همبستگی صفات و تجزیه اجزای عملکرد ژنوتیپهای کلزا با استفاده از GGEbiplot
Publish place: 1th National Oilseed Plants Conference
Publish Year: 1388
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,227
This Paper With 5 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NOILP01_198
تاریخ نمایه سازی: 8 مرداد 1389
Abstract:
کلزا یک گیاه یکساله و یک حبوب متحمل به خشکی بوده و سازگاری خوبی به آب و هوای سرد دارد. توجه به کشت کلزا در ایران بخاطر پتانسیل نسبی آن نسبت به سایر گیاهان روغنی است. بذور کلزا بعنوان یک منیع روغن مهم و غنی در غذای بسیاری از ساکنین آسیای غربی، شمال آفریقا و بسیاری از نواحی دیگر دنیا بوده و بسرعت در کشورهای در حال توسعه بعنوان جزئی از جیره غذایی سالم عمومیت مییابد. مهمترین راه انتخاب ژنوتیپ های پر محصول، شناسایی صفات مهم و موثر بر صفت عملکرد دانه در گیاه است. در این تحقیق همبستگی بین صفات با روش GGEbiplot برای شناسایی این صفات مهم مورد استفاده قرار گرفتند. 9 ژنوتیپ شامل 2 رقم داخلی (طلایه و زرفام) و 7 رقم خارجی (Modena, Fornax, Colvert Okapi, Orient, Opera, SLM046) برای ارزیابی صفات زراعی در مزرعه بررسی شدند. نتایج تجزیه واریانس نشان داد که تفاوتهای معنیداری بین ژنوتیپهای مورد مطالعه وجود داشت. نمودار ژنوتیپ ایده آل روش GGEbiplot نشان داد که ژنوتیپ Modena از این نظر برتر از سایر ژنوتیپهای مورد مطالعه بود و در مرحله بعدی رقم طلایه قرار داشت. عملکرد با صفت تعداد طول غلاف در ساقه اصلی و تعداد غلاف بوته با طول غلاف دارای همبستگی مثبت بودند. نتایج این تحقیق نشان داد که روش GGEbiplot قادر به نمایش گرافیکی همبستگی صفات اندازهگیری شده کلزا میباشد. همچنین چنین بروندادی میتواند در آینده برای کسب نتایج قابل پیش بینی و طراحی برنامههای اصلاحی کلزا و سایر گیاهان زراعی در دنیا مورد استفاده قرار گیرد.
Keywords:
Authors
ناصر صباغ نیا
گروه اصلاح نباتات دانشگاه تربیت مدرس
حمید دهقانی
گروه اصلاح نباتات دانشگاه تربیت مدرس
بهرام علیزاده
بخش دانه های روغنی موسسه اصلاح و تهیه نهال و بذر
محمد مقدم
گروه زراعت و اصلاح نباتات دانشگاه تبریز
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 :