学杂志》上gydF4y2Ba,34卷,不。1,第70 - 63页,2011。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
23. m·巴尔加斯和c·穆gydF4y2BaAMMI分析和图形的Biplot SASgydF4y2Ba国际玉米和小麦改良中心,Int,墨西哥,2000年。gydF4y2Ba
24. j·l .购买“参数分析来描述基因型x环境交互和冬小麦的产量稳定,“农学、农业学院,大学自由州的布隆方丹,南非,1997年博士论文。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba

版权gydF4y2Ba

版权©2021 Wakuma Merga等。这是一个开放的分布式下文章gydF4y2Ba知识共享归属许可gydF4y2Ba,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。gydF4y2Ba