تحلیل گرافیکی پایداری عملکرد دانه برای گزینش ژنوتیپ‌های برتر باقلا (.Vicia faba L)

مقدمه

باقلا (.Vicia faba L) با 2n=2x=12 کروموزوم، از گیاهان مهم خانواده بقولات است. کشت و مصرف آن به­ عنوان یک منبع پروتئینی و تثبیت‌کننده نیتروژن توصیه می‌شود (Etemadi et al., 2019). باقلا با داشتن خصوصیاتی نظیر دامنه سازگاری وسیع، کشت پاییزه و تولید محصول با استفاده از آب سبز و امکان کشت دیم در مناطقی با بارندگی حدود 350 میلی‌متر، یکی از بهترین گزینه‌ها در تناوب با غلات و دانه‌های روغنی محسوب می‌شود (Gurmu et al., 2012; Sheikh et al., 2021c). کشت باقلا در تناوب با گندم باعث کاهش جمعیت نماتدها، شکستن سیکل بیماری‌ها و کاهش مصرف سموم شیمیایی می‌شود
 (Karkanis et al., 2018). باقلا در بیش از 58 کشور دنیا به‌طور وسیع کشت می‌شود (Etemadi et al., 2019). ایران با سطح کشت 36 هزار هکتار و تولید سالانه بیش از 46 هزار تن مقام دوازدهم تولید باقلا را در جهان دارد. کشت باقلا عمدتاً در استان‌های گلستان، لرستان، خوزستان، بلوچستان و مازندران رواج داشته ‌است. به­دلیل تغییرات اقلیمی، افزایش میانگین دما، کاهش نزولات جوی، کشت حبوبات پاییزه نظیر باقلا با اقبال زیادی در استان‌های شمال غربی و غرب کشور از جمله همدان، کرمانشاه، آذربایجان شرقی، اردبیل و ... مواجه شده است. با­توجه­به پراکندگی و تنوع مناطق کشت یک یا چند رقم نمی‌تواند نیاز کشور را تامین کند، بنابراین بایستی رقم یا ارقام جدید باقلا با دامنه سازگاری وسیع جهت کشت در دیم‌زار‌ها و مناطق مختلف کشور معرفی شوند
 (Sheikh & Feyzbakhsh, 2019). انتخاب رقم در مناطق مختلف بر اساس سازگاری با محیط، مقاومت به بیماری، هدف کشت و بازار مصرف می‌باشد (Etemadi et al., 2019; Tekalign et al., 2017).

ارزیابی ژنوتیپ‌ها در طیف وسیعی از مکان‌ها و سال به شناسایی ژنوتیپ/ژنوتیپ‌های دارای بهترین عملکرد و محیط‌های با قدرت تفکیک بالا کمک می‌کند (Gurmu et al., 2012). روش‌های تعیین ژنوتیپ‌های پایدار، شامل روش‌های تک­متغیره، چند­متغیره مبتنی بر تجزیه به مؤلفه‌های اصلی شامل امی (Additive Main effects and Multiplicative Interaction) و GGE بای­پلات و روش‌های ناپارامتری هستند (Yan & Kang, 2003; Sheikh et al., 2021c). در روش GGE بای­پلات ژنوتیپ‌ها و محیط و اثرات متقابل آنها به‌طور همزمان در گراف بای‌پلات نمایش داده می‌شوند که به‌طور همزمان اطلاعات مربوط به اثر اصلی ژنوتیپ و اثر متقابل ژنوتیپ×محیط را در اختیار قرار می‌دهد. نسخه‌های متنوعی از بای­پلات بر اساس روش‌های آماری چند­متغیره معرفی و به‌صورت گسترده توسط به‌نژادگران گیاهی به­منظور تجزیه گرافیکی اثرات متقابل ژنوتیپ×محیط استفاده شده است (Yan et al., 2000). ارزیابی پایداری مقاومت به بیماری لکه‌شکلاتی (Tekalign et al., 2017) و ارزیابی پایداری عملکرد در شرایط آلوده به گل جالیز (Maalouf et al., 2011) نیز به­ترتیب با­استفاده­از روش GGE بای­پلات و روش امی در باقلا انجام شده ‌است. از طرفی دیگر ژنوتیپ‌های پایدار در شرایط تنش در واقع ژنوتیپ‌های مقاوم نسبت به تنش مورد مطالعه می‌باشند. استفاده از روش GGE بای­پلات برای مطالعه پایداری در گندم نان (Akan & Akcur, 2018) ، کلزا
(Pourdad & Jamshidi Moghaddam, 2013)، ذرت (Botovic et al., 2018)، پنبه (Ali et al., 2017)، لوبیا
 (Zeleke & Berhanu, 2016)، برنج (Maniruzzaman et al., 2022) و جو(Meng et al., 2016)  گزارش شده است.

با­توجه­به تغییرات زیاد خصوصیات مورفولوژیک و زراعی ژنوتیپ‌های باقلا در محیط‌های مختلف، مطالعه اثر متقابل ژنوتیپ در محیط باقلا حائز اهمیت است (Temesgen et al., 2015; Tadele et al., 2020). در سال‌های اخیر پژوهشگران از روش‌های چندمتغیره همچونAMMI  (از جمله شاخص ASV) و GGE بای‌پلات برای شناسایی ژنوتیپ‌‌های پایدار باقلا استفاده کرده‌اند (Temesgen et al., 2015; Tadesse et al., 2016; Tolessa et al., 2019; Tadele et al., 2020; Sheikh et al., 2021a;
Sheikh et al., 2022). Haile & Kebede (2012) نیز با­استفاده­از این روش گرافیکی، دو لاین EH 010002-1-1 و
 EH 010051-1 را به‌عنوان لاین‌های پایدار باقلا انتخاب کردند.

هدف از این مطالعه بررسی برهمکنش ژنوتیپ‌×محیط در ژنوتیپ‌های باقلا و شناسایی ژنوتیپ‌های با عملکرد بالا، پایدار از نظر عملکرد دانه و مطلوب از نظر سایر صفات به روش بای­پلات GGE است.

2. روش‎شناسی پژوهش

جهت مطالعه و بررسی سازگاری و پایداری عملکرد دانه ژنوتیپ‌های باقلا، 10 ژنوتیپ امیدبخش باقلا به­همراه ارقام شاهد برکت، زرشکی، سرازیری و بلوچی (جدول 1) در قالب طرح بلوک‌های کامل تصادفی با سه تکرار در ایستگاه‌های تحقیقات کشاورزی گرگان، دزفول، بروجرد و ایرانشهر (جدول 2)، به­مدت دو سال زراعی (94-1393 و 95-1394) کشت و ارزیابی شدند. هر کرت شامل شش ردیف 4 متری به فواصل 60 سانتی‌متر از یکدیگر بود.

کاشت در ایرانشهر نیمه اول مهر، در دزفول نیمه دوم مهر و در گرگان و بروجرد نیمه دوم آبان انجام شد. وجین علف‌های هرز بسته به منطقه 4-3 بار به­صورت دستی انجام شد. آبیاری در ایستگاه‌های ایرانشهر و دزفول بر حسب نیاز 7-5 بار انجام شد و در بروجرد یک مرحله در زمان پر شدن غلاف‌ها انجام شد. در طول دوره رشد در مواقع مشاهده آفت شته سیاه باقلا، از سم حشره‌کش پریمیکارپ به میزان نیم لیتر در هکتار استفاده شد. صفات تعداد روز تا 50 درصد گلدهی، ارتفاع بوته، تعداد غلاف در بوته، تعداد دانه در غلاف، وزن صد­دانه و عملکرد دانه در طول فصل زراعی و پس از برداشت یادداشت‌برداری شدند.

جهت تجزیه و تحلیل داده‌ها ابتدا برای اطمینان از یکنواختی توزیع خطاهای آزمایشی آزمون بارتلت انجام شد، تجزیه واریانس مرکب داده‌ها برای چهار مکان و دو سال با فرض ثابت­بودن ژنوتیپ‌ها و تصادفی­بودن اثر سال و مکان با­استفاده­از نرم­افزار
 SAS ver. 9.4 انجام شد. مقایسه میانگین صفات مختلف با­استفاده­از روش حداقل تفاوت معنی‌دار (LSD) در سطح احتمال 5% و نرم­افزار SAS انجام شد. تعیین ژنوتیپ‌های با عملکرد بالا و پایدار و شناسایی محیط‌های کلان، با­استفاده­از تجزیه‌ GGE بای‌پلات و به­کمک نرم­افزار GGE-Biplot انجام شد.

جدول 1. شماره، منشاء، شجره ‌و کد ژنوتیپ‌های باقلا

جدول 2. متوسط بارندگی سالیانه، ویژگی‌های جرافیایی، ارتفاع از سطح دریا و کد محیط‌های محل آزمایش

برای تجزیه پایداری به روش GGE بای‌پلات از مدل آماری زیر استفاده شد (Yan & Kang, 2003):

در مدل فوق  میانگین iامین ژنوتیپ در jامین محیط،  میانگین کل،  میانگین اثر محیط jام،  و  مقادیر ویژه برای اولین و دومین مؤلفه،  و  بردارهای ویژه ژنوتیپی و  و  بردارهای محیطی مؤلفه اول و دوم و  مقدار باقیمانده برای ژنوتیپ iام در محیط jام هستند. گروه‌بندی ژنوتیپ‌ها با­استفاده­از تعداد غلاف در بوته، وزن صددانه و عملکرد دانه به روش وارد[1] و بر اساس توان دوم فاصله اقلیدسی با­استفاده­از نرم‌افزار  SPSSنسخه 19 انجام شد.

3. یافته­های پژوهش و بحث

ابتدا آزمون نرمال­بودن باقی­مانده، با­استفاده­از آزمون کولموگروف–اسمیرنوف[2] با­استفاده­از نرم­افزار SPSS19 انجام شد. بر اساس آزمون بارتلت و با­توجه­به اینکه آماره کای‌دو (χ²) آزمایش با درجه آزادی 7 از مقدار جدول در سطح احتمال یک درصد کوچکتر بود، فرض یکنواختی واریانس خطای آزمایشی رد نشد. تجزیه واریانس مرکب بر اساس روش کمترین مربعات با ثابت­انگاشتن اثر ژنوتیپ و تصادفی در­نظر­گرفتن اثر سال و مکان انجام شد (جدول 3). تجزیه واریانس مرکب داده‌ها نشان داد، اثر مکان، اثر سال، اثر متقابل مکان×سال، اثر ژنوتیپ، اثر متقابل ژنوتیپ×سال، اثر متقابل ژنوتیپ×مکان و اثر متقابل ژنوتیپ×سال×مکان بر عملکرد دانه در سطح احتمال یک درصد معنی‌دار بود. Gurmu et al. (2012) بر اساس نتایج تجزیه مرکب ژنوتیپ‌های باقلا در چند سال و چند مکان اظهار داشتند، سال در تفکیک بین ژنوتیپ‌ها، اثر معنی‌داری نداشت. به­عبارت دیگر، تقریباً همه ژنوتیپ ها پایداری زمانی را نشان دادند.

تفاوت بین ژنوتیپ‌ها از لحاظ روز تا گلدهی، ارتفاع بوته، تعداد غلاف در بوته، تعداد دانه در غلاف و وزن صد­دانه معنی‌دار بود (جدول 3).Ammar et al.  (2015) با بررسی صفات مورفولوژیکی 40 ژنوتیپ باقلا تنوع بالایی بین ژنوتیپ‌های مختلف گزارش کردند. در پژوهش حاضر بخش عمده تغییرات توسط محیط توجیه شد و این به علت تفاوت اقلیم، میزان بارندگی، توزیع بارندگی، ارتفاع، تفاوت دمایی شب و روز محیط‌های مورد بررسی می‌باشد (جدول 2). عملکرد یک رقم در هر محیط آزمایش ناشی از اثر اصلی ژنوتیپ (G)، اثر اصلی محیط (E) و اثرات متقابل G×E) GE) می‌باشد (Yan & Kang, 2003). بررسی اثرات G×E نشان داد که E بخش عمده تغییرات عملکرد را به خود اختصاص می­دهد، نتایج مطالعات سایر محققان نیز روی باقلا نشان داد، تغییرات محیطی بخش عمده واریانس را شامل می‌شود (Maalouf et al., 2011; Tolessa et al., 2019; Tadele et al., 2020;
Sheikh et al., 2021b).

در پژوهش حاضر عملکرد ژنوتیپ‌های امیدبخش مورد مطالعه به شدت تحت تاثیر محیط بود. در مطالعه حاضر میانگین عملکرد ژنوتیپ‌های مورد بررسی در دامنه‌ای بین 5/1959 تا 3479 کیلوگرم در هکتار متغیر بود و ژنوتیپ‌های G13 و G9 به­ترتیب کمترین و بیشترین عملکرد دانه را تولید کردند. در این تحقیق در انتخاب نهایی ژنوتیپ‌ها علاوه بر عملکرد و پایداری عملکرد، سایر خصوصیات زراعی و مورفولوژیک نیز بررسی شدند (جدول 4). در بین ژنوتیپ‌های مورد بررسی ژنوتیپ G1 و رقم بلوچی کمترین تعداد روز تا گلدهی را به خود اختصاص دادند. با­توجه­به فصل رشد کوتا‌ه باقلا در اقلیم جنوب کشور رقم بلوچی طی سال‌های متمادی با کوتاه­کردن طول دوره رشد، خود را با این شرایط تطبیق داده است. ژنوتیپ‌‌ G11 و G14 به­ترتیب ارقام برکت و بلوچی بیشترین میانگین ارتفاع بوته را داشتند. ژنوتیپ G9 بیشترین تعداد غلاف در بوته، ژنوتیپ G1 بیشترین تعداد دانه در غلاف، ژنوتیپ G10 بیشترین وزن صد­دانه و ژنوتیپ G9 بیشترین عملکرد دانه را با تفاوت معنی‌دار از سایر ژنوتیپ‌ها داشتند (جدول 4). میانگین عملکرد ژنوتیپ‌های G9، G1، G4، G8، G7، G5، G6، و G2 نیز از میانگین عملکرد کل ژنوتیپ‌ها بیشتر بود (جدول 5). بررسی برهم‌کنش ژنوتیپ در محیط عملکرد دانه با روش کمترین مربعات بروز متفاوت ژنوتیپ‌های باقلا در محیط‌های مختلف را نشان دادFikere et al., 2008; Tekalign et al., 2017; Sheikh et al., 2021b) ). در پژوهش حاضر محیط، ژنوتیپ و برهمکنش ژنوتیپ در محیط به‌ترتیب 70/78، 38/6 و 07/14درصد از تنوع عملکرد دانه را توجیه ‌کردند (جدول 3). سهم بالای محیط و برهم‌کنش ژنوتیپ در محیط در تنوع کل برای عملکرد دانه در ژنوتیپ‌های باقلا توسط سایر پژوهشگران نیز گزارش شده است
 .(Tadesse et al., 2016; Tadele et al., 2020) معنی‌دار­بودن اثر متقابل ژنوتیپ×محیط و عدم توجه به آن موجب کاهش کارایی گزینش ژنتیکی و بهره‌مندی به‌نژادی می‌شود (Maniruzzaman et al., 2022). در مطالعه حاضر با­توجه­به معنی‌دار­شدن اثر متقابل ژنوتیپ×محیط، سطح بالای تنوع ژرم‌پلاسم و تایید آن بر اساس میانگین عملکرد دانه متفاوت ژنوتیپ‌ها در محیط‌های مختلف (دامنه تغییرات عملکرد 5939-778 کیلوگرم در هکتار) (جدول 5)، به منظور تعیین ژنوتیپ‌های پایدار و تجزیه برهمکنش ژنوتیپ×محیط از روش چندمتغیره GGE بای‌پلات استفاده شد.

سهم مؤلفه­های اصلی اول و دوم را از واریانس ژنوتیپ به اضافه واریانس ژنوتیپ در محیط (G+GE) نشان داد که مؤلفه اصلی اول (7/84 درصد) و مؤلفه اصلی دوم (6/6 درصد) و در مجموع 3/91 درصد از واریانس برهم‌کنش ژنوتیپ در محیط را توجیه کردند که اعتبار بالای بای‌پلات حاصله را نشان می‌دهد (شکل 1). مقادیر PC1 مثبت بزرگ برای ژنوتیپ‌ها نشان‌دهنده میانگین عملکرد بالاتر و مقادیر PC2 نزدیک به صفر نشان­دهنده پایداری ژنوتیپ‌ها می‌باشد (Yan et al., 2000). یکی از هوشمندانه‌ترین ویژگی‌های GGE بای‌پلات توانایی نمایش الگوی جانمایی ژنوتیپ‌ها بر اساس مجموعه داده‌های محیطی است. با بررسی نمودار چند­ضلعی (Polygon) سه محیط کلان مشخص شدند، محیط کلان اول شامل محیط DZ15 (دزفول 94-93)، هیچ ژنوتیپی در این محیط به­عنوان ژنوتیپ برتر شناخته نشد (شکل 1). با­توجه­به کاهش 33درصدی میزان بارندگی و افزایش میانگین دما در سال زراعی 94-1393 در دزفول این نتیجه چندان دور از انتظار نبود (جدول 2). محیط دوم شامل DZ16، GR15،BJD16 ، GR16، و BJD15 بود و ژنوتیپ G9 به­عنوان ژنوتیپ برتر این محیط شناسایی شد. ژنوتیپ G13 (رقم سرازیری) نیز ژنوتیپ برتر محیط کلان سوم IRS16 و IRS15 بود. ژنوتیپG2  نیز که در رأس قرار داشت، در هیچ یک از محیط‌های کلان قرار نگرفت که نشان‌دهنده عدم تولید عملکرد بالای این ژنوتیپ در تمامی محیط‌ها می‌باشد. Gurmu et al. (2021) پس از بررسی سازگاری 16 ژنوتیپ باقلا در 8 محیط در جنوب سودان بر اساس اطلاعات نمودار چند­وجهی GGE بای‌پلات، در محیط آگاندا لاین (G11) EH00102-5 در رأس قرار داشت، بنابراین دارای سازگاری خصوصی بوده و لاین‌های EH98086-2(G3)، EH00099-1(G5) و EH98145-1(G12) دارای سازگاری عمومی هستند.Flores et al.  (2013) نیز پس از مطالعه عملکرد دانه 20 ژنوتیپ باقلا در 13 محیط، 3 محیط کلان را شناسایی کردند که ژنوتیپ‌های متفاوتی در این محیط‌ها برتر بودند.

بر اساس مدل GGE (G+GEI) در تجزیه بای‌پلات نیز ژنوتیپ‌های دارای پایداری بالا مشخص شدند (شکل 2). ژنوتیپی که در مرکز دوایر متحدالمرکز قرار دارد، ژنوتیپی است که در همه محیط‌ها بالاترین عملکرد را دارد و مطلقاً پایدار و ژنوتیپ ایده‌ال است. بنابراین، مبنای رتبه‌بندی مبتنی بر میانگین عملکرد و پایداری است (Yan et al., 2000). ژنوتیپ‌هایی که در فاصله کمتری از ژنوتیپ ایده‌ال قرار دارند ژنوتیپ مطلوب با عملکرد بالا و پایدار خواهند بود. ژنوتیپ G9 در مرکز دوایر متحدالمرکز قرار داشت و ژنوتیپ پایدار محسوب می‌شود و بعد از آن ژنوتیپ‌ G10 در فاصله کمتری از ژنوتیپ ایده‌ال قرار گرفته است (شکل 2). پس از آن ژنوتیپ‌های G11، G1، G10، G4، G5، G7 و G8 که به ژنوتیپ ایده‌ال نزدیک‌تر هستند، ژنوتیپ‌های مطلوب‌تری هستند و در رتبه دوم قرار دارند. برای تعیین ژنوتیپ ایده‌آل دو معیار پایداری و عملکرد بالا مد نظر است، بنابراین ژنوتیپی ایده‌آل است که دارای حداکثر عملکرد و حداکثر پایداری باشد و هر ژنوتیپی که نزیکترین فاصله را به ژنوتیپ ایده‌آل داشته باشد در رتبه‌های بعدی مطلوبیت قرار دارد (Yan & Kang, 2003). با­توجه­به اینکه ژنوتیپ‌های G9، G11، G4، G5، G7 و G10 دارای عملکرد بالا و پایداری متوسط به بالا هستند، لذا این ژنوتیپ‌ها در درجه اول برای کشت در طیف گسترده‌تری از شرایط محیطی توصیه می‌شوند و در درجه دوم می‌توانند به­عنوان والد دهنده در برنامه‌های به‌نژادی برای بهبود توأم سازگاری و عملکرد در گیاه باقلا مورد استفاده قرار گیرند. ژنوتیپ‌های G2، G3، G6، G12، G13، و G14 در رتبه‌های بعدی قرار گرفتند. Firew et al. (2019) از روشGGE biplot برای مقایسه ارقام لوبیا سفید با رقم ایده‌ال استفاده کردند.

برای نشان­دادن رابطه بین محیط‌های مورد بررسی از نموداری استفاده می‌شود که در آن محیط‌ها از طریق خط‌هایی به اسم بردار به مبدا وصل می‌شوند (شکل 3). کسینوس زاویه بین بردارهای دو محیط ضریب همبستگی بین آنها را نشان می‌دهد
 (Zeleke & Berhanu, 2016)، بنابراین زاویه کوچک‌تر بین دو بردار به معنای همبستگی مثبت و بالای بین آنها است. با­استفاده­از نتایج این نمودار می‌توان محیط‌های مشابه و یا نزدیک به هم را شناسایی کرد، با حذف محیط‌های مشابه در آزمایش‌های بعدی در وقت و هزینه صرفه‌جویی خواهد شد و کارایی افزایش خواهد یافت (Yan & Kang, 2003). Zeleke & Berhanu  (2016)با بررسی عملکرد دانه 16 ژنوتیپ لوبیا در پنج مکان طی دو سال زراعی و بهره‌گیری از روش گرافیکی GGEbiplot محیط‌ها را از لحاظ قدرت تمایز گروه‌بندی کردند. در بررسی حاضر بین محیط‌های BJD16 و BJD15 همبستگی بالایی وجود دارد و دارای کمترین طول بردار هستند. طول بردار هر محیط، انحراف معیار درونی آن را نشان می‌دهد و این انحراف معیار توانایی تمایز محیط را نشان می‌دهد (Akan & Akcur, 2018). اگر محیطی دارای طول بردار کوتاه باشد، قدرت تمایز کمتری دارد و اطلاعاتی درباره ژنوتیپ‌های مورد بررسی نمی‌دهد، بنابراین این محیط آزمایش بی‌نتیجه خواهد بود. در بین محیط‌های آزمایش محیط GR15 دارای بیشترین طول بردار و بیشترین قدرت تمایز است و بعد از آن محیط‌های IRS15 و IRS16 قرار دارند. بنابراین با اجرای آزمایش در دو محیط گرگان و ایرانشهر تنها در یک سال هم می‌توان به نتایج مشابه دست پیدا کرد. Firew et al. (2019) با­استفاده­از نمودار بررسی همبستگی بین محیط‌ها در بررسی سازگاری لوبیا سفید در اتیوپی، بر اساس زاویه بین بردارها هفت محیط را به دو گروه مجزا تقسیم کردند و نتیجه گرفتند با اجرای آزمایش در دو مکان نیز به نتایج مشابه دست خواهند یافت.

از نمودارAEC (Average Environment Coordinate)  جهت بررسی همزمان پایداری و عملکرد استفاده می‌شود (شکل 5). محور افقی نشان‌دهنده عملکرد ژنوتیپ‌ها و محور عمودی برآوردی از GEI هر ژنوتیپ است (Tekalign et al., 2017). فاصله کمتر از محور افقی نشانگر پایداری ژنوتیپ است، پس از بررسی شکل 5 می‌توان گفت ژنوتیپ‌ G9 بیشترین عملکرد و ژنوتیپ‌های G13 و G14 (ارقام محلی زرشکی و بلوچی) کمترین عملکرد دانه را داشتند. ژنوتیپ‌های G1 و G11 و پس از آن ژنوتیپ‌های G5 و G10 تقریباً روی محور افقی قرار گرفته‌اند، دارای کمترین طول تصویر روی محور عمودی هستند و بیشترین پایداری را دارند. به‌طور کلی ژنوتیپ G1 به­عنوان ژنوتیپ پرمحصول و پایدار معرفی شد. نمودارهای بای‌پلات توسط سایر پژوهشگران نیز برای شناسایی ژنوتیپ‌های پایدار باقلا استفاده شده‌است (Temesgen et al., 2015; Tolessa et al., 2019; Tadele et al., 2020; Sheikh et al., 2021a). اگر عوامل محیطی مانند اثر سال و تغییرات آب و هوایی منجر به ایجاد اثر متقابل ژنوتیپ×محیط شود، الگوهای پیش‌بینی ژنوتیپ مختص هر محیط در همه سال‌ها تکرارپذیر نخواهد بود، بنابراین بایستی با انتخاب ژنوتیپ پایدار و با عملکرد زیاد، حداکثر تولید را داشت.

4. نتیجه‌گیری

با­توجه­به نقش باقلا در تناوب و تولید پروتئین، بایستی از علم به‌نژادی، تنوع ژنتیکی، تنوع اقلیم و فصل کشت در راستای معرفی ارقام مناسب مناطق مختلف به منظور افزایش عملکرد این محصول استفاده شود. در مطالعه حاضر اثر متقابل ژنوتیپ×محیط از اثر ژنوتیپ روی عملکرد دانه بیشتر بود. در واقع ژنوتیپ/ژنوتیپ‌های مختلف باقلا از لحاظ عملکرد دانه پاسخ متفاوتی به محیط‌های مختلف داشتند. بر اساس مدل اثر متقابل ژنوتیپ×محیط و تجزیه GGE بای‌پلات، بیش از 5/91 درصد از تغییرات اثر متقابل توسط دو مؤلفه اول توجیه شد و ژنوتیپ G9 با دارا­بودن کمترین اثر متقابل در هر دو مؤلفه به­عنوان پایدارترین ژنوتیپ و بعد از آن به­ترتیب ژنوتیپ‌های G1، G5 و G10 به­عنوان ژنوتیپ‌های دارای عملکرد دانه و پایداری بالا شناسایی شدند که می‌توانند در برنامه‌های به‌نژادی برای بهبود توأم سازگاری و عملکرد در گیاه باقلا مورد استفاده قرار گیرند. علاوه­بر پایداری عملکرد ژنوتیپ G1 از نظر وزن صد­دانه، عملکرد دانه و تعداد دانه در غلاف مناسب مصرف تازه‌خوری می‌باشد. توده‌های محلی زرشکی و بلوچی (G13 و G14) با دارا­بودن بیشترین اثر متقابل در هر دو مؤلفه ناپایدارترین ژنوتیپ‌ها شناسایی شدند. ژنوتیپ G9 با خصوصیات برجسته‌ای هم‌چون عملکرد بالا، سازگاری، قابلیت برداشت مکانیزه و مقاومت به بیماری ژنوتیپ جهت ارزیابی در پروژه‌های تحقیقی ترویجی انتخاب شد.

5. سپاسگزاری

نگارندگان از موسسه تحقیقات اصلاح و تهیه نهال و بذر برای تامین هزینه‌های اجرایی تحقیق در قالب پروژه پژوهشی به شماره مصوب 93280-03-57-0 سپاسگزاری می‌کنند. همچنین از کارشناسان و کمک کارشناسان مراکز تحقیقاتی محل اجرای پروژه که در اجرای این پژوهش با مجریان همکاری و مساعدت لازم مبذول داشتند، تشکر و قدردانی می‌شود.

6. منابع

Akan, K., & Akcura, A. (2018). GGE biplot analysis of reactions of bread wheat pure lines selected from central anatolian landraces of Turkey to leaf rust disease (Puccinia triticina) in multiple location-years. Cereal Research Communications, 46(2), 311–320. DOI: 10.1556/0806.46.2018.12.

Ali, I., Ullah Khan, N., Mohammad, F., Atif, M., Abbas, A., Bibi, Z., Ali, S., Amin, I, Ahmad, S., & Mehboob-Ur-Rahman, A. (2017). Genotype by environment and GGE-biplot analyses for seed cotton yield in upland cotton. Pakistan Journal of Botany, 49(6), 2273-2283.

Ammar, M.H., Alghamdi, S., Migdadi, S., Muhammad, A., Khan, H.M., El-Harty, E.H., & Al-Faifi, S.A. (2015). Assessment of genetic diversity among faba bean genotypes using agro-morphological and molecular markers. Saudi Journal of Biological Sciences, 22, 340–350.

Botovic, D., Ţivanovic, T., Popovic, V., Tatic, M., Gospavic, Z., Miloradovic, Z., Stankovic, G., & Đokic, T. (2018). Assessment stability of maize lines yield by GGE-biplot analysis. Genetika, 50(3), 755-770.

Etemadi, F., Hashemi, M., Barker, A.V., Zandvakili, O.R., & Xiaobing, L. (2019). Agronomy, nutritional value, and medicinal application of faba bean (Vicia faba L.). Horticultural Plant Journal, 5, 170-182.

Fikere, M., Tadesse, T., & Letta, T. (2008). Genotype-environment interactions and stability parameters for grain yield of faba bean (Vacia faba L.) genotypes grown in South Eastern Ethiopia. International Journal of Sustainable Crop Production, 3(6), 80-87.

Firew, A.M., Amsalu, B., & Tsegaye, D. (2019). Additive main effects and multiplicative interaction (AMMI) and genotype main effect and genotype by environment interaction (GGE) biplot analysis of large white bean (Phaseolus vulgaris L.) genotypes across environments in Ethiopia. African Journal of Agricultural Research, 14(35), 2135-2145.

Flores, F., Hybl, M, Knudsen, J.C., Marget, P., Muel, F., Nadal, S., Narits, L., Raffiot, B., Sass, O., Solis, I., Winkler, J., Stoddard, F.L., & Rubiales, D. (2013). Adaptation of spring faba bean types across European climates. Field Crops Research, 145, 1-9.

Gurmu, F.E., Lire, A., Asfaw, A., Alemayehu, F., Rezene, Y., & Ambachew, D. (2012). GGE-biplot analysis of grain yield of faba bean genotypes in Southern Ethiopia. Electronic Journal of Plant Breeding, 3(3), 898-907. Haile, G.A., & Kebede, G.A. (2021). Identification of stable faba bean (Vicia faba L.) genotypes for seed yield in Ethiopia using GGE model. Journal of Plant Development, 9(4), 163-169.

Haile, G.A., & Kebede, G.Y. (2021). Identification of stable faba bean (Vicia faba L.) genotypes for seed yield in Ethiopia using GGE model. Journal of Plant Sciences, 9, 163-169. doi: 10.11648/j.jps.20210904.15.

Karkanis, A., Ntatsi, G., Lepse, L., Fernandez, J.A., Vagen, I.M., Rewald, B., Alsiņa, I., Kronberga, A, Balliu, A., Olle, M., Bodner, G., Dubova, I., Rosa, E., & Savvas, D. (2018). Faba bean cultivation–revealing novel managing practices for more sustainable and competitive European cropping systems. Frontiers in Plant Science, 9, 11-15. doi: 10.3389/fpls.2018.01115.

Maalouf, F., Khali, S., Ahmed S., Akintunde, A.N., Kharrat, M., El Shama’a, K., Hajjar, S., & Malhotra, R.S. (2011). Yield stability of faba bean lines under diverse broomrape prone production environments. Field Crops Research, 124(3), 288-294.

Maniruzzaman, S., Debsharma, S., Ahmed, M.M., Ali, M., & Hera, M. (2022). GGE biplot analysis for genotype×environment interaction on yield trait of rice in Bangladesh irrigated environments. The Agriculturists, 19, 63-72.

Meng, Y., Peiyu Ren, X., Ma, B., Qiuhua Bao, L., Zhang, H., Wang, J., Bai, J., & Wang, H. (2016). GGE biplot-based evaluation of yield performance of barley genotypes across different environments in China. Journal of Agricultural Science and Technology, 18, 533-543.

Pourdad, S.S., & Jamshidi Moghaddam, M. (2013). Study on genotype×environment interaction through GGE biplot for seed yield in spring rapeseed (Brassica napus L.) in rainfed condition. Journal of Crop Breeding, 5, 1-13.

Sheikh, F., & Feyzbakhsh, M.T. (2019). Faba bean handbook. Golestan Agricultural and Natural Resources Research and Education Center. Agricultural Research, Education and Extension Organization. (In Persian).

Sheikh, F., Nazari, H., & Fanaei, H. (2022). Graphic analysis of trait relations and stability of faba bean genotypes using the biplot method. Journal of Crop Production, 15(2), 117-135. doi: 10.22069/ejcp.2022.19563.2457. (In Persian).

Sheikh, F., Sekhavat, R., Asteraki, H., Parkasi, A., & Aghajani, M.A. (2021a). Evaluation of seed yield stability of faba bean (Vicia faba L.) genotypes using GGE biplot analysis. Journal of Crop Production and Processing, 11(3), 85-99. (In Persian).

Sheikh, F., Sekhavat, R. Asteraki, H., & Parkasi, A. (2021b). Assessment of genotype×environment interaction and seed yield stability of faba bean (Vicia faba L.) promising lines using AMMI analysis. Seed and Plant Journal, 37, 1-22. (In Persian).

Sheikh, F., Sharifi, P., Asteraki, H., Miri, K., & Sekhavat, R. (2021c). Evaluation stability of seed yield of faba bean (Vicia faba L.) genotypes by parametric and non-parametric methods. Journal of Crop Production, 14(3), 125-144. (In Persian).

Tadele, M., Mohammed, W., & Jarso, M. (2020). Yield stability and genotype×environment interaction of faba bean (Vicia faba L.). International Journal of Plant Breeding and Crop Science, 7(2), 833-846.

Tadesse, T., Mulugeta, B., Sefera, G., & Tekalign, A. (2016). Genotypes by environment interaction of faba bean (Vicia faba L.). Grain yield in the highland of bale zone, southeastern Ethiopia. Plant, 5, 13-17.doi: 10.11648/j.plant.20170501.13.

Tekalign, A., Sibiya, J., Derera, J., & Fikre, A. (2017). Analysis of genotype×environment interaction and stability for grain yield and chocolate spot (Botrytis fabae) disease resistance in faba bean (Vicia faba). Australian Journal of Crop Science, 11(10), 1228-1235.

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.

Tolessa, T.T., Keneni, G., Mohammed, H., & Ahmed, S.K. (2019). Decades of faba bean (Vicia faba L.) breeding for better grain yield and seed size has inadvertently reduced G×E interaction and increased inter-temporal performance stability. Journal of Crop Science and Biotechnology, 22, 265–274.

Yan, W., & Kang, M.S. (2003). GGE biplot analysis: A graphical tool for breeders, geneticists and agronomists. 1st Edn., CRC Press LLC., Boca Raton, Florida, Pp: 271.

Yan, W., Hunt, L.A., Sheng Q., & Szlavnics, Z. (2000). Cultivar evaluation and mega environment investigations based on the GGE biplot. Crop Science, 40, 597-605.

Zeleke, A.A., & Berhanu, F.A. (2016). AMMI and GGE models analysis of stability and GEI of common bean (Phaseolus vulgaris L.) lines in Ethiopia. Journal of Biology, Agriculture and Healthcare, 6(9), 127-135.

[1]. Ward

2. 2. Kolmogorov-Smirnov