استفاده از مدل های رگرسیونی برای شناسایی صفات گیاهی مرتبط با عملکرد دانه ژنوتیپ های باقلا (Vicia faba L.)
Publish place: Iranian Journal of Crop Sciences، Vol: 19، Issue: 3
Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 133
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_AGRO-19-3_003
تاریخ نمایه سازی: 11 تیر 1401
Abstract:
در برنامه های به نژادی، برآورد میزان افزایش عملکرد بر اساس تغییر در صفات موثر گیاهی از اهمیت بالایی برخوردار است که با استفاده از مدل سازی رگرسیونی می توان آنها را شناسایی کرد. به همین منظور ۵۲ ژنوتیپ متنوع باقلا در یک آزمایش در قالب طرح بلوک های کامل تصادفی با سه تکرار در بهار سال ۱۳۹۳ در ایستگاه تحقیقات کشاورزی و منابع طبیعی گرگان مورد ارزیابی قرار گرفتند. نتایج تجزیه رگرسیونی نشان داد که عملکرد دانه می تواند از ۱۶۶۵ کیلوگرم در هکتار تا ۲۸۸۰ کیلوگرم در هکتار (۱۲۱۵ کیلوگرم در هکتار) افزایش یابد. بر اساس نتایج، تغییر در چهار صفت گیاهی؛ ارتفاع بوته، تعداد غلاف در بوته، تعداد دانه در غلاف و تعداد روز تا گل دهی، می توانند باعث افزایش عملکرد دانه ژنوتیپ های باقلا شوند. نتایج نشان داد که اثر مثبت مطلوب سازی صفات یاد شده با دامنه افزایش عملکرد دانه مشاهده شده در آزمایش مزرعه ای، مطابقت داشته و بین صفات نیز همبستگی منفی وجود نداشت. سهم هر یک از صفات در افزایش عملکرد برای ارتفاع بوته ۵۰۳ کیلوگرم در هکتار، تعداد غلاف در بوته ۳۴۴ کیلوگرم در هکتار، تعداد دانه در غلاف ۳۲۷ کیلوگرم در هکتار و تعداد روز تا گل دهی ۴۱ کیلوگرم در هکتار بود. نتایج این آزمایش نشان داد که با استفاده از مدل سازی رگرسیونی می توان سودمندی برنامه های به نژادی باقلا را در منطقه اجرای آزمایش بهبود داد.
Keywords:
Correlation , Faba bean , Genotype , Plant height and Stepwise regression , ارتفاع بوته , باقلا , رگرسیون گا م به گام , ژنوتیپ و همبستگی صفات.
Authors
صفورا جافرنوده
دانشگاه علوم کشاورزی و منابع طبیعی گرگان
فاطمه شیخ
مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان گلستان. سازمان تحقیقات، آموزش و ترویج کشاورزی
افشین سلطانی
دانشگاه علوم کشاورزی و منابع طبیعی گرگان
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :