Evaluation of Yield Stability and Adaptability of Promising Lines of Cowpea in Hot and Dry Regions

. مقدمه

لوبیا چشم­بلبلی (Vigna unguiculata (L.) Walp.) از خانواده Fabaceae و زیرخانواده پروانه­آسایان است. منشاء آن غرب آفریقا (نیجریه) بوده و از آنجا به خاورمیانه و اروپا منتقل شده است. گیاهی یک­ساله، علفی و روزکوتاه است که بعضی از ارقام آن روز خنثی نیز هستند. این گیاه دارای تیپ­های رشد محدود و رشد نامحدود بوده و تعداد کروموزوم آن 22 عدد است. این گیاه به­صورت چندمنظوره (برداشت غلاف سبز، برداشت دانه خشک، تعلیف دام) کشت می­شود (Majnoun Hoseini, 2008). به استناد آمار سازمان خواروبار و کشاورزی، سطح زیر کشت لوبیا چشم­بلبلی در جهان 9/14 میلیون هکتار با تولید 98/8 میلیون تن و میانگین عملکرد 603 کیلوگرم در هکتار است. بیشترین سطح زیر کشت به آفریقا و بیشترین عملکرد (1130 کیلوگرم در هکتار) به آسیا تعلق دارد (FAO, 2021). سطح زیر کشت لوبیا چشم­بلبلی در آمارنامه­های رسمی ایران در دسترس نیست؛ ولی مطابق گزارش­های غیر رسمی، در حدود 17-15 هزار هکتار از اراضی سطح کشور کشت می­شود. استان­های اصلی تولیدکننده این گیاه خوزستان، آذربایجان شرقی، جنوب کرمان، گیلان و خراسان رضوی هستند (Sekhavat et al., 2018; Ghanbari et al., 2018).

هر محصولی حداکثر رشد و عملکرد خود را در مجموعه خاصی از شرایط محیطی دارد. در این میان، نه تنها محصولات، بلکه ارقام مختلف یک محصول نیز تفاوت‏های زیادی را در سازگاری با محیط‏های مختلف نشان می‏دهند (Khajeh Pour, 2000). ﻣﻄﺎﻟﻌﻪ و ﺳﻨﺠﺶ ﻣﯿﺰان ﺳﺎزﮔﺎری و ﭘﺎﯾﺪاری ﻋﻤﻠﮑﺮد ارﻗﺎم در ﺷﺮاﯾﻂ ﻣﺨﺘﻠﻒ ﻣﺤﯿﻄﯽ در ﺑﺮﻧﺎﻣﻪ­ﻫﺎی اﺻﻼح ﻧﺒﺎﺗﺎت از اﻫﻤﯿﺖ وﯾﮋه­ای ﺑﺮﺧﻮردار اﺳﺖ. انتخاب صحیح واریته زراعی برای یک مکان خاص، از تصمیم‏های مهم مدیریت بوده و می‏تواند اثر زیادی بر سوددهی یک پروژه تولید کشاورزی داشته باشد (Harper, 1994).

اهداف برنامه­های اصلاحی لوبیا چشم­بلبلی شامل عملکرد بالا، زودرسی، دوره رویشی بالا برای تولید علوفه، داشتن مواد مغذی مناسب در برگ و دانه و کیفیت پخت مناسب است (Menssen et al., 2017). به­نژادﮔﺮان ﺳﻌﯽ ﻣﯽﮐﻨﻨﺪ ژﻧﻮﺗﯿﭗ­هایی را اﻧﺘﺨﺎب ﮐﻨﻨﺪ ﮐﻪ ﻗﺪرت ﭘﺎﯾﺪاری و ﻋﻤﻠﮑﺮد ﺑﺎﻻ در ﻫﻤﻪ ﺳﺎل­ﻫﺎ و ﻣﮑﺎن­ﻫﺎ را داﺷﺘﻪ ﺑﺎﺷﻨﺪ. در ﻣﺠﻤﻮع، ﯾﮏ ژﻧﻮﺗﯿﭗ زﻣﺎﻧﯽ ﭘﺎﯾﺪار اﺳﺖ ﮐﻪ ﻋﻤﻠﮑﺮد آن از ﻣﯿﺎﻧﮕﯿﻦ ﻋﻤﻠﮑﺮد ﯾﮏ ﮔﺮوه از ژﻧﻮﺗﯿﭗ­ﻫﺎی اﺳﺘﺎﻧﺪارد در ﻣﺤﯿﻂ­ﻫﺎی ﻣﺨﺘﻠﻒ اﻧﺤﺮاف ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ
(Gancales et al., 2003).

پایداری به تولید ثابت محصول (ثبات عملکرد) در مکان‌ها و سال‌های مختلف اطلاق می‌شود (Fernandez, 1991). هدف مراکز به‌نژادی به­دست­آوردن ارقام با سازگاری وسیع، عملکرد بالا، پایدار و مقاوم به انواع تنش‌های محیطی می‌باشد. ارقام برتر به منظور استفاده در برنامه‌های اصلاحی و توزیع در میان کشاورزان ایجاد می‌شوند (Rajaram, 1983). ژنوتیپ‌هایی که دارای اثر متقابل بالایی در محیط‌های مختلف باشند از ثبات عملکرد دانه کمتر و پایداری پائینی برخوردار هستند (Agaei, 1993). وجود اثر متقابل ژنوتیپ با محیط سبب کاهش پایداری عملکرد ارقام در برخی از محیط‌ها می‌شود (Pham & Kang, 1988). به­علاوه این اثر سبب بروز تفاوت‌های قابل ملاحظه‌ای بین تظاهر ژنوتیپ‌ها در محیط‌های مختلف می‌شود که این موضوع باعث کاهش ارتباط بین بروز صفات فنوتیپی و مقادیر ژنوتیپی آن صفات می‌گردد (DeLacy et al., 1990). اگر اثر متقابل ژنوتیپ در محیط باعث تغییر در رتبه ژنوتیپ‌ها نشود قابل چشم‌پوشی است؛ ولی اگر این پدیده به اندازه‌ای باشد که سبب تغییر رتبه ژنوتیپ‌ها در محیط‌های مختلف شود غیر قابل چشم‌پوشی بوده و باید مورد بررسی و ارزیابی قرار گیرد (Raiger & Prabhakaran, 2001). اثر متقابل ژنوتیپ و محیط به حالتی گفته می‌شود که ژنوتیپ‌ها به تغییرات محیطی واکنش‌های متفاوتی نشان دهند. این پدیده برای پژوهشگران علوم اصلاح نباتات دارای اهمیت ویژه‌ای بوده و یکی از مسائل پیچیده برنامه‌های به‌نژادی برای تهیه ژنوتیپ پرمحصول و پایدار به شمار می­رود (Cornelius & Crossa, 1999; Yan et al., 2007). وجود اثر متقابل ژنوتیپ و محیط باعث کاهش بازده روش‌های اصلاحی شده و سودمندی وسعت کشت ژنوتیپ‌های اصلاح­شده را کاهش می‌دهد؛ به­طوری­که محققان را وادار می‌سازد تا برای مکان‌های مختلف، ژنوتیپ‌های متفاوتی را اصلاح کرده و جهت کشت معرفی نمایند (Becker & Leon, 1988). اثر متقابل ژنوتیپ و محیط یکی از عوامل کندکننده پیشرفت برنامه‌های اصلاح و آزادسازی ارقام محصولات زراعی در مناطق مختلف است
 (Kang, 1997). نتیجه‌گیری از آزمایش­های به‌نژادی و به‌زراعی بدون شناخت و بررسی دقیق اثر متقابل ژنوتیپ در محیط دارای اعتبار چندانی نمی‌باشد. از روش‌های کاهش اثر متقابل ژنوتیپ و محیط، روش انتخاب ژنوتیپ‌های پایدار است؛ به­طوری­که ژنوتیپ‌های منتخب حداقل تاثیرپذیری را از محیط داشته باشند (Sadegh Zadeh Ahari et al., 2005). همچنین استفاده از جمعیت‌های بومی در برنامه‌های به­نژادی به­دلیل برتری آنها از نظر سازگاری مورد تاکید قرار گرفته است (Franca, 1977).

علی­رغم حضور لوبیا چشم­بلبلی در سبد غذایی خانوارهای ایرانی و جایگاه مناسب آن در زراعت، فعالیت­های تحقیقاتی کمی در رابطه با اصلاح و معرفی ارقام آن انجام شده است و در مناطق مستعد کشت این گیاه، از توده­های محلی استفاده می­شود که ضمن غیر یکنواختی در رسیدگی، عملکرد کمی نیز دارند. با توجه به نبود ارقام مناسب لوبیا چشم­بلبلی در ایران، این پژوهش به منظور ارزیابی سازگاری و پایداری لاین­های امیدبخش لوبیا چشم­بلبلی جهت معرفی ارقام برتر برای کشت در مناطق مستعد اجرا شد.

2. روش­شناسی پژوهش

به منظور مقایسه عملکرد و بررسی سازگاری لاین­های لوبیا چشم­بلبلی، این آزمایش طی سه سال (1399 تا 1401) در سه منطقه دزفول، جیرفت و اهواز با تعداد 11 لاین به­همراه رقم مشهد (شاهد) (انتخابی از بین 194 ژنوتیپ جمع­آوری­شده از 44 شهرستان از 15 استان کشور در آزمایش مقدماتی) در قالب طرح بلوک­های کامل تصادفی با سه تکرار اجرا شد.

در هر سال، بذور هر لاین در چهار ردیف به طول پنج متر با فاصله بذر روی ردیف 10 سانتی­متر و فاصله بین خطوط 75 سانتی­متر در تاریخ کاشت مرسوم هر منطقه (جدول 2) کشت شد. توزیع کود شیمیایی بر اساس توصیه کودی (قبل از کشت به میزان 150 کیلوگرم در هکتار فسفات آمونیوم، 70 کیلوگرم در هکتار پتاس و 50 کیلوگرم در هکتار اوره) و مبارزه با آفات (سم دیازینون دو لیتر در هکتار) و علف­های هرز (بازاگران دو لیتر در هکتار و گالانت دو لیتر در هکتار) در مواقع مورد نیاز انجام شد. آبیاری به صورت جوی و پشته و براساس میزان تقریبی 80 میلی­متر تبخیر از تشتک تبخیر انجام شد.

صفات مورد نظر در این تحقیق شامل عملکرد، اجزای عملکرد (تعداد غلاف در بوته، تعداد دانه در غلاف، وزن صد دانه)، ارتفاع بوته و صفات فنولوژی تعداد روز تا آغازگل­دهی و آغاز رسیدگی (با توجه به رشد نامحدودبودن لوبیا چشم­بلبلی) بودند. تجزیه واریانس مرکب عملکرد لاین­ها برای سه منطقه انجام شد. قبل از انجام تجزیه مرکب، آزمون نرمال­بودن داده­ها و یکنواختی واریانس خطاهای آزمایشی با استفاده از آزمون بارتلت بررسی شد. برای تجزیه واریانس داده­ها از نرم­افزار SAS 9.4 استفاده شد. همچنین برای تعیین پایداری لاین­ها از روش بای­پلات حاصل از اثر متقابل ژنوتیپ­ها و محیط (GGE biplot) و روش رتبه­ای استفاده شد.

جدول 1. فهرست لاین­های مورد بررسی بر اساس نمونه­های ژنتیکی بانک ژن گیاهی ملی ایران.

جدول 2. تاریخ کاشت ژنوتیپ­های مورد بررسی در مناطق مختلف.

3. یافته­های پژوهش و بحث

در ابتدا جهت انجام تجزیه واریانس مرکب (سال و مکان به عنوان فاکتور تصادفی و تیمار به عنوان فاکتور ثابت در نظر گرفته شد) داده­های به­دست­آمده از انجام آزمایش در سه منطقه و سه سال مختلف، ابتدا آزمون بارتلت جهت بررسی یکنواختی واریانس خطاهای آزمایشی انجام شد. نتایج تجزیه واریانس مرکب نشان داد که اثر سال، مکان و اثر متقابل سال در مکان برای همه صفات مورد مطالعه معنی­دار بود که نشان می­دهد سال­های مختلف در مکان­های مختلف اثر متفاوتی داشته­اند. همچنین بجز اثر ژنوتیپ روی ارتفاع بوته و اثر سال در ژنوتیپ برای صفات ارتفاع بوته، تعداد غلاف در بوته و تعداد دانه در غلاف، اثر سایر منابع تغییر روی صفات اندازه­گیری­شده معنی­دار بود. ضریب تغییرات صفات مورد بررسی از 6/2 برای تعداد روز تا رسیدگی تا 8/23 برای تعداد غلاف در بوته متغیر بوده است که بیانگر دقت انجام آزمایش در مناطق مختلف طی سه سال اجرای آزمایش می­باشد (جدول 3). این نتایج نشان داد که ژنوتیپ­های مورد بررسی، از تنوع خوبی برخوردار بودند و پاسخ ژنوتیپ­ها در محیط­های مختلف، به­طور یکسانی تغییر نمی­کند. این نتایج در هماهنگی با یافته­های بخشی و همکاران (Bakhshi et al., 2021) در رابطه با وجود تنوع قابل توجه در ژنوتیپ­های مختلف لوبیای چشم­بلبلی در مناطق گرم و خشک کشور بود.

جدول 3. تجزیه واریانس مرکب صفات مهم مورد ارزیابی در سه مکان (دزفول، اهواز و جیرفت) طی سه سال.

^ns، ^* و ^** به­ترتیب نشان‌دهنده عدم ‌معنی‌داری، معنی‌داری در سطح پنج و یک درصد می‌باشند.

با توجه به اینکه اثر ژنوتیپ در محیط برای تمامی صفات به­خصوص عملکرد دانه و وزن صد دانه که به­عنوان مهم­ترین صفات جهت شناسایی لاین­های برتر لوبیا چشم­بلبلی می­باشند، معنی­دار شده است، لذا ضروری است اثر متقابل ژنوثیپ و محیط از یکدیگر تفکیک شوند. معنی­دار بودن اثر اصلی مکان و بزرگی واریانس ایجادشده توسط مکان­های آزمایش نشان­دهنده تفاوت بین مکان­ها از لحاظ ویژگی­های جغرافیایی (مانند ارتفاع از سطح دریا) و شرایط آب و هوایی (مانند درجه حرارت و اختلاف طول شب و روز) است (Bavandpori et al., 2015). بدین­منظور و جهت شناسایی تغییرات صفات مختلف اندازه­گیری­شده طی سه سال زراعی و در مکان­های مختلف اجرای آزمایش، تجزیه واریانس مناطق مختلف به­صورت جداگانه از یکدیگر نیز مورد بررسی قرار گرفت. نتایج نشان داد که در دزفول اثر سال در تمامی صفات بجز تعداد دانه در غلاف و وزن صد دانه معنی­دار می­باشد. همچنین اثر ژنوتیپ در تمامی صفات اندازه­گیری­شده طی سه سال زراعی، معنی­دار بود. ضریب تغییرات صفات اندازه­گیری­شده از 7/2 برای صفت تعداد روز تا رسیدگی تا 9/17 برای صفت عملکرد دانه متغیر بود (جدول 4). نتایج مربوط به تجزیه واریانس مناطق جیرفت و اهواز و تغییرات صفات آنها به­ترتیب در جداول 5 و 6 آمده است. نتایج مطالعات قبلی نشان داد که بخش بزرگی از واریانس ایجادشده، توسط محیط توجیه می­شود. در مطالعات انجام­شده روی ژنوتیپ­های ماش، ارزن معمولی و باقلا گزارش شده است که به­ترتیب، بیش از 60، 86 و 89 درصد از واریانس کل، توسط محیط ایجاد می­شود (Temesgen et al., 2015; Zhang et al., 2016;
Asfaw et al., 2012).

جدول 4. تجزیه واریانس مرکب صفات مهم مورد ارزیابی در دزفول طی سه سال.

^ns، ^* و ^** به­ترتیب نشان‌دهنده عدم ‌معنی‌داری، معنی‌داری در سطح پنج و یک درصد می‌باشند.

جدول 5. تجزیه واریانس مرکب صفات مهم مورد ارزیابی در جیرفت طی سه سال.

^ns، ^* و ^** به­ترتیب نشان‌دهنده عدم ‌معنی‌داری، معنی‌داری در سطح پنج و یک درصد می‌باشند.

نتایج مربوط به شاخص­های آماری متمایل به مرکز و پراکندگی صفات اندازه­گیری­شده در سه منطقه اجرای آزمایش و طی سه سال زراعی (جدول 7) نشان داد که تغییرات صفات اندازه­گیری­شده در مناطق مختلف زیاد بوده و نشان­دهنده تنوع ژنتیکی بالای لاین­های مورد بررسی می­باشد. در این جدول میزان حداکثر و حداقل، میانگین و انحراف معیار صفات مختلف اندازه­گیری­شده در مناطق مختلف جغرافیایی اجرای آزمایش آمده است. به­عنوان مثال، صفت عملکرد دانه از 2423 کیلوگرم در هکتار در دزفول تا 761 کیلوگرم در هکتار در اهواز برای لاین­های مختلف، متغیر بوده است. مطالعات مختلف روی تنوع ژنتیکی توده­های بومی لوبیا چشم­بلبلی نشان­دهنده وجود تنوع بالای صفات مهم زراعی در این گیاه می­باشد (Lazaridi et al., 2017; Martins et al., 2014; Mafakheri et al., 2015).

جدول 6. تجزیه واریانس مرکب صفات مهم مورد ارزیابی در اهواز طی سه سال.

^ns، ^* و ^** به­ترتیب نشان‌دهنده عدم ‌معنی‌داری، معنی‌داری در سطح پنج و یک درصد می‌باشند.

جهت شناسایی لاین­های برتر و پایدار لوبیا چشم­بلبلی برای کشت در نواحی گرم و خشک کشور از روش GGE biplot براساس نتایج عملکرد دانه و همچنین وزن صد دانه به عنوان مهم­ترین صفات جهت انتخاب لاین­های برتر در لوبیا چشم­بلبلی استفاده شد. در این روش هرچه یک لاین در قسمت انتهای سمت راست (در جهت فلش) نمودار افقی قرار گیرد دارای عملکرد بالاتری می­باشد و هر لاینی که در قسمت انتهای سمت چپ (خلاف جهت فلش) نمودار افقی قرار گیرد دارای کمترین میزان عملکرد می‌باشد (Yan et al., 2007). 

جدول 7. شاخص‌های آماری صفات اندازه‌گیری­شده در مناطق مختلف جغرافیایی و سه سال اجرای آزمایش.

بر اساس روش GGE biplot برای عملکرد دانه (شکل 1) دو مؤلفه اصلی اول و دوم به­ترتیب 72/47 و 13/23 درصد از تغییرات را توجیه نمودند. این بدان معنی است که بای‌پلات حاصل توانسته است 85/70 درصد از تغییرات ژنوتیپ و اثر متقابل ژنوتیپ × محیط را توجیه ‌نماید که بیانگر اعتبار نسبتاً بالای نمودار بای‌پلات حاصل از این مطالعه در تبیین تغییرات G + GE است. به­طور کلی، عدم تبیین بالای تغییرات موجود مجموع مؤلفه‌های اصلی اول و دوم نشانگر ماهیّت پیچیده اثر متقابل ژنوتیپ و محیط خواهد بود (Yan & Tinker, 2005)؛ اما این امر به معنای عدم اعتبار بای‌پلات نمی‌باشد (Yan et al., 2007). اگر نمودار بای‌پلات قادر به توجیه حداقل 60 درصد از واریانس داده‌ها باشد، می‌توان برای تعیین ابر محیط‌ها از آن استفاده نمود (Yang et al., 2009). همچنین رسم نمودار GGE biplot برای وزن صد دانه (شکل 2) توانست 18/90 درصد تغییرات را توجیه نماید که از این مقدار 28/86 درصد توسط مولفه اول و 90/8 درصد توسط مولفه دوم کنترل شد. براین اساس و با توجه به شکل 1، لاین­های شماره 4 (1097)، 8 (7244) و 12 (7259) به لحاظ عملکرد دارای بالاترین میزان بودند. در این نمودارها از شماره هر لاین یک خط منقطع سبز به سمت محور افقی عمود شده است که نشان­دهنده پایداری لاین‌ها در سه سال اجرای آزمایش می‌باشد، بدین­ترتیب که هرچه ارتفاع این خط کوتاه‌تر باشد، پایداری آن لاین بالاتر بوده و برعکس هرچه ارتفاع خط بیشتر باشد، آن لاین دارای پایداری کمتری است (Okello-Anyanga et al., 2016). با توجه به اینکه خط عمود شده بر محور افقی برای لاین شماره 4 (1097) بلندتر از دو لاین 8 (7244) و 12 (7259) می­باشد، پایداری این لاین در سه مکان مورد آزمایش و طی سه سال زراعی کمتر است. از طرف دیگر با توجه به بای­پلات رسم­شده براساس وزن صد دانه (شکل 2)، لاین شماره 12 (7259) در انتهای سمت راست نمودار قرار گرفته و دارای بالاترین وزن صد دانه می­باشد. همچنین خط عمود شده به محور افقی نیز برای این لاین بسیار کوتاه بوده که نشان­دهنده پایداری بالای وزن صد دانه این لاین در محیط­های مختلف است. همچنین دو لاین شماره 9 (7255) و 4 (1097) در انتهای سمت چپ محور افقی قرار گرفته­اند و دارای کمترین میزان وزن صد دانه می­باشند. علاوه براین، خط عمودشده از این لاین­ها به محور افقی نیز بسیار بلند بوده که نشان­دهنده پایداری پایین این لاین­ها در محیط­های مختلف است.

شکل 1. بای­پلات (GGE Biplot) عملکرد دانه و پایداری لاین­ها در سه سال زراعی.

شکل 2. بای­پلات (GGE Biplot) وزن صد دانه و پایداری لاین­ها در سه سال زراعی.

جهت شناسایی دقیق­تر لاین­های برتر و پایدار، علاوه بر شناسایی آنها با استفاده از روش گرافیکی GGE biplot، از روش رتبه­ای با استفاده از عملکرد دانه و وزن صد دانه نیز استفاده شد (جدول 8). در این روش عملکرد دانه (قسمت بالای جدول 4) و وزن صد دانه (قسمت پایین جدول 8) برای تمامی لاین­های مورد آزمایش در طی سه سال زراعی و در سه مکان مورد آزمایش آورده و برای هر مکان در هر سال زراعی، لاینی که دارای بیشترین میزان آن صفت می­باشد رتبه 1 و لاینی که دارای کمترین میزان آن صفت است رتبه 12 را می­گیرد. در نهایت با توجه به رتبه کسب­شده برای هر لاین در سه مکان و سه سال اجرای آزمایش، میانگین و انحراف رتبه به­دست می­آید. در نهایت لاینی که دارای کمترین میانگین رتبه است، بالاترین عملکرد و وزن صد دانه را دارد. همچنین هرچه میزان انحراف رتبه برای یک لاین کمتر باشد، پایداری آن لاین بیشتر می­باشد.

جدول 8. عملکرد دانه (قسمت بالا)، وزن صد دانه (قسمت پایین) و رتبه (عدد داخل پرانتز) 12 لاین لوبیا چشم­بلبلی مورد آزمایش طی سه سال زراعی.

براساس نتایج حاصل از تجزیه پایداری به روش رتبه­ای براساس عملکرد دانه (قسمت بالای جدول شماره 4)، لاین­های شماره 4 (1097)، شماره 8 (7244) و شماره 12 (5259) به­ترتیب داری میانگین رتبه 8/4، 9/4 و 3/5 می­باشند که نشان­دهنده عملکرد بالاتر این لاین­ها نسبت به سایر لاین­های مورد آزمون می­باشد؛ ولی با سایر لاین­ها اختلاف زیادی ندارد. اما بررسی نتایج حاصل از رتبه­بندی لاین­ها براساس وزن صد دانه (قسمت پایین جدول 8)، مشخص است که لاین شماره 12 (5259) با اختلاف دارای کمترین میانگین رتبه (6/1) می­باشد و در اکثر مناطق و سال­های اجرای آزمایش، بالاترین وزن صد دانه را به خود اختصاص داده است. نکته مهم دیگری که بسیار حائز اهمیت است، پایین­بودن انحراف رتبه این لاین (7/0) است که نشان­دهنده پایداری بالای آن در محیط­های مختلف است. نتایج سایر تحقیقات نیز نشان­دهنده این بود که ارقامی که دارای کمترین میانگین و انحراف رتبه می‌باشند به عنوان برترین ارقام شناسایی می‌شوند (Kalantar Ahmadi, 2022). نکته حائز اهمیت این است که لاین شماره 4 (1097) علی­رغم دارا بودن بیشترین عملکرد دانه، یکی از بدترین لاین­ها در رتبه کسب­شده برای وزن صد دانه (میانگین رتبه 4/9) می­باشد. با توجه به­اینکه، سایز و وزن دانه به عنوان مهمترین صفت در بازارپسندی این گیاه مطرح است، این لاین علی­رغم عملکرد بالا نمی­تواند مورد پسند مصرف­کننده قرار گیرد.

شکل 3. مقایسه میانگین عملکرد دانه 12 لاین لوبیا چشم­بلبلی طی سه سال زراعی.

شکل 4. مقایسه میانگین وزن صد دانه 12 لاین لوبیا چشم­بلبلی طی سه سال زراعی.

نتایج حاصل از میانگین عملکرد دانه در شکل 3 به وضوح نشان می­دهد که لاین­های شماره 4 (1097)، شماره 8 (7244) و شماره 12 (5259) به­ترتیب با دارا بودن 1344، 1338 و 1283 کیلوگرم در هکتار طی سه سال و در سه مکان اجرای آزمایش دارای بیشترین میزان عملکرد بوده­اند. همچنین با توجه به میانگین وزن صد دانه، لاین­های شماره 12 (5259) و شماره 6 (مشهد)، شماره 5 (1057) و شماره 8 (7244) به­ترتیب با 75/20، 32/20، 09/20 و 73/19 گرم دارای بیشترین میزان بودند. معمولا در مطالعات انجام­شده روی توده­های بومی لوبیا چشم­بلبلی، تنوع زیاد در اجزای عملکرد وجود داشته و بیشترین ضریب تنوع در توده­های لوبیا چشم­بلبلی متعلق به عملکرد و اجزای آن بوده است (Ajayi et al., 2014; Lazaridi et al., 2017; Manggoel et al., 2012). اگرچه گزارش شده است که لوبیا چشم­بلبلی پایه ژنتیکی محدودی دارد (Asare et al., 2010)؛ اما به وضوح تنوع ژنتیکی بالا و پاسخ مختلف لاین­های مورد استفاده در این پژوهش در مناطق جغرافیایی مختلف مناطق گرم و خشک کشور به چشم می­آید.

4. نتیجه­گیری

در مجموع، با توجه به نتایج صفات مورد ارزیابی در مناطق مورد بررسی طی سه سال، تجزیه پایداری عملکرد دانه با استفاده از روش گرافیکی و رتبه­ای و با درنظرگرفتن صفت مهم بازارپسندی (اندازه دانه که تابعی از وزن 100 دانه می­باشد)، لاین 7259 که به لحاظ عملکرد دانه و وزن صد دانه در صدر بهترین لاین­های مورد بررسی قرار دارد، برای تمام مناطق مورد آزمایش توصیه می­شود. لازم است قبل از معرفی این لاین به عنوان یک رقم جدید، در ابتدا آزمایش تحقیقی-ترویجی این لاین در کنار ارقام مورد استفاده توسط کشاورزان و در مزرعه کشاورز اجرا و در صورت برتری قابل توجه نسبت به آنها معرفی گردد.

5. منابع

Agaei, M. (1993). Study of genotype× environment interaction in barely cultivars on Tabriz. Journal of Agricultural Science, 1(2), 28–40. (In Persian).

Ajayi, A., Adekola, M., Taiwo, B., & Azuh, V. (2014). Character expression and differences in yield potential of ten genotypes of cowpea (Vigna unguiculata L. Walp). International Journal of Plant Research, 4(3), 63-71.

Asare, A.T., Gowda, B.S., Galyuon, I.K., Aboagye, L.L., Takrama, J.F., & Timko, M.P. (2010). Assessment of the genetic diversity in cowpea (Vigna unguiculata L. Walp.) germplasm from Ghana using simple sequence repeat markers. Plant Genetic Resources, 8(2), 142-150.

Asfaw, A., Gurum, F., Alemayehu, F., & Rezene, Y. (2012). Analysis of multienvironment grain yield trials in mung bean vigna radiata (L.) Wilczek based on GGE biplot in Southern Ethiopia. Journal of Agricultural Science and Technology, 14, 389-398.

Bakhshi, B., Pouresmaiel, M., & Keshtgar Khajedad, M. (2021). Assessment of agro-morphological traits diversity in cowpea landraces originated from arid and warm regions of Iran. Iranian Journal of Pulses Research, 12(2), 85-103. (In Persian).

Bavandpori, F., Ahmadi, J., & Hossaini, S.M. (2015). Yield stability analysis of bread wheat lines using AMMI model. Agricultural Communications, 3(1), 8-15.

Becker, H.C., & Leon, J. (1988). Stability analysis in plant breeding. Plant Breeding, 101(1), 1–23.

Cornelius, P.L., & Crossa, J. (1999). Prediction assessment of shrinkage estimators of multiplicative models for multi‐environment cultivar trials. Crop Science, 39(4), 998–1009.

DeLacy, I.H., Eisemann, R.L., & Cooper, M. (1990). The importance of genotype-by-environment interaction in regional variety trials. Genotype-by-Environment Interaction and Plant Breeding. Louisiana State University, Baton Rouge, LA, 287–301.

FAO. (2021). FAOSTAT. Available on: [http://www.fao.org/faostat].

Fernandez, G.C.J. (1991). Analysis of genotype× environment interaction by stability estimates. HortScience, 26(8), 947–950.

Franca, M.S., & Blumenschein, A. (1977). Value of regional population of beans (Phaseolus vulgaris) in breeding programs. Annual Report of Bean Improvement Cooperation, 20, 44-45.

Gancales, P.S., Bortoletto, N.A., Mellomartins, L., Costa, R.B., & Gallo, P.B. (2003). Genotype-environment interaction and phenotypic stability for girth growth and rubber yield of Hevea clones in Sao Paulo state, Brazil. Genetics and Molecular Biology, 26, 441-448.

Ghanbari, A.A., Douri, H., Sheykh, F., Swkhavat, R., & Darvishi, B. (2018). Technical instructions for the production of blue bean seeds (beans, fava beans, mung beans, cowpeas). Karaj: Seed and Plant Improvement Institute. (In Persian).

Harper, F. (1983). Principles of arable crop production. United Kingdom, Granada Publishing.

Kalantar Ahmadi, S.A. (2020). Effect of sowing date on seed yield and yield components of canola
(Brassica napus L.) cultivars in north Khuzestan conditions. Iranian Journal of Crop Sciences, 24(3), 266-284. (In Persian).

Kang, M.S. (1997). Using genotype-by-environment interaction for crop cultivar development. Advances in Agronomy, 62(2), 199–252.

Khajeh Pour, M.R. (2000). Principles and basics of agriculture. Isfahan: Jihad University Press, Isfahan Industrial Unit. (In Persian).

Lazaridi, E., Ntatsi, G., Savvas, D., & Bebeli, P. (2017). Diversity in cowpea (Vigna unguiculata (L.) Walp.) local populations from Greece. Genetic Resources and Crop Evolution, 64(7), 1529-1551.

Mafakheri, K., Bihamta, M., & Abbasi, A. (2015). Screening for drought stress tolerance in cowpea genotypes (Vigna unguiculata l.). Iranian Journal of Pulses Research, 6(2), 123-138. (In Persian).

Majnoun Hoseini, N. (2008). Cultivation and production of legumes (legumes in Iran). Tehran: Academic Jihad Publications. (In Persian).

Manggoel, W., Uguru, M., Ndam, O., & Dasbak, M. (2012). Genetic variability, correlation and path coefficient analysis of some yield components of ten cowpea [Vigna unguiculata (L.) Walp] accessions. Journal of Plant Breeding and Crop Science, 4(5), 80-86.

Martins, C.M., Lawlor, D.W., Quilambo, O.A., & Kunert, K.J. (2014). Evaluation of four Mozambican cowpea landraces for drought tolerance. South African Journal of Plant and Soil, 31(2), 87-91.

Menssen, M., Linde, M., Omondi, E.O., Abukutsa-Onyango, M., Dinssa, F.F., & Winkelmann, T. (2017). Genetic and morphological diversity of cowpea (Vigna unguiculata (L.) Walp.) entries from East Africa. Scientia Horticulturae, 226, 268-276.

Okello-Anyanga, W., Rubaihayo, P., Gibson, P., & Okori, P. (2016). Genotype by environment interaction in sesame (Sesamum indicum L.) cultivars in Uganda. African Journal of Plant Science, 10(10), 189–202.

Pham, H.N., & Kang, M.S. (1988). Interrelationships among and repeatability of several stability statistics estimated from international maize trials. Crop Science, 28(6), 925–928.

Raiger, H.L., & Prabhakaran, V.T. (2001). A study on the performance of a few non-parametric stability measures using pearl-millet data. Indian Journal of Genetics and Plant Breeding, 61(1), 7–11.

Rajaram, S. (1983). Adaptation, stability and high yield potential of certain 1B/1R CIMMYT wheats. In Proc 6th International Wheat Genetic Symposioum. pp. 613–621.

Sadegh Zadeh Ahari, D., Hosseini, S.K., HosseinPour, T., Jafarbay, J., Khalilzade, G., & Alizade Disaj, K. (2005). Staudy on adaptability and stability of grain yield in durum wheat lines in warm and semi-warm dryland areas. Seed and Plant, 21(4), 561-576. (In Persian).

Sekhavat, R., Ghanbari, D., & Mirzashahi, K. (2018). Instructions for planting, keeping and harvesting cowpea in Khuzestan. Dezful: Safi Abad Agriculture and Natural Resources Research and Education Center. Registration number: 55028. (In Persian).

Temesgen, T., Keneni, G., Sefera, T., & Jarso, M. (2015). Yield stability and relationships among stability parameters in faba bean (Vicia faba L.) genotypes. The Crop Journal, 3(3), 258-268.

Yan, W., & Tinker, N.A. (2006). Biplot analysis of multi-environment trial data: Principles and applications. In Canadian Journal of Plant Science, 86(3), 623-645.

Yan, W., Kang, M.S., Ma, B., Woods, S., & Cornelius, P.L. (2007). GGE biplot vs. AMMI analysis of genotype‐by‐environment data. Crop Science, 47(2), 643–653.

Yang, R., Crossa, J., Cornelius, P.L., & Burgueño, J. (2009). Biplot analysis of genotype× environment interaction: Proceed with caution. Crop Science, 49(5), 1564–1576.

Zhang, P.P., Hui, S., Ke, X.W., Jin, X.J., Yin, L.H., Yang, L., Yang, Q., Wang, S., Feng, N.J., & Zheng, D.F. (2016). GGE biplot analysis of yield stability and test location representativeness in proso millet (Panicum miliaceum L.) genotypes. Journal of Integrative Agriculture, 15(6), 1218-1227.