ارزیابی کارآیی مدل‌های تجزیه پایداری AMMI، GGE بای‌پلات و HO-AMMI برای انتخاب هیبریدهای پرمحصول و پایدار ذرت در آزمایش‌های چندمحیطی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 موسسه 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 فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران

3 بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی کرمانشاه، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمانشاه، ایران

4 بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمان، ایران

5 بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی، سازمان تحقیقات، آموزش و ترویج کشاورزی، مشهد، ایران

6 بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی جنوب کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، جیرفت، ایران

7 بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی دزفول، سازمان تحقیقات، آموزش و ترویج کشاورزی، دزفول، ایران

8 بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی آذربایجان غربی، سازمان تحقیقات، آموزش و ترویج کشاورزی، ارومیه، ایران

9 بخش تحقیقات کنترل بیولوژیک، موسسه تحقیقات گیاهپزشکی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

چکیده

سابقه و هدف: آزمایش‌های چند محیطی برای ارزیابی عملکرد ژنوتیپ‌ها در محیط‌های مختلف و شناسایی ژنوتیپ‌های پایدار با عملکرد بالا به عنوان واریته یا والدین در برنامه‌های اصلاحی ضروری هستند. در این آزمایش‌ها، ارزیابی‌ها اغلب در چندین مکان و سال انجام می‌شود و ترکیب سال و مکان به­عنوان محیط در نظر گرفته می‌شود. اکثر مدل‌های قبلی، مانند مدل‌های پرکاربرد AMMI و GGE بای‌پلات، اثر متقابل ژنوتیپ × محیط (ترکیب مکان و سال، GEI) را محاسبه می‌کنند و GEI را به اثر متقابل ژنوتیپ × مکان (GLI)، اثر متقابل ژنوتیپ × سال (GYI) و برهمکنش ژنوتیپ × مکان × سال (GLYI) تفکیک نمی‌کنند. از آنجایی که تغییرات ناشی از سال اغلب تصادفی و کمتر قابل تکرار بوده و همچنین روند ثابتی را نشان نمی‌دهد، استفاده از مدل‌های قبلی برای تفسیر اثرات متقابل با چالش‌های مهمی مواجه است؛ در نتیجه، رتبه‌بندی ژنوتیپ‌ها بر اساس سال‌های ارزیابی متفاوت بوده و انتخاب ژنوتیپ‌های برتر برای مکان‌های هدف را دشوار می‌کند. بنابراین این مطالعه با هدف مقایسه سودمندی و کارآیی روش‌های HO-AMMI،AMMI و GGE بای‌پلات برای انتخاب هیبرید‌های پایدار و پرمحصول ذرت در آزمایش‌های چند محیطی اجرا گردید.
 
مواد و روش‌ها: برای بررسی سودمندی تفکیک GLI از GEI، آزمایشی با 14 هیبرید ذرت امیدبخش به همراه دو هیبرید تجاری شاهد (هیبریدهای شماره 15 و 16) در قالب طرح بلوک‌های کامل تصادفی با چهار تکرار در هشت مکان (کرج، شیراز، کرمانشاه، ارزوئیه کرمان، مشهد، اصفهان، میاندوآب و دزفول) طی سال‌های زراعی 1399 و 1400 به اجرا در آمد. هر کرت آزمایشی شامل چهار خط کاشت به فاصله 75 سانتی‌متر و به طول 5/6 متر بود. برای حذف اثر حاشیه ای، فقط دو ردیف میانی برداشت شد. سپس عملکرد دانه با رطوبت 14 درصد تصحیح گردید. برای تخمین GEI از مدل‌های AMMI و GGE بای‌پلات و برای تخمین GLI از مدل HO-AMMI استفاده شد.
 
نتایج و بحث: بر اساس میانگین عملکرد دانه هیبرید‌ها در 16 محیط، هیبریدهای شماره 10 و 14 به ترتیب با 12/42 و 12/36 تن در هکتار بیشترین عملکرد دانه را داشتند. با توجه به نتایج، مدل HO-AMMI توانست هیبریدهای پرمحصول (هیبریدهای شماره 10 و 14) با تغییرات عملکرد دانه کمتر از سایر هیبریدها را به‌خوبی تشخیص دهد، در حالی که مدل AMMI و GGE بای‌پلات نتوانست هیبریدهای پرمحصول را از هیبریدهای دیگر تفکیک نماید. به نظر می‌رسد که روش GGE بای‌پلات انتخاب برای سازگاری خصوصی را با دقت بیش­تری انجام می‌دهد. به طور کلی هیبرید شماره 14 نسبت به سایر هیبریدهای پرمحصول تغییرات عملکرد کمتری داشت و از این رو  می­توان به عنوان رقم جدید به کشاورزان معرفی نمود.
 
نتیجه‌گیری: در مدل HO-AMMI، انتخاب ژنوتیپ برای مکان موردنظر آسان‌تر از مدل AMMI است. در واقع، بای‌پلات GLI در مدل HO-AMMI تنها بر اساس ژنوتیپ و مکان و بدون اثر مخدوش‌کننده سال عمل می‌کند. از سوی دیگر، اثر سال در مدل AMMI ممکن است اثر مکان را بپوشاند؛ بنابراین انتخاب ژنوتیپ را دشوارتر می‌کند. مدل HO-AMMI رتبه‌بندی دقیقی از ژنوتیپ‌ها را برای یک مکان بدون اثرات مخدوش‌کننده GYI و GLYI ارائه می‌کند و به اصلاح‌کنندگان این امکان را می‌دهد تا به طور خاص، ژنوتیپ‌های پرمحصول را برای مکان‌های هدف شناسایی کنند. از این رو، مدل HO-AMMI می‌تواند اثرات مخدوش‌کننده GYI و GLYI بر GLI را برای شناسایی دقیق ژنوتیپ برای مکان هدف حذف کند. بنابراین، مدل HO-AMMI را می‌توان در آزمایش‌های چندمحیطی برای انتخاب ژنوتیپ‌های پایدار با عملکرد بالا استفاده کرد.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluating the Efficiency of AMMI, GGE Biplot, and HO-AMMI Stability Analysis Models for Selecting High-Yielding and Stable Maize Hybrids in Multi-Environment Trials

نویسندگان [English]

  • Mohammadreza Shiri 1
  • Afshar Estakhr 2
  • Sharareh Fareghi 3
  • Hamid Najafinezhad 4
  • Saeed Khavari Khorasani 5
  • Morteza Eshraghi-Nejad 6
  • Aziz Afarinesh 7
  • Kamran Anvari 8
  • Laleh Ebrahimi 9
1 Seed and Plant Improvement Institute, Agricultural Research Education and Extension Organization (AREEO), Karj, Iran
2 Crop and Horticultural Science Research Department, Fars Agricultural and Natural Resources Research and Education Center, AREEO, Shiraz, Iran
3 Crop and Horticultural Science Research Department, Kermanshah Agricultural and Natural Resources Research and Education Center, AREEO, Kermanshah, Iran
4 Crop and Horticultural Science Research Department, Kerman Agricultural and Natural Resources Research and Education Center, AREEO, Kerman, Iran
5 Crop and Horticultural Science Research Department, Khorasan Razavi Agricultural and Natural Resources Research and Education Center, AREEO, Mashhad, Iran
6 Crop and Horticultural Science Research Department, South Kerman Agricultural and Natural Resources Research and Education Center, AREEO, Jiroft, Iran
7 Crop and Horticultural Science Research Department, Safiabad Agricultural and Natural Resources Research and Education Center, AREEO, Dezful, Iran
8 Crop and Horticultural Science Research Department, West Azerbaijan Agricultural and Natural Resources Research and Education Center, AREEO, Urmia, Iran
9 Assistant Proffessor, BioControl Research Department, Iranian Research Institute of Plant Protection, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran
چکیده [English]

Introduction: Multi-environment trials are essential for evaluating the performance of genotypes across diverse environments and identifying stable genotypes with high performance, either as varieties or parental lines in breeding programs. These trials are often conducted across multiple locations and years, where the combination of year and location is considered as the environment. Most previous models, such as the widely used AMMI (Additive Main Effects and Multiplicative Interaction) and GGE biplot (Genotype + Genotype-by-Environment Interaction) models, calculate genotype-by-environment interaction (GEI) based on the combination of location and year, without separating GEI into genotype-by-location interaction (GLI), genotype-by-year interaction (GYI), and genotype × location × year interaction (GLYI). Since year-induced variations are often random, less repeatable, and do not show consistent trends, using these previous models for interpreting interaction effects face significant challenges. As a result, genotype rankings differ depending on the years of evaluation, making it difficult to select superior genotypes for target locations. Therefore, this study was conducted to compare the efficiency of the HO-AMMI, AMMI, and GGE biplot methods for selecting stable and high-yielding maize hybrids in multi-environment trail.
 
Materials and methods: To evaluate the usefulness of separating GLI from GEI, an experiment was conducted with 14 promising maize hybrids along with two commercial control hybrids (Hybrids 15, and 16) in a randomized complete block design with four replications across eight locations (Karaj, Shiraz, Kermanshah, Kerman, Mashhad, Isfahan, Miandoab, and Dezful) over two years (2020 and 2021). Each plot consisted of four 6.5 m rows spaced 0.75 m apart, 0.36 m between hills with two plants in each. To eliminate the marginal effect, only the two middle rows were harvested. Grain yield was then measured at the moisture content of 14%. The AMMI and GGE biplot models were used to estimate GEI, while the HO-AMMI (Higher-order-AMMI) model was used to estimate GLI.
 
Results and Discussion: Based on the average grain yield across 16 environments, hybrids No. 10 and 14 had the highest grain yields, with 12.42 and 12.36 tons per hectare, respectively. According to the results, the HO-AMMI model successfully distinguished the high-yielding hybrids (Hybrids No. 10 and 14) with less yield variation than other hybrids. In contrast, the AMMI and GGE biplot model could not separate the other hybrids from the high-yielding group. It appears that the GGE biplot method more accurately identifies specific adaptability. In general, Hybrid No. 14 has less yield variability than other high-yielding hybrids, and hence may be recommended to farmers.
 
Conclusion: In the HO-AMMI model, selecting genotypes for the desired location is easier than with the AMMI model. The GLI biplot in the HO-AMMI model operates based solely on genotype and location, without the confounding effect of year. Conversely, the year effect in the AMMI model may overshadow the location effect, making genotype selection more difficult. The HO-AMMI model provides an accurate ranking of genotypes for a specific location without the confounding effects of GYI and GLYI, enabling breeders to identify high-yielding genotypes for target locations. Therefore, the HO-AMMI model can be effectively used in multi-environment trials to select stable, high-yielding genotypes.

کلیدواژه‌ها [English]

  • Compatibility
  • genotype-by-environment interaction
  • genotype-by-location interaction

فایل ها

هم رسانی

ارجاع به این مقاله

آمار