文摘

本研究调查了玉米的稳定性和适应性玉米l .)混合动力车。在这项研究中,12个玉米杂交品种种植和研究考虑到粮食产量。实验被安排在随机完全区组设计(RCBD)和三个复制四个研究站在伊朗期间两年的作物。合并后的方差分析表明,genotype-environment交互在百分之一概率显著水平。粮食产量稳定,混合动力车与特定的适应性是推荐的环境。混合动力车与特定的适应性可以推荐给所有类型的环境。意味着比较产量的基因型鉴定DC370高产基因型。关于AMMI分析,基因型×环境交互(盖斯)和一分之二组件被发现意义重大。SC647基因型被确认为最稳定的基因型。关于稳定性参数,SC647和KSC705基因型被选为最稳定的基因型。 From AMMI1 and AMMI2 graphs, the SC647 genotype was identified as the most stable genotype compared with other hybrids.

1。介绍

玉米是各种重要的年度谷类作物之一,占全球超过188尼古拉斯的农田,造成近50%(1.171吨)的全球粮食产量(1]。玉米的生产和贸易(玉米l .)针对畜牧业。然而,玉米已经领先和整体人类的主要食物。考虑全球玉米和其培养潜力的重要性和在伊朗,这种作物的产量可持续性在先前的研究学习。基因型×环境交互(GEI)负责基因型可持续性特征(2- - - - - -4]。植物育种发展平时严格的影响之一是分析基因型×环境(GE)正确地交互。在大多数小径,G×E交互是见证,然后统计建模和阐明。基因型×环境交互调整合理的粮食产量的基因型在不同环境中,很难选择更好的5]。多区域和多年试验可以帮助识别优质和可持续的基因型(6]。它还可以帮助识别不同的环境通过基因型之间的差异最小的复制。环境有更好的收益可以区分优势基因型在目标环境7]。识别高收益和可持续的基因型在不同环境中是一个不断挑战全球植物育种者。可持续的基因型的特点通过连续的基因型×环境交互(基)。自环境很大程度上影响基因型、位置和年,性能稳定的相关基因型是一个先决条件,必须执行在不同的环境不同的年给定位置(8]。植物育种者正在评估基因型在multienvironment试验(遇到),包括有利的和不利的环境条件对基因型×环境交互(基)。满足方差分析提供了合理的估计的关键基因型的影响(G)和环境(E)和基因型×环境交互(基)的影响G和基主要导致品种评估。观察到的遗传方差的价值变化从一个环境到另一个由于相互影响,在优越的环境中,它倾向于提高高于不利的环境(9]。genotype-environment交互(基)定量性状如产量可以限制开发改良品种优良基因型的选择(10]。计算基,育种者评估基因型在不同环境中识别高收益和稳定的基因型。基因型没有基被认为是稳定的基因型(11]。产量稳定性是最受欢迎的特征之一允许它来识别作为一个品种的基因型。大型设施的建设需要研究基因型,指的是特定的适应性。达到最大的生产,有必要开发最适合给定的目标环境的混合品种和有特定的适应性。添加剂的主要作用和乘法交互分析(AMMI)允许大量的技术解释,他们通常用于评估genotype-environment交互。添加剂的主要作用和乘法交互AMMI模型解决了方差分析和主成分分析的局限性。AMMI模型有效地解释了基模式。AMMI方法三个主要用途用于稳定。首先,该模型包括方差分析和主成分分析。第二,AMMI澄清基和总结G和E使用模式和关系,第三是收益率估计的准确性(12]。AMMI模型更适合和简化了基因型的瞬时选择稳定。模型可以帮助建立基因型的关系,环境,和他们的相互作用(13,14]。AMMI稳定值(ASV),每个基因型的坐标原点的距离biplot坐标图的两个主要组件的交互,基于大量的交互的第一和第二主成分轴(IPCA)模型为每个基因型(15]。最低的基因型、识别的最短的投影biplot起源和被认为是最稳定的16]。Farshadfar et al (17)使用收益率稳定指数(YSI),结合高产性能与稳定性。YSI基于排名由于ASV分数之和与产量或性能排名。低YSI表明结合高产基因型或性能与稳定性18,19]。

2。材料和方法

2.1。数据源

在这项研究中,12个玉米杂交品种种植和研究考虑到粮食产量。这个实验被安排在随机完全区组设计(RCBD)和三个复制四个研究站在伊朗期间两年的作物。的名称和特征研究车站展示在表1。混合动力车的规格表中给出的实验中使用2。

2.2。统计分析

AMMI模型根据Farshadfar et al。17]介绍如下: 在哪里Y_ij的产量我基因型的j环境;的意思是我基因型;λ_k是主成分分析的特征值的平方根轴k;α_ij和γ_jk主成分得分PCA轴吗k我的基因型和j环境;和e_ij是剩余的。

2.3。参数测量

Shahbazi [20.和刘et al。21]提出,使用下面的公式来研究了稳定。Wricke ecovalence,简单的计算,是基因型我: 在哪里X_ij是观察到的收益率反应(平均实验复制),X_我。和X_j对应于前面的符号X是大的意思。

最稳定的是当= 0。

稳定性参数称为稳定性方差( ),这是获得使用以下方程:

在上面的方程中,的平方和genotype-environment交互方法如下:

根据稳定性方差( ),一个稳定的基因型方差最小的稳定。

稳定性也是衡量结合变异系数(CVi)和平均收益率。基因型与低CVs和高平均收益率被视为最可取的。

用联合回归分析来研究通用交互,在独特的环境中基因型效应和交互效应都与环境影响。平方和的交互是分为两个部分:一个部分表示线性回归系数的非均质性(b_我),第二部分表达了汇集区别独特回归行( )。

Eberhart和罗素22)建议评估混合反应环境变化应用线性回归系数(b_我)+回归的方差差异( ):

X_ij是基因型的籽粒产量我在环境j;X_我。是混合的平均收益率我和X_。j环境的平均表现吗j;X。是大的意思,E是环境的数量。

环境差异是一个重要的稳定措施的静态稳定性的概念和计算为每个基因型在测试环境。一个基因型与最小方差在不同环境被认为是稳定的。这种方法计算如下: 在哪里X_ij是基因型的籽粒产量我在环境j,X_我。基因型的平均收益率吗我,E是环境的数量。

AMMI稳定值的计算如前所述的购买等(15和所使用的减少23)和Adjebeng-Danquah et al。24]: 在哪里 从分离获得的重量IPCA1 IPCA2平方和的平方和。总额越大。较高的特定环境的一种特殊形式的适应性。相反,ASV的得分越低表明更多优秀的稳定性在不同的环境中。

性能稳定指数计算应用的和基于性能和排名的排名基于AMMI数量稳定。

RASV是基因型的排名基于AMMI稳定价值,从基因型的排名基于收益率在环境(12,25]。

3所示。结果

结合方差分析表明,环境影响,基因型效应,genotype-environment交互在百分之一概率显著水平。意义环境表明,环境的影响产量的基因型不同,基的意义表明,基因型不同的产量在不同的环境中(表3)。

考虑到邓肯的意思比较这些数据在1%概率水平和产量的基因型,KSC707排名最高的和KSC704 SC301排名最低的(表2)。

Kandus et al。26)表示,最好的模型,只有前两个主成分是重要的,和其他组件显示的小变化。第一和第二主成分代表是基因型和环境,分别在表可以看出4。

第一次重大的环境适合识别和筛选基因型的相互作用。在这项研究中,E2环境被选为最合适的环境筛选基因型。SC647基因型与相对较高的收益率显示最低的交互的第一主成分,所以它是非常稳定的。它可以作为一个理想的基因型在不同地区种植和年(表4)。根据环境方差方法,基因型最低的环境方差被选为最理想的混合;SC604 KSC703基因型和环境方差比其余的基因型,因此被认为是最理想的基因型在这个方法中。SC302 KSC400基因型有最高的环境方差确定为最不稳定的混合动力车。根据环境变异系数(CVi),一个稳定的基因型有此参数的最小值。KSC707和SC604基因型值意味着最高等级的参数,因此,他们认定为最稳定的混合动力车在这个方法中。KSC400和SC302基因型具有最高的环境变异系数确定为最不稳定的混合动力车。这些混合比例较小的基因型和环境相互作用,根据Wricke ecovalence和舒克拉的稳定性方差参数。基于这两种方法的结果,KSC705, KSC706, KSC704基因型被认为是最稳定的混合动力车。KSC703, KSC707, DC370基因型被认为是最不稳定的高水平的基因型,因为这两个参数。 The high value of regression (b_我> 1)表明,多样性是input-rich环境更加敏感,而低价值的回归(b_我< 1)说明各种可能采用较低的环境。因此,KSC400基因型是input-rich更具响应性环境,并采用KSC703基因型在低的环境。进行考虑埃伯哈特和罗素的回归系数( ),任何基因型与最小值更稳定。因此,KSC704和SC647基因型有最低意味着收益率参数被认为最稳定的混合动力车。SC302和SC301基因型有最高意味着收益率参数被确定为最不稳定的基因型。基于稳定的基因型检测系数法,受益于这个最高的统计值,根据KSC705, KSC706, KSC704和SC647混合动力车最高的参数被确定为最稳定的基因型。KSC707基因型被确认为一个最不稳定的混合动力汽车由于其高统计水平。尽管上述方法在确定稳定的基因型相似,一些差异表明,上述参数的结果并不完全一致。在环境方差方法,KSC703和SC604混合动力车被选为最稳定的基因型;变异系数,SC604 KSC707混合动力车;在基因型variance-based方法中,KSC705、KSC706 KSC704混合动力车;进行在埃伯哈特和罗素的回归系数方法,KSC704 SC647; and in detection coefficient method; KSC706, KSC704, and SC647 hybrids were selected as the most stable genotypes, which reveal the differences in the hybrid selection. KSC400 and SC302 genotypes were selected as the most unstable genotypes in identifying the most unstable hybrids based on environmental coefficient of variation; based on variance methods, KSC703, DC370, and KSC707 genotypes; based on Eberhart and Russell's regression coefficient method, SC302 and SC301 genotypes; and based on detection coefficient, KSC707 were selected as the most unstable hybrids. The univariate analysis was performed on the data of four regions in the second crop year. A genotype with the least environmental variation was selected as the most desirable hybrid. The SC647 genotype showed less environmental variation than the rest of the genotypes and hence was recognized as the most desirable genotype of this method. KSC703 and KSC705 genotypes identified as the most unstable hybrids because of having the highest environmental variance. According to the environmental coefficient of variation (CVi), a stable genotype showed the lowest value of this parameter, and accordingly, SC647 and KSC707 genotypes had the lowest value of this parameter and hence were identified as the most stable hybrids of this method. Also, KSC705, KSC706, and KSC704 genotypes were identified as the most unstable hybrids because of having the highest environmental variation coefficient. According to GEI and environmental variance methods, including Wricke’s ecovalence and Shukla’s stability variance parameters, the lower these two statistics, the higher the stability of the hybrids. Based on the results of these two methods, SC647, SC302, and SC301 genotypes were identified as the most stable hybrids because of having the lowest values in both statistics. Also, KSC706 and KSC704 genotypes were identified as the most unstable genotypes because of having the highest values in both statistics. According to theb_我参数、DC370 SC604、KSC707 KSC705基因型为input-rich环境更敏感,和KSC706基因型采用较低的环境。进行关于埃伯哈特和罗素回归系数,任何基因型与该参数的最小值更稳定。因此,SC302 SC647基因型与该参数的最小值确定为最稳定的混合动力车。此外,KSC703 KSC704, KSC706被确定为最不稳定的基因型,因为他们的高价值的参数。基于检测系数法,一个稳定的基因型显示最高的价值,所以KSC705 SC647, SC301混合动力车确认为最稳定的基因型。KSC400、KSC706 DC370基因型被认为是最不稳定的混合动力汽车由于其高价值。单变量分析进行数据的四个区域两年作物。最低的基因型值被选为最理想的混合动力车考虑环境差异,基于KSC707, DC370, SC647, SC604基因型显示,环境方差小于其他基因型,因此他们被确定为该方法的最理想的基因型。KSC705基因型被确认为最不稳定的混合,因为它显示最高的环境差异。根据环境变异系数(CVi),至少一个稳定的基因型值,并基于KSC707基因型显示参数的最小值,因此被认定为该方法的最稳定的混合。 Also, KSC705, KSC400, KSC706, and KSC704 genotypes were identified as the most unstable hybrids with the highest environmental coefficient of variation. According to GEI and environmental variance methods, including Wricke’s ecovalence and Shukla’s stability variance parameters, the lower these statistics in the genotypes, the higher the stability of the hybrids; and based on the obtained results, KSC260, KSC705, and SC647 genotypes were identified as the most stable hybrids due to their lowest values in both statistics. Also, KSC703, KSC706, KSC707, and DC370 genotypes were identified as the most unstable genotypes due to their highest levels of these two statistics. According to theb_我参数,KSC705 input-rich的环境更加敏感,采用DC370基因型在低的环境。进行根据埃伯哈特和罗素回归系数,任何基因型与该参数的最小值更稳定。因此,KSC260、KSC707 SC647基因型有此参数的最小值,并且确定为最稳定的混合动力车。KSC706被确认为最不稳定的基因型,因为它表明该参数的最高水平。基因型被确认为稳定的时候显示这个参数考虑到检测的最高价值系数(表5)。

4所示。讨论

杂交育种的重要目标是选择具有广泛适应性的一系列条件,通常具有良好的稳定性能。最合适的方法包括确定理想的品种和高生产率遗传潜力和检测适应性广,大多数情况下multi-condition实验目标环境(27]。本研究确定了玉米杂交种的稳定性和适应性。由于重要的结合分析,粮食产量稳定可以检查每个环境和混合动力汽车和混合动力车与特定的适应性与一般适应性环境可以测量。基因型×环境交互显示环境的意义可以分类基(28,29日]。最低的SC647基因型AMMI稳定值(0.001)被确认为最稳定的基因型之间的12个基因型。最高的ASV SC302相关基因型(0.072)。收益之和与稳定排名(YSI)排名KSC707结合高产的基因型稳定性。不过高产KSC706基因型是不稳定的,因为根据YSI低等级。这两个基因型KSC400 DC370可以被认为是高产和稳定的(表4)。因此,基因型被认为是稳定的基因型基于ASV和IPCA参数往往有较低的平均收益率(30.]。使用参数对稳定性数据来自四个区域的第一批,KSC260, KSC705, SC647, SC301混合动力车显示的最高价值的参数。此外,KSC707 KSC703, DC370基因型确定为最不稳定的混合动力汽车由于其高统计水平。测试分析的基础上的四个地区第一批,第二作物一年,两年作物的均值,并考虑所有的计算参数,SC647和KSC705基因型确定为最稳定和KSC707 KSC706基因型是最不稳定的基因型的籽粒产量。AMMI模型可以有几个:AMMI0估计基因型和环境的主要添加剂的效果,不包括任何主轴(IPCA);AMMI1,结合AMNI0基因型添加剂效果与环境交互估计,结合从第一主轴(IPCA 1);和AMMI2等完整的模型与所有IPCA轴。(31日]。据AMMI1图解释总数的73.4%广场数据的方差、环境份额是38.36%,基因型比例是12.01%,第一个组件的份额是23%。因此,基因型接近轴,从积极的轴是更稳定。KSC400、KSC705 SC647基因与其它基因型相比更稳定。KSC706、KSC703 KSC707基因型是最不稳定,低收益的基因型,DC370基因型,最稳定、高产基因型。环境稳定是至关重要的展示基因型的可靠性要求在给定的环境中对评级的环境问题(32]。根据AMMI2图,68.1%的数据方差解释46.4%的第一个组件和21.7%的第二个组件。考虑到这张图,SC604和SC302 E7基因型和E1环境;在E4 DC370基因型环境;KSC400、KSC707 KSC706基因型在E5环境;和KSC260 SC301基因型在E3环境受益于一个理想的收益。对于AMMI2图,SC647基因型比其他更稳定的基因型,但与AMMI1图和更稳定的KSC705 KSC400基因,这些基因型鉴定为不稳定(数字1和2)。

5。结论

关于AMMI模型中,方差分析的结果显示显著的基因型×环境交互。E2环境选择最合适的环境筛选基因型。基于数据分析的结果的四个测试地区第一批,第二作物一年,两年作物的均值,并考虑所有的计算参数,SC647和KSC705基因型被认为是最稳定和KSC707 KSC706基因型是最不稳定的基因型的籽粒产量。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

项目没有。TKP2020-IKA-04已经实现从国家研究提供的支持,匈牙利的开发和创新基金,资助2020 -以下4.4.1 tkp2020融资方案和支持的efop - 3.6.3 vekop - 16 - 2017 - 00008项目。开放获取的资金是由德布勒森大学提供。