Interpretation of genotype × environment interaction for grain yield of barley using the GGE biplot method

Document Type : Research Paper

Authors

1 Kohgiluyeh and Boyerahmad Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Yasuj, Iran

2 Department of Plant Production and Genetics, Faculty of Agriculture, University of Maragheh, Maragheh, Iran.

3 Lorestan Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Khorram-Abad, Iran.

4 Ardabil Agricultural and Natural Resources Research Center, Agricultural Research, Education and Extension Organization (AREEO),Parsabad, Iran

5 Golestan Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Gorgan, Iran

6 Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Ilam, Iran

10.22034/jppb.2020.13670

Abstract

The identification of the most favorable cultivar(s) with high yield and stable performance is usually done based on the analysis of the genotype × environment (GE) interaction. The yield stability of 16 barley lines with two check varieties was studied in a randomized complete block design with four replications across three years at five locations in a multi-environment trial layout. The dataset was analyzed with a GGE (genotype main effect (G) + GE interaction) biplot method. Results indicated that the first two principal components (PCs) explained 81, 78 and 71% of the GGE sum of squares for 2017, 2018 and 2019 growing seasons, respectively. According to the average environment coordinate abscissa, G2, G13 and G18 were the best genotypes in terms of grain yield in years 2017 and 2018 while genotypes G2, G7 and G14 were the highest yielding genotypes in 2019. When both yield performance and stability were considered simultaneously, the G2 and G13 genotypes in 2017 and G2, G8 and G13 in 2018, were closer to the ideal genotype. In 2019, G2, G7 and G14 were the best in terms of grain yield and stability. In the "which-won-where pattern", the five locations in 2017 fell into four sectors with different winning genotypes as G2, G5, G14 and G13. In 2018, the five locations fell into three sectors in which G2, G4 and G17 were the highest yielding genotypes while in 2019, locations were positioned in four sectors and G2, G7, G10 and G13 were chosen as the winning genotypes. However, for practical use of the “which-won-where” pattern, the mean performance of genotypes over three years in the five test locations was taken into account. Although the results revealed six mega-environments, by neglecting small differences, we can assume only one mega-environment in which G2 (the check variety Khorram) was the best performing genotype.

Keywords

Main Subjects


Article Title [فارسی]

تجزیه اثر متقابل ژنوتیپ × محیط برای عملکرد دانه جو با استفاده از روش GGE biplot

Authors [فارسی]

  • بهروز واعظی 1
  • حمید حاتمی ملکی 2
  • علی احمدی 3
  • اصغر مهربان 4
  • رحمت اله محمدی 5
  • زینب سبزی 6
  • ناصر صباغ نیا 2
1 مرکز تحقیقات آموزش کشــاورزی و منابع طبیعی کهگیلویه و بویر احمد، سازمان تحقیقات، آموزش و ترویج کشاورزی، یاسوج.
2 گروه مهندسی تولید و ژنتیک گیاهی، دانشکده کشاورزی دانشگاه مراغه، مراغه.
3 مرکزتحقیقات آموزش کشاورزی و منابع طبیعی لرستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، خرم آباد.
4 مرکزتحقیقات آموزش کشاورزی و منابع طبیعی اردبیل، سازمان تحقیقات، آموزش و ترویج کشاورزی، پارس آباد.
5 - مرکز تحقیقات آموزش کشاورزی و منابع طبیعی گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان.
6 مرکز تحقیقات آموزش کشاورزی و منابع طبیعی ایلام، سازمان تحقیقات، آموزش و ترویج کشاورزی، ایلام.
Abstract [فارسی]

شناسایی مطلوبترین رقم­ های پرمحصول با عملکرد پایدار معمولاً از طریق تجزیه اثر متقابل ژنوتیپ × محیط انجام می­ گیرد. در این پژوهش پایداری عملکرد 16 لاین جو به همراه دو رقم شاهد در قالب طرح بلوک­ های کامل تصادفی با چهار تکرار در طی سه سال و پنج مکان به صورت آزمایش­ های چند-محیطی مطالعه شد. داده ­ها با استفاده از روش GGE-biplot (اثر اصلی ژنوتیپ + اثر متقابل ژنوتیپ و محیط) تجزیه و تحلیل شدند. نتایج نشان داد که دو مولفه اول تجزیه به مولفه های اصلی 81، 78 و 71 درصد از تغییرات مجموع مربعات GGE را به ترتیب در سال های زراعی 1396، 1397 و 1398 توجیه نمودند. بر اساس محور  محیط متوسط، ژنوتیپ­ های G2، G13 و G18 به عنوان بهترین ژنوتیپ­ ها از نظر عملکرد در سال­ های 1397 و 1396 منظور شدند. در حالی که  G2، G14 و G7 پرمحصولترین ژنوتیپ ­ها در سال 1398 بودند. زمانی که هر دو مقوله عملکرد و پایداری به طور هم­زمان لحاظ شدند، ژنوتیپ­ های G2 و G13 در سال 1396 و ژنوتیپ­ های G2، G8 و G13 در سال 1397 به موقعیت ژنوتیپ ایده­آل نزدیک بودند. در سال 1398 ژنوتیپ ­های G2، G7 و G14 از نظر عملکرد و پایداری در حد مطلوبی بودند. در الگوی چی؟ برتر؟ کجا؟ 5 مکان مربوط به سال 1396 در 4 بخش مختلف قرار گرفتند و ژنوتیپ­ های راس برتر شامل G2، G5، G14 و G13 بودند. در سال 1397، 5 مکان در 3 بخش مختلف واقع شدند و ژنوتیپ­ های راس برتر پرمحصول شامل G2، G4 و G14 بودند. در حالی که در سال 1398 مکان­ ها در 4 بخش قرار گرفتند و ژنوتیپ­ های G2، G7، G10 و G13 به عنوان ژنوتیپ­ های مطلوب شناسایی شدند. در عین حال، الگوی چی؟ برتر؟ کجا؟ بر اساس میانگین ژنوتیپ­ ها در سه سال برای 5 مکان نیز ترسیم شد و نتایج شش ابرمحیط را آشکارکرد که با کمی اغماض در مجموع می­ توان یک ابرمحیط را در نظر گرفت و ژنوتیپ G2 (رقم شاخد خرم) بهترین ژنوتیپ در مجموعه این محیط­ ها بود.

Keywords [فارسی]

  • آزمایش های چند-محیطی
  • تجزیه به مقادیر منفرد
  • جو
  • عملکرد دانه
  • GGE biplot
Ahmadi J, Vaezi B and Fotokian MH, 2012. Graphical analysis of multi-environment trials for barley yield using AMMI and GGE-Biplot under rain-fed conditions. Journal of Plant Physiology and Breeding 2: 43-54.
Bustos-Korts D, Romagosa I, Borras-Gelonch G, Casas AM, Slafer GA and Van Eeuwijk F, 2018. Genotype by environment interaction and stability reaction. In: Meyers R. (eds.). Encyclopedia of Sustainability Science and Technology. Springer, Germany.
Dehghani H, Ebadi A and Yousefi A, 2006. Biplot analysis of genotype by environment interaction for barley yield in Iran. Agronomy Journal 98: 388-393.
Dehghani H, Sabaghnia N and Moghaddam M, 2009. Interpretation of genotype-by-environment interaction for late maize hybrids’ grain yield using a biplot method. Turkish Journal of Agriculture and Forestry 33: 139-148.
Dia M, Wehner TC, Hassell R, Price DS, Boyhan GE, Olson S, King S, Davis AR and Tolla GE, 2016. Genotype × environment interaction and stability analysis for watermelon fruit yield in the United States. Crop Science 56: 1645-1661.
FAO, 2017. FAOSTAT. Food and Agriculture Organization of the United Nations. http://faostat.fao.org/.
Karimzadeh R, Mohammadi M and Sabaghnia N, 2013. Site regression biplot analysis for matching new improved lentil genotypes into target environments. Journal of Plant Physiology and Breeding 3: 51-65.
Le Marie CA, York LM, Strigens A, Malosetti M, Camp KH, Giuliani S and Hund A, 2019. Shovelomics root traits assessed on the EURoot maize panel are highly heritable across environments but show low genotype-by-nitrogen interaction. Euphytica 215: 173.
Mattos PHC, Oliveira RAJ, Filho CB, Daros E, Verissimo, MAA, 2013. Evaluation of sugarcane genotypes and production environments in Parana by GGE biplot and AMMI analysis. Crop Breeding and Applied Biotechnology 13: 83-90.
Oghan HA, Sabaghnia N, Rameeh V, Fanaee HR and Hezarjeribi E, 2016. Univariate stability analysis of genotype × environment interaction of oilseed rape seed yield. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis 64: 1625-1634.
Pankin A, Altmüller J, Becker C and Von Korff M, 2018. Targeted resequencing reveals genomic signatures of barley domestication. New Phytologist 218: 1247-1259.
Roorkiwal M, Jarquin D, Singh MK, Gaur PM, Bharadwaj C, Rathore A and Kale S, 2018. Genomic-enabled prediction models using multi-environment trials to estimate the effect of genotype × environment interaction on prediction accuracy in chickpea. Scientific Reports 8: 1-11.
Sabaghnia N, Karimizadeh R and Mohammadi M, 2012. Genotype by environment interaction and stability analysis for grain yield of lentil genotypes. Zemdirbyste 99: 305-312.
Yan W, 2001. GGEBiplot-A Windows application for graphical analysis of multi-environment trial data and other types of two-way data. Agronomy Journal 93: 1111-1118.
Yan W, 2014. Crop variety trials: data management and analysis. John Wiley & Sons, USA.
Yan W, 2019. LG biplot: a graphical method for mega-environment investigation using existing crop variety trial data. Science Reports 9: 7130.
Yan W and Hunt LA, Sheng Q and Szlavnics Z, 2000. Cultivar evaluation and mega-environment investigation based on GGE biplot. Crop Science 40: 596–605.
Yan W and Kang MS, 2003. GGE Biplot Analysis: A Graphical Tool for Breeders, Geneticists, and Agronomists. CRC Press, Boca Raton, FL, USA.
Yan W and Rajcan I, 2002. Biplot evaluation of test sites and trait relations of soybean in Ontario. Crop Science 42: 11-20.
Yan W and Tinker NA, 2005. An integrated system of biplot analysis for displaying, interpreting, and exploring genotype × environment interaction. Crop Science 45: 1004-1016.
Yan W and Wu HX, 2008. Application of GGE biplot analysis to evaluate genotype (G), environment (E), and G × E interaction on Pinus radiata: a case study. New Zealand Journal of Forestry Science 38: 132-142.