Evaluation of Seed Yield Stability of Groundnut Genotypes by Multi-Characteristic Selection Indicators

Document Type : Research Paper

Authors

1 Department of Plant Production and Genetics, Faculty of Agriculture and Natural Resources, University of Mohaghgh Ardabili, Ardabil, Iran

2 Department of Plant Production and Genetics, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran

3 Department of Horticulture and Agronomy, Agricultural and Natural Resources Research and Education Center of Guilan Province, Agricultural Research, Education and Extension Organization (AREEO), Rasht, Iran

4 Department of Cellular and Molecular Biology, Faculty of Biology, Mizan University of Tabriz, Tabriz, Iran

Abstract

This research was done to study the grain yield stability of 11 groundnut genotypes based on a randomized complete blocks design with three replications at three different research stations in Guilan province, Iran, during two growing seasons of 2020 and 2021. The combined analysis of variance indicated that the main effects of genotype (G), environment (E), and their interactions (G×E) were highly significant (p<0.01). The principal component analysis (PCA) based on the rank correlation matrix indicated that the first two PCAs explained 76.6% of the variance of the original variables. Based on the biplot analysis, the non-parametric stability statistics were classified into four groups. The clustering of the genotypes according to the mean yield and non-parametric stability statistics showed four main clusters. The ideal genotype selection indicator (IGSI) results, calculated based on all non-parametric methods, indicated that the genotypes 178, 128, 201, 176, and 115 having the maximum IGSI values, were the most stable genotypes. In addition, according to the multi-trait genotype-ideotype index (MGIDI), genotypes 178 and 176 were introduced as the most stable genotypes, and the 115, 201, and 128 genotypes followed the next.

Keywords

Main Subjects


. مقدمه

بادام‌زمینـی (Arachis hypogea L.) گیاهی یک­سـاله، آلوتتراپلوئید (40 = 4x = 2n) و از تیره بقـولات است که به‌­عنوان یک گیاه روغنی مهم در ٩٦ کـشور جهـان کـشت می‌شـود. ایــن گیــاه بـومی منطقـه آمریکــای جنــوب شــرقی اســت کــه مــی‌توانـد بخـش ارزشــمندی از پروتئین غذایی انسان را تأمین کند (Reddy et al., 2003) و البته در رژیم غذایی اهالی مناطق گرمسیری و نیمه­ گرمسیری اهمیت دارد. بادام‌زمینی بعد از ســویا یکی از مهمترین و اقتصادی‌ترین دانه‌های روغنی در مناطق گرمسیری و نیمه­گرمسیری است و حاوی 43 تا 55 درصد روغن و 25 تا 28 درصد پروتئین و سرشار از مواد معدنی، ویتامین‌ها، اسیدهای چرب، فیبر و ترکیبات فنلی است (Panhwar, 2005). سطح زیـر کشت بادام­ زمینی در دنیا حدود 5/31 میلیون هکتار و در ایران 2366 هکتار اسـت. همچنین تولید کـل بـادام ­زمینـی در دنیـا حـدود 6/53 میلیون تـن و در کشور ما 11847 تن می‌باشد (FAO, 2020). رقم غالب فعلی ‌بادام‌زمینی در شمال ایران و در استان گیلان «گلی» یا NC2 است که دارای شاخص برداشت پایین و دوره رشد طولانی در منطقه است. لذا استفاده از ژرم­پلاسم جدید و وارداتی یکی از اولین راه‌های توسعه این محصول در منطقه است.

با­توجه ­به این­که وجود اثر متقابل ژنوتیپ×محیط موجب تفاوت در عملکرد ژنوتیپ­ها در محیط­ های مختلف می­شود
 (Scapim et al., 2000)، لذا شناسایی و انتخاب ژنوتیپ­ هایی که دارای پایداری عملکرد در محیط ­های مختلف باشند همواره از اهداف مهم اصلاح­گران بوده است. دو روش عمده جهت تجزیه پایداری به­منظور گزینش ژنوتیپ ­های پایدار شامل روش­های پارامتری و روش­های ناپارامتری هستند (Huehn, 1990). از روش­های ناپارامتری که عمدتاً جهت برآورد پایداری ژنوتیپ ­ها استفاده می­شود می­توان به آماره­ های ناپارامتری هان (Si(1)، Si(2)، Si(3)، Si(4)، Si(5) و Si(6)) (Huehn, 1979; Nassar & Huehn, 1987)، آماره ­های تنارازو (NPi(1)، NPi(2)، NPi(3) و NPi(4)) (Thennarasu, 1995)، آماره میانگین رتبه (R) (Ketata, 1988)، آماره­ های پایداری کتاتا (σr و σmy) (Ketata et al., 1989)، آماره پایداری کانگ (Ysi) (Kang, 1988) و آماره­های پایداری فوکس (TOP، MID و LOW) (Fox et al., 1990) اشاره کرد. بسیاری از به‌نژادگران مفهوم پویا (دینامیک) پایداری را جهت گزینش ژنوتیپ ­های با عملکرد بالا و پایدار در شرایط محیطی مختلف ترجیح می­دهند. طبق این مفهوم پایداری، ژنوتیپ­ های گزینش ­شده دارای پتانسیل پاسخ به بهبود شرایط محیطی هستند. درحالی­که در مفهوم ایستا (بیولوژیک) پایداری، ژنوتیپ پایدار عملکرد بدون تغییری در میان محیط­ها دارد (Becker, 1981; Becker & Leon, 1988).

شاخص انتخاب ژنوتیپ ایده­آل (IGSI) شاخصی گزینش‌گر است که از همه آماره‌های پایداری به ­همراه عملکرد برای انتخاب مناسب‌ترین ژنوتیپ از بین ژنوتیپ­ های موجود به­ کار می­رود (Hwang & Yoon, 1981). شاخص IGSI در کلزا (Zali et al., 2015)، سیب‌زمینی (et al., 2018 Moghaddaszadeh) و گندم (2019 et al., Najafi Mirak) برای گزینش ژنوتیپ‌های پایدار مورد استفاده قرار گرفته است. با­توجه ­به اینکه مطالعات محدودی در­رابطه ­با پاسخ ژنوتیپ­ های بادام‌زمینی به شرایط محیطی مختلف و پایداری آنها انجام گرفته است و با­توجه ­بـه رویکرد جدیـد وزارت جهـاد کشـاورزی و مؤسسه تحقیقات اصلاح و تهیه نهال و بذر در امر رسیدن به خودکفایی در تولید روغن، این پروژه با­هدف معرفی رقم یا ارقام جدید در راسـتای توسعه سطح کشت این گیاه به­عنوان یکی از گیاهان روغنـی مهـم بـا درصد پروتئین بالا در سه منطقه از استان گیلان انجام شد تا با­استفاده­از روش­های ناپارامتری بتوان ژنوتیپ برتر و پایدار را برای معرفی رقم در منطقه تعیین کرد.

 

  1. روش­ شناسی پژوهش

در این آزمایش، تعداد 10 لاین برتر ‌بادام‌زمینی حاصل از آزمایش مقدماتی با منشأ ایکریسات (ICRISAT)[1] به­همراه رقم محلی گلی یا NC2 به­ عنوان شاهد به­منظور مطالعه پایداری عملکرد و انتخاب لاین­ های پایدار پرمحصول با­استفاده­از روش‌های پایداری ناپارامتری، به­صورت طرح بلوک‌های کامل تصادفی با سه تکرار در سه شهرستان استان گیلان (تالش، ماسال و رشت) طی سال‌های زراعی 1398 و 1399 اجرا شد. در پژوهش حاضر آزمون بارتلت به­ منظور بررسی همگنی واریانس‌های خطا انجام شد و فرض صفر مبنی بر نبود اختلاف معنی‌دار بین واریانس‌های خطا در آزمایش‌های جداگانه رد نشد و بنابراین تجزیه واریانس مرکب انجام گرفت. ویژگی‌های جغرافیایی مکان‌ها و ژنوتیپ‌های مورد آزمایش در جداول 1 و 2 بیان شده‌اند. لاین‌های جدید از مؤسسه تحقیقات اصلاح و تهیه نهال و بذر تهیه شدند. کشت بادام ­زمینی در 15 اردیبهشت­ ماه هر سال زراعی صورت گرفت. در هر کرت تعداد سه خط پنج متری به­صورت جوی و پشته­ای کشت شد. فاصله خطوط کاشت 50 سانتی‌متر و فاصله بوته‌ها روی ردیف 20 سانتی‌متر در نظر گرفته شد. برای آماده‌سازی زمین از یک مرتبه عملیات شخم و دو دیسک عمود بر هم استفاده شد. در طی مراحل داشت عملیات وجین و خاکدهی پای بوته‌ها، کوددهی و آبیاری صورت گرفت. عملیات کنترل علف‌های هرز در مرحله پس از سبز­شدن از طریق وجین دستی در طی مراحل 3 و 4 برگی انجام شد. در این آزمایش مقدار 150 کیلوگرم در هکتار سوپرفسفات تریپل و 100 کیلوگرم در هکتار سولفات پتاسیم و مقدار60 کیلوگرم در هکتار کود اوره به­صورت نیتروژن آغازگر در زمان کاشت مورد استفاده قرار گرفت. همچنین از سم کاربندازیم برای ضدعفونی بذور استفاده شد.

 

جدول 1. ویژگی­ های جغرافیایی مکان ­های مختلف آزمایش.

Location

Year

Environmental code

Rainfall (mm)

Latitude

Longitude

Altitude (m)

March

April

May

June

July

August

Talesh

1398

TA1

172.60

42.00

8.80

51.30

31.00

117.70

37°48'0"N

48°54'0" E

80

1399

TA2

180.80

109.00

7.10

30.70

148.80

190.20

Masal

1398

MA1

107.60

60.00

6.30

91.70

24.50

67.30

37°21'36" N

49°7'48"E

84

1399

MA2

100.00

47.90

2.90

10.40

138.00

27.80

Rasht

1398

RA1

207.80

91.40

7.00

90.80

8.40

400.50

37°16'12"N

49°35'24"E

4

1399

RA2

135.50

67.50

0.30

19.80

103.20

97.70

 

جدول 2. میانگین عملکرد دانه ژنوتیپ­های بادام­زمینی مورد مطالعه در شش محیط مورد مطالعه.

Genotype

TA1

TA2

MA1

MA2

RA1

RA2

Mean yield

(kg ha-1)

2020

2021

2020

2021

2020

2021

ICG130

2383.33

3160.00

1716.67

2243.33

1603.33

970.00

2012.78

ICG140

1971.67

2335.00

1890.00

2230.00

1828.33

838.33

1848.89

ICG113

2351.67

2945.00

1946.67

2411.67

1798.33

948.33

2066.94

ICG115

2401.67

2720.00

1783.33

2120.00

1803.33

1293.33

2020.28

ICG128

3145.00

3411.67

2156.67

2676.67

1991.67

1533.33

2485.83

ICG176

2585.00

2730.00

1823.33

2273.33

1686.67

1053.33

2025.28

ICG178

2333.33

2540.00

1803.33

2403.33

1851.67

1003.33

1989.17

ICG192

3776.67

3531.67

2390.00

3085.00

2370.00

1810.00

2827.22

ICG201

2363.33

2468.33

1996.67

2425.00

1813.33

1405.00

2078.61

ICG208

2165.00

1488.33

1770.00

2043.33

1756.67

1020.00

1707.22

NC2

1620.00

1663.33

1900.00

2093.33

1866.67

1310.00

1742.22

Mean

2463.33

2635.76

1925.15

2364.09

1851.82

1198.64

2073.13

 

روش­های ناپارامتری مختلف جهت برآورد پایداری ژنوتیپ­ها استفاده شد که فرمول‌های محاسبه آنها در جدول 3 ذکر شده‌اند. علاوه­بر­این از آماره عملکرد-پایداری کانگ (Ysi) (Kang, 1988) و آماره­های پایداری TOP، MID وLOW  
(Fox et al., 1990) در این مطالعه استفاده شد. کانگ استفاده از میانگین عملکرد و واریانس پایداری Shukla (1972) را جهت گزینش ژنوتیپ­های با عملکرد بالا و پایدار پیشنهاد کردند. بر طبق این آماره پایداری، ژنوتیپ­های با بیشترین ارزش به­ عنوان ژنوتیپ­های پایدار در نظر گرفته می­شوند. Fox et al. (1990) سه آماره ناپارامتری TOP، MID و LOW را بر اساس درصد قرارگیری ژنوتیپ­ها در سه بخش بیشینه (یک­سوم ابتدایی)، متوسط (یک ­سوم میانی) و کمینه (یک ­سوم انتهایی) معرفی کردند. بر­این­اساس هر چقدر مقدار پارامتر TOP ژنوتیپی بیشتر باشد آن ژنوتیپ به­ عنوان پایدارترین و مطلوب­ترین ژنوتیپ گزینش می­شود. همچنین ضرایب همبستگی رتبه­ای اسپیرمن جهت ارزیابی روابط بین روش­های پایداری مختلف محاسبه شد. به­منظور شناخت بهتر روابط بین آماره­های مختلف، از روش تجزیه به مؤلفه­های اصلی استفاده شد. همچنین از تجزیه کلاستر به ­روشWard  و فاصله اقلیدسی به­ منظور گروه‌بندی ژنوتیپ ­ها بر اساس رتبه میانگین عملکرد و آماره‌های پایداری ناپارامتری استفاده شد.

 

جدول 3. فرمول­های مربوط­به آماره­های ناپارامتری.

 

Author(s)

Equation

 

Non-parametric statistics

 

(Huehn, 1979;
Nassar & Huehn, 1987)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(Thennarasu, 1995)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 (Ketata et al., 1989)

 

 

 

 

 

 

 

 

 

در روابط فوق:

 و  = به­ترتیب رتبه تصحیح­نشده و تصحیح­شده ژنوتیپ iام در محیط jام،

 و  = به­ترتیب میانگین رتبه تصحیح­نشده و تصحیح­شده ژنوتیپi ام،

 و  = به­ترتیب میانه رتبه تصحیح­نشده و تصحیح­شده ژنوتیپ iام،

m = تعداد محیط،

 = میانگین ژنوتیپ iام.

تصحیح عملکرد با­استفاده­از رابطه زیر انجام شد:

 

 Nassar & Huehn(1987) آزمون معنی­داری برای Si(1) و Si(2) را پیشنهاد کردند که تقریبی از آماره 2χ می­باشد:

(  t=1, 2)

 

در رابطه فوق E(Sit) و V(Sit) به­ترتیب برابر با میانگین و واریانس Sit بوده و از روابط زیر محاسبه می­شوند:

 

 

 

 

l: تعداد ژنوتیپ­ها و m: تعداد محیط­ها هستند.

1-2. شاخص انتخاب ژنوتیپ ایده‌آل (IGSI)

همچنین در این پژوهش از تکنیک شاخص انتخاب ژنوتیپ ایده‌آل (بر مبنای تکنیک تعیین ترتیب اولویت بر اساس شباهت به راه حل ایده­آل TOPSIS[2]) جهت شناسایی ژنوتیپ‌های بادام­زمینی پایدار بر اساس همه روش‌های پایداری غیرپارامتری استفاده شد (Hwang & Yoon, 1981). در روش مذکور برای هر شاخص به­طور جداگانه برترین و ضعیف‌ترین ژنوتیپ انتخاب شد. همچنین برای هر ژنوتیپ فاصله از ژنوتیپ ایده‌آل و فاصله از ژنوتیپ غیر ایده‌آل به­ترتیب از روابط زیر محاسبه شد:

    i = 1, 2, ... , n

     i = 1, 2, ... , n

در روابط فوق  فاصله از ژنوتیپ ایده‌آل و  فاصله از ژنوتیپ غیر ایده‌آل است. اندیس‌های i و j به‌ترتیب معرف ژنوتیپ‌ها و صفات می‌باشند که در آن  بهترین مقدار صفت iام در بین تمام ژنوتیپ‌ها و  بدترین مقدار صفت iام در بین تمام ژنوتیپ‌ها هستند. ژنوتیپ‌هایی که  آنها برابر با  و  می‌باشند به‌ترتیب بهترین و بدترین ژنوتیپ‌ها هستند. در نهایت، آماره شاخص ژنوتیپ ایده‌آل (IGSI) از رابطه زیر محاسبه شد:

 

            i = 1, 2, ... , m

مقدار IGSI بین صفر و یک تغییر می‌کند و هر چه ژنوتیپ مورد نظر به ژنوتیپ ایده‌آل نزدیک‌تر باشد، مقدار IGSI آن به یک نزدیک‌تر خواهد بود (Moghaddaszadeh et al., 2019).

2-2. شاخص فاصله چند­متغیره از ژنوتیپ ایده‌آل (MGIDI) [3]:

برای محاسبه شاخص MGIDI ابتدا مقیاس ماتریس داده‌ها (X) طبق رابطه زیر تغییر داده شد تا همه مقادیر دارای محدوده 100-0 باشند و ماتریس (rXij) به‌دست آمد (Olivoto & Nardino, 2020):

 

که در آن ηnj و φnj به­ترتیب حداکثر (100) و حداقل (صفر) مقادیر جدید برای پارامتر jام پس از تغییر مقیاس، ηoj و φoj به­ترتیب حداکثر و حداقل مقادیر پارامتر jام و θij مقدار اصلی پارامتر jام در ژنوتیپ iام هستند. مقادیر ηnj و φnj به­شرح زیر انتخاب شدند. برای پارامترهایی که مقادیر کمتر آنها مورد نظر است، ازηnj = 0  و φnj = 100 و برای پارامترهایی که مقادیر بالاتر آنها مورد نظر است، از ηnj = 100 و φnj = 0 استفاده شد. پس از تغییر مقیاس، یک جدول دو­طرفه از مقادیر جدید (rXij) به‌دست آمد. هر ستون از rXij دارای محدوده 100-0 است و ساختار همبستگی داده‌های اصلی را حفظ می‌کند.       مرحله دوم تجزیه و تحلیل عاملی برای گروه­بندی پارامترهای مرتبط با هر عامل و سپس برآورد نمرات هر ژنوتیپ برای این عامل‌ها است. مقادیر ویژه و بردارهای ویژه از ماتریس همبستگی ماتریس دو طرفه rXij به‌دست آمد. نمرات عاملی تنها با در­نظر­گرفتن عواملی با مقادیر ویژه بالاتر از یک به­دست آمد. چرخش واریماکس برای چرخش و برآورد ضرایب نهایی استفاده شد. سپس نمرات ژنوتیپ‌ها به­همراه ژنوتیپ ایده‌آل برای هر عامل به‌دست آمد. طبق تعریف، ژنوتیپ ایده‌آل دارای بیشترین مقدار مقیاس جدید (100) برای همه آماره‌های مورد تجزیه و تحلیل است. در مرحله آخر شاخص فاصله چند­متغیره از ژنوتیپ ایده‌آل (MGIDI) طبق رابطه زیر محاسبه شد:

 

که در آن MGIDIi شاخص فاصله چند­متغیره از ژنوتیپ ایده‌آل برای ژنوتیپ iام، γij نمره ژنوتیپ iام در فاکتور jام (i= 1, 2, …, g و j=1, 2, …, f) است که g تعداد ژنوتیپ‌ها، f تعداد فاکتورها و γj نمره ژنوتیپ ایده‌آل در فاکتورj ام است. بر­این­اساس، ژنوتیپ با کمترین MGIDI به ژنوتیپ ایده‌آل نزدیک‌تر است و با محاسبه آن تمام صفات مورد استفاده قرار می‌گیرند. همچنین سهم هر فاکتور در شاخص MGIDI ژنوتیپ iام که با (ωij) نشان داده می‌شود، طبق فرمول زیر محاسبه شد:

 

که در آن Dij فاصله بین ژنوتیپ iام و ژنوتیپ ایده‌آل برای فاکتورj ام است. برای یک ژنوتیپ معین، عواملی با سهم کمتر نشان می‌دهد که این ژنوتیپ از لحاظ پارامترهای مهم درون آن عامل به ژنوتیپ ایده‌آل نزدیک است
 (Olivoto & Nardino, 2020). از نرم‌افزارهای SAS، R، Minitab و Excel جهت انجام تجزیه­ها و رسم نمودارها استفاده شد.

 

  1. یافته­های پژوهش و بحث

بر اساس نتایج جدول تجزیه مرکب، اثرات اصلی ژنوتیپ، محیط و نیز اثر متقابل ژنوتیپ در محیط در سطح احتمال یک درصد معنی­دار بود (جدول 4). جدول 5 و شکل 1 پایداری ژنوتیپ­ها بر اساس معیار­های مختلف نا­پارامتری آنها را نشان می‌دهد. بر اساس رتبه داده­های تصحیح­شده برای هر ژنوتیپ به­صورت انفرادی، مقادیر Zi(1) و Zi(2) محاسبه شد، سپس این مقادیر برای آزمون χ2 روی تمام ژنوتیپ­ها جمع زده شدند. مقادیر انفرادی Zi(1) برای ژنوتیپ­های 128، 192 و 208 بیشتر از مقدار χ2 جدول (84/3 =χ20.05 df=1) و معنی­دار بود. همچنین مقادیر انفرادی Zi(2) برای ژنوتیپ­های 128 و 192 معنی­دار به­دست آمد. با­توجه­به اینکه مقادیر مجموع Zها (96/46ΣZi(1)= و94/21 ΣZi(2)=) بیشتر از مقدار بحرانی کای­اسکور جدول با درجه آزادی 10 بود 3/18=χ2sum, 0.05 df=10، بنابراین این نشان­دهنده وجود تفاوت معنی­دار بین سطوح پایداری ژنوتیپ­های بادام­زمینی در شش محیط می‌باشد (جدول 5).

 

جدول 4. تجزیه واریانس مرکب عملکرد 11 ژنوتیپ بادام‌زمینی.

Source

df

MS

% SST

% SSG×E

Environment (E)

5

9584901.52**

57.47

 

Year (Y)

1

31062.63ns

 

 

Location (L)

2

19755402.65**

 

 

Year × Location (Y × L)

2

4191319.82**

 

 

Rep (year * location)

12

136962.63

 

 

Genotype (G)

10

1956892.07**

23.47

 

(G × E)

50

2199870.40**

13.18

 

 (G × Y)

10

98118.74**

 

8.93

 (G × L)

20

396624.46**

 

72.16

(G × Y × L)

20

103992.18**

 

18.92

Error (E)

120

27200.68

 

 

CV (%) = 8.03

**معنی­دار در سطح احتمال یک درصد، :%SST درصد توجیه از مجموع مربعات کل و %SSGxE: درصد توجیه از مجموع مربعات اثر متقابل.

بر اساس آماره­های پایداری ناپارامتری Si(1)، Si(2)، Si(3)، Si(4)، Si(5) و Si(6) که توسط Huehn (1979) و
 Nassar & Huehn (1987) معرفی شدند، ژنوتیپ­های با کمترین مقادیر به­عنوان ژنوتیپ­های پایدار در نظر گرفته می­شوند. ژنوتیپ‌های 192، 128 و 208 بر اساس آماره­های Si(1)، Si(2)، Si(5) و Si(6) با دارا بودن کمترین مقادیر به­عنوان پایدارترین ژنوتیپ­ها شناخته شدند (جدول 5 و شکل 1). بر اساس آماره Si(3) ژنوتیپ­های 201، 128 و 208 پایدارترین بودند. همچنین بر اساس آماره Si(4) ژنوتیپ­های 128، 208 و 178 به­عنوان پایدارترین ژنوتیپ­ها شناخته شدند (جدول 5 و شکل 1). در آماره­های ناپارامتری NPi(1)، NPi(2)، NPi(3) و NPi(4) پیشنهاد­شده توسط Thennarasu (1995) ژنوتیپ‌های با کمترین مقادیر به‌عنوان ژنوتیپ­های پایدار محسوب می­شوند. ژنوتیپ­های 176، 178 و 115 بر اساس آماره NPi(1) به‌عنوان پایدارترین شناخته شدند (جدول 5 و شکل 1). بر اساس پارامتر NPi(2)، ژنوتیپ‌های 178، 208، 176، 130 و 115 و بر اساس آماره NPi(4)، ژنوتیپ­های 208، 176، 130، 115 و 178 پایدارترین ژنوتیپ‌ها بودند. بر اساس آماره NPi(3) ژنوتیپ­های 176، 208، 178 و 115 به­عنوان پایدارترین ژنوتیپ‌ها شناخته شدند (جدول 5 و شکل 1). در آماره پایداری Kang (1988) (Ysi) ژنوتیپ­های با بیشترین ارزش به­عنوان ژنوتیپ­های با عملکرد بالا و پایدار در نظر گرفته می‌شوند. بنابراین، بر اساس این آماره ژنوتیپ­های 128، 192 و 201 دارای عملکرد بالا و پایدار بودند. Ketata (1988) استفاده از میانگین رتبه (R) را به­عنوان معیاری جهت تعیین پایداری ژنوتیپ­ها ارائه کرد. بر­این­اساس ژنوتیپ­های با کمترین مقدار R به­عنوان پایدارترین ژنوتیپ­ها شناخته می­شوند. در مطالعه حاضر ژنوتیپ‌های 192، 128 و 201 پایدارترین ژنوتیپ­ها بودند (جدول 5 و شکل 1). سه آماره ناپارامتری TOP، MID و LOW که بر اساس درصد قرارگیری ژنوتیپ­ها در سه بخش بیشینه (یک­سوم ابتدایی)، متوسط (یک­سوم میانی) و کمینه (یک­سوم انتهایی) می‌باشند، توسط Fox et al. (1990) معرفی شدند. بر­این­اساس هر چقدر مقدار پارامتر TOP ژنوتیپی بیشتر باشد آن ژنوتیپ به­عنوان پایدارترین و مطلوب­ترین ژنوتیپ گزینش می­شود. ژنوتیپ­های 128 و 192 با داشتن 100 درصد TOP و عدم قرارگیری در ناحیه MID و LOW به­عنوان مطلوب­ترین ژنوتیپ­ها در این پژوهش محسوب شدند (جدول 5 و شکل 1). Ketata et al. (1989) آماره σr را معرفی کردند که در این آماره ژنوتیپ­های با مقادیر کمتر به­عنوان ژنوتیپ‌های پایدار در نظر گرفته می­شوند. بنابراین، بر اساس آماره مذکور ژنوتیپ­های 192، 128، 208 و 178 پایدارترین ژنوتیپ­ها بودند. آماره دیگری نیز توسط Ketata et al. (1989) (σmy) معرفی شده است که بر اساس آن، ژنوتیپ­های با مقادیر بالای این آماره به­عنوان ژنوتیپ­های پایدار در نظر گرفته می­شوند. بر­این­اساس ژنوتیپ­های 192 و 128 به‌عنوان پایدارترین ژنوتیپ‌ها شناخته شدند (جدول 5 و شکل 1).

3-1. همبستگی بین آماره­های پایداری ناپارامتری

به­منظور بررسی رابطه بین میانگین عملکرد و آماره­های ناپارامتری همبستگی رتبه­ای اسپیرمن محاسبه شد (جدول 6). بر اساس نتایج حاصله، میانگین عملکرد (MY) همبستگی مثبت و معنی­داری با آماره­های Ysi، R، TOP، LOW و σmy داشت.
et al. Farshadfar (2012)،  Tadege et al.(2014) و  Goksoy et al.(2019) نیز بین میانگین عملکرد (MY) با TOP و Ysi ضرایب همبستگی رتبه­ای مثبت و معنی­داری مشاهده کردند. بر اساس نتایج Akcura & Kaya (2008)،et al.  Ghazvini (2018) وet al.  Cubukcu (2021) همبستگی بین میانگین عملکرد و TOP مثبت و معنی‌دار بود. بر اساس نتایج مطالعه حاضر، همبستگی MY با آماره NPi(2) منفی و معنی­دار به­دست آمد (جدول 6). Pourdad & Ghaffari (2009) نیز در آزمایش­های خود همبستگی منفی و معنی‌دار بین عملکرد و NPi(2) مشاهده کرد. همچنین، et al. Farshadfar (2012) نیز همبستگی منفی بین عملکرد و NPi(2)، NPi(3) و NPi(4) مشاهده کردند. در پژوهش حاضر بین همه جفت پارامترهای ممکن Si(1)، Si(2)، Si(4)، Si(5) و Si(6) ضرایب همبستگی رتبه­ای مثبت و معنی­داری مشاهده شد (جدول 6). همبستگی مثبت و معنی‌دار بین Si(1) و Si(2) گزارش شده است

(Afzal et al., 2021; Balalic et al., 2011). همچنین در این پژوهش همبستگی مثبت و معنی­داری بین NPi(1)، NPi(2)، NPi(3) و NPi(4) به­دست آمد (جدول 7). بر اساس نتایج حاصله TOP همبستگی مثبت و معنی­داری با Ysi و R و همبستگی منفی و معنی‌دار با NPi(2)، NPi(3) و NPi(4) داشت (جدول 6). همچنین همبستگی σmy با آماره­های Ysi، R، TOP و LOW مثبت و معنی‌دار و با آماره NPi(2) منفی و معنی‌دار به­دست آمد.

 

شکل 1. نقشه حرارتی نشان­دهنده روابط بین ژنوتیپ‌های بادام­زمینی و آماره‌های پایداری ناپارامتری.

 

جدول 5. برآورد آماره‌های پایداری ناپارامتری، آزمون معنی‌داری (Zi(1) و Zi(2)) برای 11 ژنوتیپ بادام‌زمینی در محیط‌های مورد بررسی.

Genotype

MY

Si(1)

Zi(1)

Si(2)

Zi(2)

Si(3)

Si(4)

Si(5)

Si(6)

NPi(1)

NPi(2)

NPi(3)

NPi(4)

Ysi

R

TOP

MID

LOW

σr

σmy

130

2012.78

4.00

0.17

10.67

0.02

2.09

2.98

2.67

6.96

2.00

0.25

0.40

0.13

2

7.67

16.67

33.33

50.00

3.27

2196.49

140

1848.89

2.87

0.74

5.37

1.09

1.35

2.11

1.83

3.29

3.00

0.35

0.38

0.15

0

8.17

0.00

50.00

50.00

2.32

2016.41

113

2066.94

3.00

0.51

6.57

0.60

2.11

2.34

2.17

5.32

2.33

0.42

0.44

0.15

7

6.17

50.00

33.33

16.67

2.56

2257.47

115

2020.28

2.53

1.53

4.27

1.67

1.50

1.89

1.67

3.20

1.83

0.28

0.35

0.12

5

6.67

16.67

50.00

33.33

2.07

2205.80

128

2485.83

0.00

16.63*

0.00

5.08*

0.00

0.00

0.00

0.00

3.67

1.83

1.91

0.73

11

2.00

100.00

0.00

0.00

0.00

2720.90

176

2025.28

2.73

1.02

5.37

1.09

1.51

2.11

1.56

4.35

1.67

0.28

0.31

0.11

6

6.17

16.67

66.67

16.67

2.32

2211.83

178

1989.17

2.00

3.37

3.07

2.44

1.30

1.60

1.44

2.30

1.67

0.22

0.33

0.11

5

6.67

16.67

83.33

0.00

1.75

2171.72

192

2827.22

0.00

16.63*

0.00

5.08*

0.00

0.00

0.00

0.00

2.83

2.83

3.39

1.13

10

1.00

100.00

0.00

0.00

0.00

3095.97

201

2078.61

2.47

1.72

4.57

1.50

2.28

1.95

1.83

4.72

2.17

0.48

0.50

0.18

10

4.83

50.00

50.00

0.00

2.14

2271.71

208

1707.22

1.80

4.24*

2.30

3.01

0.74

1.38

1.17

1.21

2.33

0.25

0.33

0.11

-10

9.50

0.00

16.67

83.33

1.52

1859.76

NC2

1742.22

4.20

0.40

12.57

0.33

2.65

3.24

3.17

8.77

3.50

0.47

0.60

0.22

-9

7.17

33.33

16.67

50.00

3.54

1900.66

 

 

ΣZi(1)=46.96

 

ΣZi(2)=21.94

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Test Statistics

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

                                                                                                     

 

Mean Yield

 

E (Si(1))

 

  E (Si(2))

 

Var (Si(1))

 

Var (Si(2))

 

χ2Z1, Z2

 

χ2sum

 

 

 

 

 

 

 

 

 

2073.13 kg/ha

 

3.636

 

10.000

 

0.795

 

19.666

 

3.84

 

18. 3

 

 

 

 

 

 

 

 

                                                                               

Si(1)، Si(2)، Si(3)، Si(4)، Si(5) و Si(6): آماره‌های Huehn (1979) و Nassar & Huehn (1987)، NPi(1)، NPi(2)، NPi(3) و NPi(4): آماره‌های Thennarasu (1995)، Ysi: آماره Kang (1988)، R: آماره‌های میانگین رتبه Katata (1988)، TOP، MID و LOW: آماره‌های Fox et al. (1990)، σr و σmy: آماره‌های Ketata et al. (1989).

 

3-2. تجزیه به مؤلفه­های اصلی بر اساس میانگین عملکرد دانه و آماره­های پایداری ناپارامتری

تجزیه به مؤلفه­های اصلی بر اساس ماتریس همبستگی رتبه در بین معیارهای پایداری ناپارامتری انجام شد. نتایج حاصله نشان داد که دو مؤلفه اصلی اول 60/79 درصد (به­ترتیب 50/50 و 10/29 درصد به­وسیله مؤلفه اصلی اول و دوم) از واریانس متغیرهای اصلی را توجیه می‌کنند. روابط بین میانگین عملکرد و پارامترهای پایداری توسط بای­پلات PC1 در مقابل PC2 نشان داده شده است (شکل 2). زاویه بین بردارهایی که پارامترهای پایداری را به مرکز بای­پلات متصل می­کند، همبستگی تقریبی بین آنها را نشان می­دهد. به­طوری­که زاویه حاده نشانگر همبستگی مثبت و زاویه منفرجه نشانگر استقلال، همبستگی بسیار ضعیف یا همبستگی منفی بین پارامترهای پایداری است. بر اساس این بای­پلات، پارامترهای پایداری مورد مطالعه در چهار گروه تقسیم‌بندی شدند. گروه اول (GI) شامل معیارهای Si(1)، Si(2)، Si(3)، Si(4)، Si(5)، Si(6) و σr بود. این معیارها همبستگی مثبتی با یکدیگر داشتند؛ ولی همبستگی معنی­داری با عملکرد نشان ندادند. گروه دوم (GII) شامل میانگین عملکرد (MY)، R، Ysi، TOP،  LOWو σmy بود. با­توجه­به اینکه پارامترهای پایداری مذکور (R، Ysi، TOP، LOW و σmy) ارتباط و همبستگی مثبتی با میانگین عملکرد داشتند، بنابراین این پارامترها دارای مفهوم دینامیک (زراعی) پایداری می­باشند. گروه سوم (GIII) شامل آماره‌های MID و  NPi(1)بود. آماره‌های پایداری NPi(2)، NPi(3) و NPi(4) در گروه چهارم (GIV) جای گرفتند. با­توجه­به اینکه آماره‌های پایداری گروه سوم و چهارم رابطه مثبتی با یکدیگر و رابطه منفی با عملکرد داشتند، بنابراین این پارامترها دارای مفهوم ایستا (بیولوژیکی) از پایداری هستند (شکل 2). بر اساس نتایج تجزیه به مؤلفه‌های اصلی Mortazavian & Azizinia (2014) نیز آماره‌های ناپارامتری در چهار گروه طبقه‌بندی شدند؛ به­طوری­که عملکرد و آماره‌های R و TOP با قرار­گرفتن در یک گروه دارای مفهوم پویا (دینامیک) پایداری بودند. بر اساس نتایج مطالعات Moghaddaszadeh et al. (2019) نیز معیارهای پایداری Ysi، R، TOP و LOW با میانگین عملکرد و مفهوم دینامیک پایداری رابطه داشتند. در پژوهش حاضر و بر اساس دو مؤلفه اصلی اول، کلیه ژنوتیپ­های مورد مطالعه در چهار گروه اصلی قرار گرفتند. گروه اول شامل ژنوتیپ­های 130، 140 و NC2، گروه دوم شامل ژنوتیپ­های 113 و 201، گروه سوم شامل ژنوتیپ­های 115، 176، 178 و 208 و گروه چهارم شامل ژنوتیپ‌های 128 و 192 بود (شکل 3).

3-3. تجزیه کلاستر ژنوتیپ­های بادام‌زمینی بر اساس میانگین عملکرد دانه و آماره­های پایداری ناپارامتری

بر اساس نتایج حاصل از تجزیه کلاستر ژنوتیپ­ها به­روش Ward و فاصله اقلیدوسی، ژنوتیپ­ها در چهار گروه جای گرفتند (شکل 4). گروه اول شامل ژنوتیپ­های 130، 140 و NC2 و کلاستر دوم شامل ژنوتیپ­های 113 و 201 بود. ژنوتیپ‌های 115، 176، 178 و 208 در کلاستر سوم جای گرفتند. در بین ژنوتیپ‌های کلاستر سوم، ژنوتیپ‌های 176 و 178 جزء سه ژنوتیپ پایدار اول بر اساس آماره‌های NPi(1)، NPi(3)، NPi(4) و MID بودند. در کلاستر چهارم ژنوتیپ‌های 128 و 192 قرار گرفتند. این ژنوتیپ­ها بر اساس آماره­های Ysi، TOP، R، LOW، Si(1)، Si(2)، Si(5) و σmy به­عنوان ژنوتیپ­های پایدار مورد شناسایی قرار گرفتند.

 

جدول 6. ضرایب همبستگی رتبه‌ای بین میانگین عملکرد و آماره‌های پایداری ناپارامتری.

 

MY

Ysi

R

Si(1)

Si(2)

Si(3)

Si(4)

Si(5)

Si(6)

NPi(1)

NPi(2)

NPi(3)

NPi(4)

TOP

MID

LOW

σr

Ysi

0.968**

 

 

 

 

 

 

 

 

 

 

 

         

R

0.955**

0.954**

 

 

 

 

 

 

 

 

 

 

         

Si(1)

0.433

0.483

0.451

 

 

 

 

 

 

 

 

 

         

Si(2)

0.369

0.410

0.378

0.982**

 

 

 

 

 

 

 

 

         

Si(3)

0.196

0.204

0.150

0.826**

0.881**

 

 

 

 

 

 

 

         

Si(4)

0.388

0.429

0.402

0.989**

0.998**

0.874**

 

 

 

 

 

 

         

Si(5)

0.370

0.408

0.384

0.952**

0.943**

0.906**

0.956**

 

 

 

 

 

         

Si(6)

0.296

0.327

0.296

0.936**

0.973**

0.954**

0.970**

0.966**

 

 

 

 

         

NPi(1)

-0.018

-0.009

-0. 064

-0.114

-0.169

-0.205

-0.132

-0.059

-0.169

 

 

 

         

NPi(2)

-0.682*

-0.630*

-0.727

-0.205

-0.187

-0.014

-0.178

-0.100

-0.114

0.636*

 

 

         

NPi(3)

-0.555

-0.502

-0.591

-0.123

-0.123

-0.005

-0.105

0.018

-0.032

0.691*

0.882**

 

 

 

 

 

 

NPi(4)

-0.591

-0.548

-0.636

-0.105

-0.105

0.005

-0.087

0.014

-0.032

0.682*

0.927**

0.982**

 

 

 

 

 

TOP

0.825**

0.819**

0.900**

0.286

0.221

0.014

0.235

0.179

0.117

-0.337

-0.815**

-0.829**

-0.829**

 

 

 

 

MID

-0.226

-0.132

-0.236

-0.259

-0.278

-0.306

-0.269

-0.223

-0.259

0.785**

0.587

0.698*

0.614*

-0.502

 

 

 

LOW

0.805**

0.892**

0.866**

0.547

0.472

0.241

0.490

0.461

0.382

0.118

-0.452

-0.396

-0.447

0.723*

0.079

 

 

σr

0.388

0.429

0.402

0.989**

0.998**

0.874

1.000**

0.956**

0.970**

-0.132

-0.178

-0.105

-0.087

0.235

-0.269

0.490

 

σmy

1.000**

0.968**

0.955**

0.433

0.369

0.196

0.388

0.370

0.296

-0.018

-0.682*

-0.555

-0.591

0.825**

-0.226

0.805**

0.388

* و ** به­ترتیب معنی‌دار در سطوح احتمال پنج و یک درصد.

 

 

شکل 2. بای­پلات مؤلفه اصلی اول در مقابل مؤلفه اصلی دوم بر اساس میانگین عملکرد و آماره­های پایداری ناپارامتری 11 ژنوتیپ بادام­زمینی.

 

 

شکل 3. بای­پلات مؤلفه اصلی اول در مقابل مؤلفه اصلی دوم برای 11 ژنوتیپ بادام‌زمینی در شش محیط بر اساس میانگین عملکرد و آماره‌های پایداری ناپارامتری.

 

4-3. شاخص انتخاب ژنوتیپ ایده‌آل (IGSI) (روش TOPSIS)

در این پژوهش علاوه­بر استفاده از تک‌تک آماره‌های تجزیه پایداری ناپارامتری، با­استفاده­از شاخص انتخاب ژنوتیپ ایده‌آل (IGSI)، از همه آماره‌های ناپارامتری به‌طور همزمان جهت ارزیابی پایداری ژنوتیپ‌های بادام‌زمینی نیز استفاده شد. مقدار شاخص انتخاب ژنوتیپ ایده‌آل (IGSI)، بین صفر و یک می‌باشد. ژنوتیپ‌های با مقادیر IGSI نزدیک به یک مطلوب‌ترین ژنوتیپ‌ها و ژنوتیپ‌های با مقادیر IGSI نزدیک به صفر، به‌عنوان نامطلوب‌ترین ژنوتیپ‌ها شناخته می‌شوند. با­توجه­به اهمیت میزان عملکرد دانه ژنوتیپ‌ها، در این پژوهش عملکرد هم به‌عنوان یک شاخص در کنار سایر شاخص‌های پایداری وارد شد تا بتوان عملکرد و پایداری را به‌طور همزمان مورد ارزیابی قرار داد (Zali et al., 2015; Moghaddaszadeh, 2018; Moghaddaszadeh et al., 2019). نتایج شاخص انتخاب IGSI با­استفاده­از روش‌های غیر پارامتری پایداری (18 روش) در جدول 7 درج شده است. ژنوتیپ 178 با 69/0=IGSI (نزدیک‌ترین به یک)، به‌عنوان پایدارترین ژنوتیپ معرفی شد. ژنوتیپ‌های 128، 201، 176 و 115 در رتبه‌های بعدی پایداری قرار داشتند (جدول 7).

 

شکل 4. تجزیه کلاستر 11 ژنوتیپ بادام­زمینی بر اساس میانگین عملکرد و آماره­های پایداری ناپارامتری.

 

5-3. شاخص فاصله چند­متغیره از ژنوتیپ ایده‌آل (MGIDI)

شاخص فاصله چند­متغیره از ژنوتیپ ایده‌آل (MGIDI) با در­نظر­گرفتن پارامترهای پایداری و عملکرد دانه محاسبه شد (جدول 7). از­آنجایی­که شاخص MGIDI مبتنی بر تجزیه به عامل‌هاست، بنابراین تجزیه به عامل‌ها برای همه پارامترها و عملکرد دانه انجام گرفت. بر اساس نتایج حاصله، سه عامل اول با مقادیر ویژه بزرگتر از یک 05/95 درصد از کل واریانس داده‌ها را توجیه کرد. عامل اول بیشتر تحت تأثیر آماره‌های Si(6)، Si(2)، Si(3)، Si(5)، σr، Si(4) و Si(1) به­طور مثبت بود و 93/68 درصد از واریانس را توجیه ‌کرد. پارامترهای LOW، Ysi، R، σmy، MY و TOP به­طور مثبت عامل دوم را تحت تأثیر قرار دادند و 69/13 درصد از تغییرات را توجیه کردند. عامل سوم تحت تأثیر آماره‌های MID، NPi(1)، NPi(4)، NPi(2) و NPi(3) بود و 43/12 درصد از تغییرات کل را تبیین کرد (جدول 8).

با­توجه­به اینکه هر ژنوتیپ برای عامل‌هایی که سهم کمتری در آنها نشان می‌دهد از لحاظ پارامترهای درون آن عامل به ژنوتیپ ایده‌آل نزدیکتر است (Olivoto & Nardino, 2020)، بر­این­اساس می‌توان گفت که ژنوتیپ‌های 208، 128 و 192 با دارا بودن کمترین مقدار عامل اول، از نظر پارامترهای Si(6)، Si(2)، Si(3)، Si(5)، σr، Si(4) و Si(1) به ژنوتیپ ایده‌آل نزدیک‌تر بودند. همچنین، ژنوتیپ‌های 178، 176 و 115 کمترین مقدار عامل دوم را داشتند و بنابراین از نظر پارامترهای مؤثر در عامل دوم (LOW، Ysi، R، σmy، MY و TOP) به ژنوتیپ ایده‌آل نزدیکتر بودند. همچنین ژنوتیپ 192 کمترین مقدار عامل سوم را داشت و بنابراین از نظر پارامترهای مربوطه (MID، NPi(1)، NPi(4)، NPi(2) و NPi(3)) به ژنوتیپ ایده‌آل نزدیکتر بود (جدول 7).

 

جدول 7. مقادیر شاخص انتخاب ژنوتیپ ایده‌آل (IGSI) و MGIDI ژنوتیپ‌های بادام‌زمینی بر مبنای آماره‌های پایداری ناپارامتری و عملکرد.

ωi3

ωi2

ωi1

Rank

MGIDI

Rank

IGSI

di+

di-

Mean yield

(kg ha-1)

Genotype

0.28

0.26

0.46

9

3.45

10

0.49

1.48

1.42

2012.78

130

0.47

0.27

0.26

8

3.11

8

0.55

1.23

1.52

1848.89

140

0.22

0.29

0.49

6

2.79

6

0.60

1.10

1.62

2066.94

113

0.45

0.20

0.36

3

2.17

5

0.63

1.00

1.67

2020.28

115

0.21

0.70

0.08

5

2.75

2

0.67

0.97

1.96

2485.83

128

0.38

0.13

0.49

2

1.99

4

0.63

1.00

1.73

2025.28

176

0.55

0.02

0.42

1

1.57

1

0.69

0.86

1.88

1989.17

178

0.05

0.84

0.11

7

2.94

7

0.57

1.41

1.88

2827.22

192

0.17

0.25

0.58

4

2.22

3

0.65

0.93

1.77

2078.61

201

0.67

0.30

0.04

10

4.12

9

0.53

1.45

1.62

1707.22

208

0.26

0.35

0.39

11

4.93

11

0.40

1.80

1.21

1742.22

NC2

 

 

 

 

 

 

 

 

 

 

 

 

IGSI: شاخص انتخاب ژنوتیپ ایده‌آل؛ MGIDI: شاخص فاصله چندمتغیره از ژنوتیپ ایده‌آل؛ di+ و di- به­ترتیب فاصله از ژنوتیپ ایده‌‌آل و غیر ایده‌آل؛ ωi1، ωi2 و ωi3 به­ترتیب سهم عامل اول، دوم و سوم در شاخص MGIDI هر ژنوتیپ.

جدول 8. ضرایب عاملی با چرخش واریماکس در تجزیه به عامل­ها بر اساس تجزیه به مؤلفه­های اصلی (PCA).

Non-parametric stability statistics

Factor loads

First

Second

Third

Si(6)

0.98

0.14

-0.06

Si(2)

0.95

0.27

0.03

Si(3)

0.92

0.13

-0.29

Si(5)

0.91

0.34

-0.19

σr

0.88

0.36

-0.28

Si(4)

0.88

0.36

-0.28

Si(1)

0.88

0.38

-0.26

LOW

0.16

0.93

0.14

Ysi

0.24

0.91

0.19

R

0.34

0.84

-0.41

σmy

0.44

0.79

-0.38

MY

0.44

0.79

-0.38

TOP

0.26

0.73

-0.59

MID

-0.17

0.01

0.94

NPi(1)

-0.02

0.04

0.87

NPi(4)

-0.46

-0.54

0.68

NPi(2)

-0.47

-0.55

0.66

NPi(3)

-0.45

-0.54

0.66

مقادیر ویژه

12.41

2.464

2.24

درصد واریانس توجیه­شده

68.93

13.69

12.43

درصد تجمعی واریانس توجیه­شده

68.93

82.62

95.05

 

 

شکل 5. الگوی رتبه‌بندی و ژنوتیپ‌های انتخاب‌­شده بر اساس شاخص MGIDI.

 

در شاخص MGIDI ژنوتیپ‌های با کمترین مقدار، فاصله کمتری از ژنوتیپ ایده‌آل داشته و می توان آن ژنوتیپ‌ها را گزینش کرد. در شکل 5 ژنوتیپ‌های انتخاب­شده بر اساس شاخص MGIDI ژنوتیپ‌های انتخاب­شده با رنگ قرمز نشان داده شدند. بنابراین بر اساس شاخص مذکور، ژنوتیپ‌های 178 و 176 به­ترتیب با دارا­بودن مقادیر 57/1 و 99/1 کمترین مقادیر را داشته و به­عنوان ژنوتیپ‌های مطلوب پایدار محسوب شدند (شکل 6). در رتبه بعدی نیز ژنوتیپ‌های 115، 201 و 128 قرار داشتند. ژنوتیپ‌های NC2، 208 و 130 با دارا­بودن بیشترین مقادیر شاخص MGIDI به­عنوان ژنوتیپ‌های ناپایدار محسوب شدند (جدول 7).

 

  1. نتیجه­ گیری

بر اساس نتایج شاخص‌های انتخاب IGSI و MGIDI که با­استفاده­از همه روش‌های غیر پارامتری پایداری محاسبه شدند، ژنوتیپ‌های 178 و 176 به‌عنوان پایدارترین ژنوتیپ‌ انتخاب شدند و می‌توانند نامزد معرفی به‌عنوان رقم جدید باشند.

 

  1. منابع

Akcura M.,&  Kaya, Y. (2008). Nonparametric stability methods for interpreting genotype by environment interaction of bread wheat genotypes (Triticum aestivum L.). Genetics and Molecular Biology, 31, 906-913.

Afzal, O., Hassan, F., Ahmed, M., Shabbir, G., & Ahmed, S. (2021). Determination of stable safflower genotypes in variable environments by parametric and non-parametric methods. Journal of Agriculture and Food Research, 6, 100223.

Balalic, I., Zoric, M., Miklic, V., Dusanic, N., Terzic, S., & Radic, V. (2011). Non-parametric stability analysis of sunflower oil yield trials. Helia, 34, 67-78.

Becker, H.C. (1981). Correlations among some statistical measures of phenotypic stability. Euphytica, 30, 835-840.

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

Cubukcu, P., Kocaturk, M., Ilker, E., Kadiroglu, A., Vurarak, Y., Sahin, Y., Karakus, M., Yildirim, U.A., Goksoy, A.T., & Sincik, M. (2021). Stability analysis of some soybean genotypes using parametric and non-parametric methods in multi-environments. Turkish Journal of Field Crops, 26, 262-271.

Ghazvini, H., Pour-Aboughadareh, A., Sharifalhosseini, M., Razavi, S.A., Mohammadi, S., Ghasemi Kalkhoran, M., Fathi Hafshejani, A., & Khakizadeh, G.H. (2018). Phenotypic stability analysis of barley promising lines in the cold regions of Iran. Crop Breeding Journal, 8, 17-29.

Goksoy, A.T., Sincik, M., Erdogmus, M., Ergin, M., Aytac, S., Gumuscu, G., Gunduz, O., Keles, R., Bayram, G., & Senyigit, E. (2019). The parametric and non-parametric stability analysis for interpreting genotype by environment interaction of some soybean genotypes. Turkish Journal of Field Crops, 24, 28-38.

Farshadfar, E., Sabaghpour, S.H., & Zali, H. (2012). Comparison of parametric and non-parametric stability statistics for selecting stable chickpea (Cicer arietinum L.) genotypes under diverse environments. Australian Journal of Crop Science, 6, 514-524.

FAO. (2020). Http://www.fao.org/faostat

Fox, P.N., Skovmand, B., Thompson, B.K., Braun, H.J., & Cormier, R. (1990). Yield and adaptation of hexaploid spring triticale. Euphytica, 47, 57–64.

Huehn, M. (1979). Beitrage zur Erfassung der phänotypischen Stabilitä t. I. Vorschlag einiger auf Ranginformationen beruhenden Stabilitä tsparameter. EDV in Medizin ünd Biologie, 10, 112–117.

Huehn, M. (1990). Nonparametric measures of phenotypic stability. Part 1: Theory. Euphytica, 47, 189-194.

Hwang, C.L., & Yoon, K. (1981). Multiple Attributes Decision Making Methods and Applications. Springer. Berlin Heidelberg.

Kang, M.S. (1988). A rank–sum method for selecting highyielding, stable corn genotypes. Cereal Research Communications, 19, 361-364.

Ketata, H. (1988). Genotype environment interaction. Proceeding of biometrical technique for cereal breeders. ICARDA. Aleppo. Syria. Pp. 16-32.

Ketata, H., Yan, S.K.M., & Nachit, M. (1989). Relative consistency performance across environments. Int. Symposium on Physiology and Breeding of Winter Cereals for stressed Mediterranean Environments. Montpellier, July 3-6, 1989.

Moghaddaszadeh, M., Asghari Zakaria, R., Hassanpanah, D., & Zare, N. (2018). Evaluation of genotype×environment interaction in potato (Solanum tuberosum L.) genotypes using parametric statistics and selection index of ideal genotype (SIIG) technique. The First National Conference on Novel Ideas in Agriculture and Natural Resources (November, 2018), 887-891. (In Persian).

Moghaddaszadeh, M., Asghari Zakaria, R., Hassanpanah, D., & Zare, N. (2019). Non-parametric stability analysis of tuber yield in potato (Solanum tuberosum L.) genotypes. Journal of Crop Breeding, 10, 50-63. (In Persian).

Mortazavian, S.M.M., & Azizi-nia, S. (2014). Nonparametric stability analysis in multi-environment trial of canola. Turkish Journal of Field Crops, 19, 108-117.

Najafi Mirak, T., Dastfal, M., Andarzian, B., Farzadi, H., Bahari, M., & Zali, H. (2019) Stability analysis of grain yield of durum wheat promising lines in warm and dry areas using parametric and non-parametric methods. Journal of Crop Production and Processing, 8, 79-96.

Nassar, R., & Huhn, M. (1987). Studies on estimation of phenotypic stability: Tests of significance for non-parametric measures of phenotypic stability. Biometrics, 43, 45-53.

Olivoto, T., & Nardino, M. (2020). MGIDI: A novel multi-trait index for genotype selection in plant breeding. Bioinformatics, 1-22.

Panhwar, F. (2005). Oilseed Crops Future in Sindh Pakistan. Digitalvelarg Gmbh, Germany, pp. 38.

Pourdad, S.S., & Ghaffari, A.A. (2009). Comparison of parametric and non-parametric yield stability measures and their relationship in spring rapeseed (Brassica napus L.) in warm dry-lands of Iran. Middle Eastern and Russian Journal of Plant Science and Biotechnology, 3, 33-40.

Reddy, T.Y., Reddy, V.R., & Anbumozhi, V. (2003). Physiological response of groundnut to drought stress and its amelioration: A critical review. Plant Growth Regulation, 41, 75-88.

Scapim, C.A., Oliveira, V.R., Braccini, A.L., Cruz, C.D., Andrade, C.A.B., & Vidigal, C.G.M. (2000). Yield stability in maize (Zea mays L.) and correlations among the parameters of the Eberhart and Russell, Lin and Binns and Huehn models. Genetics and Molecular Biology, 23, 387-393.

Shukla, G.K. (1972). Some statistical aspects of partitioning genotype-environmental components of variability. Heredity, 29, 237-242.

Tadege, M.B., Utta, H.Z., & Aga, A.A. (2014). Association of statistical methods used to explore genotype×environment interaction (GEI) and cultivar stability. African Journal of Agricultural Research, 9, 2231-2237.

Thennarasu, K. (1995). On certain non-parametric procedures for studying genotype environment interactions and yield stability. Ph.D. theses, P.J. School, IARI., New Delhi.

Zali, H., Sofalian, O., Hasanloo, T., Asgharii, A., & Hoseini, S.M. (2015). Appraising of drought tolerance relying on stability analysis indices in canola genotypes simultaneously, using selection index of ideal genotype (SIIG) technique: Introduction of new method. Biological Forum – An International Journal, 7, 703-711.

 

  1. 1. International Crops Research Institute for the Semi-Arid Tropics

[2]. Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS)

[3]. Multi-trait Genotype-Ideotype Distance Index

References:
Akcura M.,&  Kaya, Y. (2008). Nonparametric stability methods for interpreting genotype by environment interaction of bread wheat genotypes (Triticum aestivum L.). Genetics and Molecular Biology, 31, 906-913.
Afzal, O., Hassan, F., Ahmed, M., Shabbir, G., & Ahmed, S. (2021). Determination of stable safflower genotypes in variable environments by parametric and non-parametric methods. Journal of Agriculture and Food Research, 6, 100223.
Balalic, I., Zoric, M., Miklic, V., Dusanic, N., Terzic, S., & Radic, V. (2011). Non-parametric stability analysis of sunflower oil yield trials. Helia, 34, 67-78.
Becker, H.C. (1981). Correlations among some statistical measures of phenotypic stability. Euphytica, 30, 835-840.
Becker, H.C., & Leon, J. (1988). Stability analysis in plant breeding. Plant Breeding, 101, 1-23.
Cubukcu, P., Kocaturk, M., Ilker, E., Kadiroglu, A., Vurarak, Y., Sahin, Y., Karakus, M., Yildirim, U.A., Goksoy, A.T., & Sincik, M. (2021). Stability analysis of some soybean genotypes using parametric and non-parametric methods in multi-environments. Turkish Journal of Field Crops, 26, 262-271.
Ghazvini, H., Pour-Aboughadareh, A., Sharifalhosseini, M., Razavi, S.A., Mohammadi, S., Ghasemi Kalkhoran, M., Fathi Hafshejani, A., & Khakizadeh, G.H. (2018). Phenotypic stability analysis of barley promising lines in the cold regions of Iran. Crop Breeding Journal, 8, 17-29.
Goksoy, A.T., Sincik, M., Erdogmus, M., Ergin, M., Aytac, S., Gumuscu, G., Gunduz, O., Keles, R., Bayram, G., & Senyigit, E. (2019). The parametric and non-parametric stability analysis for interpreting genotype by environment interaction of some soybean genotypes. Turkish Journal of Field Crops, 24, 28-38.
Farshadfar, E., Sabaghpour, S.H., & Zali, H. (2012). Comparison of parametric and non-parametric stability statistics for selecting stable chickpea (Cicer arietinum L.) genotypes under diverse environments. Australian Journal of Crop Science, 6, 514-524.
FAO. (2020). Http://www.fao.org/faostat
Fox, P.N., Skovmand, B., Thompson, B.K., Braun, H.J., & Cormier, R. (1990). Yield and adaptation of hexaploid spring triticale. Euphytica, 47, 57–64.
Huehn, M. (1979). Beitrage zur Erfassung der phänotypischen Stabilitä t. I. Vorschlag einiger auf Ranginformationen beruhenden Stabilitä tsparameter. EDV in Medizin ünd Biologie, 10, 112–117.
Huehn, M. (1990). Nonparametric measures of phenotypic stability. Part 1: Theory. Euphytica, 47, 189-194.
Hwang, C.L., & Yoon, K. (1981). Multiple Attributes Decision Making Methods and Applications. Springer. Berlin Heidelberg.
Kang, M.S. (1988). A rank–sum method for selecting highyielding, stable corn genotypes. Cereal Research Communications, 19, 361-364.
Ketata, H. (1988). Genotype environment interaction. Proceeding of biometrical technique for cereal breeders. ICARDA. Aleppo. Syria. Pp. 16-32.
Ketata, H., Yan, S.K.M., & Nachit, M. (1989). Relative consistency performance across environments. Int. Symposium on Physiology and Breeding of Winter Cereals for stressed Mediterranean Environments. Montpellier, July 3-6, 1989.
Moghaddaszadeh, M., Asghari Zakaria, R., Hassanpanah, D., & Zare, N. (2018). Evaluation of genotype×environment interaction in potato (Solanum tuberosum L.) genotypes using parametric statistics and selection index of ideal genotype (SIIG) technique. The First National Conference on Novel Ideas in Agriculture and Natural Resources (November, 2018), 887-891. (In Persian).
Moghaddaszadeh, M., Asghari Zakaria, R., Hassanpanah, D., & Zare, N. (2019). Non-parametric stability analysis of tuber yield in potato (Solanum tuberosum L.) genotypes. Journal of Crop Breeding, 10, 50-63. (In Persian).
Mortazavian, S.M.M., & Azizi-nia, S. (2014). Nonparametric stability analysis in multi-environment trial of canola. Turkish Journal of Field Crops, 19, 108-117.
Najafi Mirak, T., Dastfal, M., Andarzian, B., Farzadi, H., Bahari, M., & Zali, H. (2019) Stability analysis of grain yield of durum wheat promising lines in warm and dry areas using parametric and non-parametric methods. Journal of Crop Production and Processing, 8, 79-96.
Nassar, R., & Huhn, M. (1987). Studies on estimation of phenotypic stability: Tests of significance for non-parametric measures of phenotypic stability. Biometrics, 43, 45-53.
Olivoto, T., & Nardino, M. (2020). MGIDI: A novel multi-trait index for genotype selection in plant breeding. Bioinformatics, 1-22.
Panhwar, F. (2005). Oilseed Crops Future in Sindh Pakistan. Digitalvelarg Gmbh, Germany, pp. 38.
Pourdad, S.S., & Ghaffari, A.A. (2009). Comparison of parametric and non-parametric yield stability measures and their relationship in spring rapeseed (Brassica napus L.) in warm dry-lands of Iran. Middle Eastern and Russian Journal of Plant Science and Biotechnology, 3, 33-40.
Reddy, T.Y., Reddy, V.R., & Anbumozhi, V. (2003). Physiological response of groundnut to drought stress and its amelioration: A critical review. Plant Growth Regulation, 41, 75-88.
Scapim, C.A., Oliveira, V.R., Braccini, A.L., Cruz, C.D., Andrade, C.A.B., & Vidigal, C.G.M. (2000). Yield stability in maize (Zea mays L.) and correlations among the parameters of the Eberhart and Russell, Lin and Binns and Huehn models. Genetics and Molecular Biology, 23, 387-393.
Shukla, G.K. (1972). Some statistical aspects of partitioning genotype-environmental components of variability. Heredity, 29, 237-242.
Tadege, M.B., Utta, H.Z., & Aga, A.A. (2014). Association of statistical methods used to explore genotype×environment interaction (GEI) and cultivar stability. African Journal of Agricultural Research, 9, 2231-2237.
Thennarasu, K. (1995). On certain non-parametric procedures for studying genotype environment interactions and yield stability. Ph.D. theses, P.J. School, IARI., New Delhi.
Zali, H., Sofalian, O., Hasanloo, T., Asgharii, A., & Hoseini, S.M. (2015). Appraising of drought tolerance relying on stability analysis indices in canola genotypes simultaneously, using selection index of ideal genotype (SIIG) technique: Introduction of new method. Biological Forum – An International Journal, 7, 703-711.
Volume 54, Issue 3
October 2023
Pages 191-205
  • Receive Date: 12 March 2023
  • Revise Date: 19 April 2023
  • Accept Date: 24 May 2023
  • Publish Date: 23 September 2023