基于R語(yǔ)言的AMMI和GGE雙標(biāo)圖在花生區(qū)試中的應(yīng)用

郭敏杰，鄧 麗，任 麗，谷建中

(開(kāi)封市農(nóng)林科學(xué)研究院，河南 開(kāi)封 475000)

基于R語(yǔ)言的AMMI和GGE雙標(biāo)圖在花生區(qū)試中的應(yīng)用

郭敏杰，鄧 麗，任 麗，谷建中*

(開(kāi)封市農(nóng)林科學(xué)研究院，河南 開(kāi)封 475000)

以2014年河南省小?；ㄉ贩N區(qū)域試驗(yàn)的數(shù)據(jù)為材料，選取19個(gè)品種，9個(gè)試點(diǎn)，利用基于R語(yǔ)言的AMMI和GGE雙標(biāo)圖分析花生品種的適應(yīng)性、豐產(chǎn)性和穩(wěn)產(chǎn)性，試點(diǎn)環(huán)境的相關(guān)性、區(qū)分力和代表性，為花生品種產(chǎn)量穩(wěn)定性評(píng)價(jià)和推廣提供有力的支撐。結(jié)果表明，高產(chǎn)穩(wěn)產(chǎn)品種為開(kāi)農(nóng)1760、糧花8號(hào)、開(kāi)農(nóng)1768、農(nóng)花10、信花425和豫花65號(hào)；信陽(yáng)和新鄭，開(kāi)封和駐馬店的生態(tài)區(qū)域相似，鄭州與信陽(yáng)可能屬于不同的生態(tài)區(qū)域；理想的試點(diǎn)為南陽(yáng)、濮陽(yáng)和駐馬店。AMMI模型與GGE雙標(biāo)圖在品種評(píng)價(jià)方面結(jié)果基本一致，但GGE雙標(biāo)圖更加全面。AMMI模型可以合理有效地分割平方和，GGE雙標(biāo)圖可以更加全面有效地評(píng)估品種和試點(diǎn)。

花生；AMMI模型；GGE雙標(biāo)圖；品種評(píng)價(jià)；試點(diǎn)評(píng)估

花生是我國(guó)主要油料作物，高產(chǎn)穩(wěn)產(chǎn)一直是我國(guó)育種者的首要育種目標(biāo)，區(qū)域試驗(yàn)是對(duì)參試品種的豐產(chǎn)性、穩(wěn)產(chǎn)性、抗逆性和適應(yīng)性進(jìn)行評(píng)估，為品種的推廣利用提供科學(xué)依據(jù)，其實(shí)質(zhì)是將不同的基因型放入相同的環(huán)境以觀察其表現(xiàn)，分析基因型與環(huán)境的互作關(guān)系(G×E)，選擇適應(yīng)生產(chǎn)和社會(huì)需求的品種[1]，所以使用恰當(dāng)準(zhǔn)確的分析方法就顯得尤為重要。

作物在生長(zhǎng)過(guò)程中，G×E對(duì)產(chǎn)量的影響較大，對(duì)此科研人員提出了多種方法，如方差分析、主成分分析、Finlay&Wilkinson聯(lián)合回歸模型、主效可加互作可乘的AMMI模型和GGE雙標(biāo)圖等。長(zhǎng)期以來(lái)，研究區(qū)試數(shù)據(jù)主要采用方差分析法[2-3]，它考慮基因型、環(huán)境和G×E，但這種模型只給出了主效應(yīng)，將G×E作為一個(gè)整體給出，當(dāng)數(shù)據(jù)是二向表時(shí)，該模型就不能將G×E從殘差中分離出來(lái)。Finlay和Wilkinson提出了用線(xiàn)性回歸的方法描述G×E[4]，它可以解釋基因型受環(huán)境影響的程度，但是這種模型只是通過(guò)一個(gè)回歸系數(shù)來(lái)描述G×E。AMMI模型是Finlay&Wilkinson模型的進(jìn)一步拓展，Guach[5]對(duì)AMMI的研究與應(yīng)用進(jìn)展進(jìn)行了綜述，它將方差分析和主成分分析相結(jié)合，將乘積形式的交互作用加入到基因型和環(huán)境的加性模型中，不僅能分析G×E的顯著性，還能估計(jì)出G×E的特點(diǎn)及形態(tài)，目前AMMI模型已經(jīng)廣泛應(yīng)用到了烤煙[6-7]、水稻[8-10]、西瓜[11]、小麥[12]、土豆[13]等植物評(píng)價(jià)中。Yan[14]提出的GGE雙標(biāo)圖分析法，同時(shí)考慮了基因型和G×E效應(yīng)，能更直觀高效地評(píng)價(jià)和展示G×E，可以廣泛地應(yīng)用于區(qū)域試驗(yàn)中的品種評(píng)價(jià)、試點(diǎn)評(píng)價(jià)和品種生態(tài)區(qū)劃分[15-19]。

目前，AMMI模型和GGE雙標(biāo)圖在花生上的應(yīng)用鮮有報(bào)道，只有陳四龍[20]和吳昌湛[21]用GGE雙標(biāo)圖分別分析了種植密度對(duì)高油花生生長(zhǎng)的影響和花生品種穩(wěn)定性，但是同時(shí)利用AMMI模型和GGE雙標(biāo)圖聯(lián)合分析區(qū)域試驗(yàn)中參試品種的豐產(chǎn)穩(wěn)產(chǎn)性、試點(diǎn)區(qū)分力及生態(tài)區(qū)域劃分的研究還未見(jiàn)報(bào)道。R語(yǔ)言是開(kāi)源免費(fèi)的軟件，它具有跨平臺(tái)特性，在Windows、Linux、Unix和Mac OS系統(tǒng)上都可以運(yùn)行，操作簡(jiǎn)單，并且有強(qiáng)大的統(tǒng)計(jì)和作圖功能。

本文以2014年河南省小?；ㄉ贩N區(qū)域試驗(yàn)數(shù)據(jù)為材料，利用AMMI模型和GGE雙標(biāo)圖聯(lián)合分析，以揭示各個(gè)參試品種的適應(yīng)性、豐產(chǎn)性和穩(wěn)產(chǎn)性，試點(diǎn)區(qū)分力、代表性及試點(diǎn)生態(tài)區(qū)域劃分，為精準(zhǔn)的評(píng)估優(yōu)異品種和參試點(diǎn)的有效性提供了重要依據(jù)，同時(shí)也為參試品種能否晉級(jí)參加生產(chǎn)試驗(yàn)提供了決策支持。

1 材料方法

1.1 試驗(yàn)材料

以2014年河南省小?；ㄉ贩N區(qū)域試驗(yàn)的品種莢果產(chǎn)量和試點(diǎn)為資料進(jìn)行AMMI模型和GGE雙標(biāo)圖分析。參試品種19個(gè)，試點(diǎn)9個(gè)，主要?dú)庀笠蜃訑?shù)據(jù)見(jiàn)表1，參試品種名稱(chēng)、試點(diǎn)及代碼見(jiàn)表2，參試品種在各個(gè)試點(diǎn)的產(chǎn)量見(jiàn)表3。

表1 主要?dú)庀笠蜃訑?shù)據(jù)

1.2 試驗(yàn)方法

1.2.1 試驗(yàn)設(shè)計(jì)

各個(gè)試點(diǎn)統(tǒng)一采用隨機(jī)區(qū)組排列，重復(fù)3次。小區(qū)長(zhǎng)6.67 m，寬2.00 m，每個(gè)小區(qū)種植6行，行距33.33 cm，穴距16.67 cm，每公頃180000穴，每穴2粒。于5月22日左右播種，施肥水平及田間管理均按照河南省小?；ㄉ鷧^(qū)域試驗(yàn)方案執(zhí)行，9月20日左右收獲，收獲曬干后嚴(yán)格測(cè)定各小區(qū)花生莢果產(chǎn)量，分析數(shù)據(jù)時(shí)折合成標(biāo)準(zhǔn)產(chǎn)量(kg/hm2)。

1.2.2 數(shù)據(jù)分析方法

本文采用的AMMI模型和GGE雙標(biāo)圖分別是基于R軟件的agricolae包[22]和GGE BiplotGUI包[23]。程序如下：

######## 讀取數(shù)據(jù) ####################

a<- read.table("d:/data.txt",sep="〗t")

head(a)

names(a) <-c("G","E","yield")

head(a)

########AMMI模型程序代碼 #########

library(agricolae)

model<-AMMI(ENV=a$E,GEN=a$G,

REP=1,Y=a$yield,MSE=2,console=TRUE)

plot(model,first=0,second=1,type=1,number=F,xlab="Maineffect",

ylab="IPCA1 (43.44ofGE)",main="MeanyieldvsIPCA1:AMMIplot")

########GGEBiplot模型程序代碼 #####

library(GGEBiplotGUI)

library(reshape2)

fen_a<-dcast(a,formula=G～E)

head(fen_a)

row.names(fen_a) <-fen_a$G

head(fen_a)

GGEBiplot(fen_a)

(一)AMMI模型分析法

AMMI模型將G×E進(jìn)行多個(gè)維度的分解，從而對(duì)G×E解釋得更加全面[24]。模型如下：

其中yij為第i個(gè)基因型在第j個(gè)環(huán)境的產(chǎn)量， μ是整體均值， Gi是第i個(gè)基因型的效應(yīng)值，Ej是第j個(gè)環(huán)境的效應(yīng)值，G×E被分解為k個(gè)因素相乘， bik是基因型得分， Zjk是環(huán)境得分，二者是對(duì)G×E進(jìn)行主成分分析的結(jié)果，εij為試驗(yàn)殘差[25]。

(二)GGE雙標(biāo)圖分析法

其中yij為第i個(gè)基因型在第j個(gè)環(huán)境的產(chǎn)量，μ是整體均值，Ej是第j個(gè)環(huán)境的效應(yīng)值，基因型效應(yīng)和G×E被分解為k個(gè)因素相乘，bik是品種得分，zjk是環(huán)境得分， εij為試驗(yàn)殘差[25]。

2 結(jié)果與分析

2.1 AMMI模型分析結(jié)果

2.1.1AMMI模型分解變異

對(duì)莢果產(chǎn)量進(jìn)行AMMI模型分析(表4)，結(jié)果表明，品種、環(huán)境和G×E均達(dá)到極顯著水平，其中品種的平方和占總變異的10.08%，環(huán)境間的平方和是變異的主要來(lái)源，占總變異的68.25%，G×E的平方和占總變異的21.66%，G×E分解的IPCA1(第一主成分)和IPCA2(第二主成分)分別占G×E的43.44%和20.49%，IPCA1和IPCA2共解釋了G×E平方和的63.93%，這也表明了，AMMI模型可以合理有效地剖分平方和[13]。

表4 AMMI模型變異分析

注：***表示達(dá)到極顯著差異(P<0.001)；**表示達(dá)到極顯著差異(P<0.01)。

Note: ***Represents significant difference atP<0.001; **Represents significant difference atP<0.01.

2.1.2 AMMI模型分析參試品種的豐產(chǎn)穩(wěn)產(chǎn)性和適應(yīng)性

以平均產(chǎn)量為X軸，以G×E分解的IPCA1為Y軸，以IPCA1值為0作一條水平線(xiàn)，以所有品種的產(chǎn)量均值作一條垂直線(xiàn)(圖1)。水平方向上，橫坐標(biāo)越大，品種產(chǎn)量越高；垂直方向上，越靠近水平線(xiàn)，品種產(chǎn)量越穩(wěn)定。產(chǎn)量高于對(duì)照的高產(chǎn)品種為G2>G5>G8>G11>G14>G6>G4>G7>G9>G17>G16(CK)，產(chǎn)量低于對(duì)照的品種為G18G1>G4>G13>G11>G2>G17>G15>G12>G8>G5>G16(CK)；由此得出高產(chǎn)穩(wěn)產(chǎn)品種有G2、G5、G8、G11、G14和G4。

在水平方向上，試點(diǎn)比品種分散，表明試點(diǎn)間的變異遠(yuǎn)大于品種間的變異；水平線(xiàn)上下的品種與位于同側(cè)的試點(diǎn)有正向互作，即對(duì)品種產(chǎn)量的提高有積極作用品種G10、G18、G19、G16、G15、G12和G13在試點(diǎn)E6、E5、E2、E9有較好的適應(yīng)性，品種G3、G7、G6、G9、G8、G5、G17、G2、G11在試點(diǎn)E3、E4、E7有較好的適應(yīng)性。

2.2 GGE雙標(biāo)圖分析結(jié)果

2.2.1 GGE雙標(biāo)圖分析參試品種的適應(yīng)性

將試點(diǎn)分組(圖2)，把最外圍的品種順序連接形成一個(gè)多邊形，由原點(diǎn)發(fā)出的多條射線(xiàn)垂直于各邊，從而把多邊形分割為7個(gè)扇區(qū)，這樣9個(gè)環(huán)境就可以分為三組，試點(diǎn)E3和E4為一組，E1、E7、E8為一組，E2、E5、E6、E9為一組，劃分為同一組的環(huán)境生態(tài)區(qū)域類(lèi)似，各扇區(qū)內(nèi)的環(huán)境比較適合其區(qū)內(nèi)的品種。各扇區(qū)內(nèi)位于多邊形頂角的品種就是該區(qū)內(nèi)的高產(chǎn)品種，如E2、E5、E6、E9區(qū)域中G2和G5為高產(chǎn)品種。

圖1 AMMI模型雙標(biāo)圖 圖2 GGE雙標(biāo)圖分析品種的適應(yīng)性 Fig.1 Biplot of AMMI model Fig.2 GGE biplot showing the yield adaptability of 19 varieties

2.2.2 GGE雙標(biāo)圖分析各個(gè)試點(diǎn)的環(huán)境關(guān)系

環(huán)境相關(guān)性評(píng)價(jià)可以直觀地分析各試點(diǎn)對(duì)品種評(píng)價(jià)的相似性(圖3)，連接原點(diǎn)和各環(huán)境的直線(xiàn)稱(chēng)為向量，兩環(huán)境向量夾角的余弦值近似于它們的遺傳相關(guān)系數(shù)，夾角越小，說(shuō)明環(huán)境對(duì)于參試品種的排序越相似，夾角小于90度為正相關(guān)，大于90度為負(fù)相關(guān)。圖中多數(shù)環(huán)境之間存在正相關(guān)，如E1、E7、E8、E3、E4之間；一些環(huán)境之間存在著緊密的正相關(guān)，如E7和E8，E2和E9；少數(shù)環(huán)境存在著微弱的負(fù)相關(guān)，如E5、E6與E1、E7、E8之間，表明這些試點(diǎn)可能屬于不同的生態(tài)區(qū)域。如E5和E6分別為鄭州和溫縣，二者顯示正相關(guān)，而實(shí)際上兩者的地理位置非常接近，氣候條件比較類(lèi)似。而E1和E7分別為安陽(yáng)和信陽(yáng)，二者與鄭州和溫縣距離較遠(yuǎn)，雙標(biāo)圖也可看出兩者之間不相關(guān)。值得注意的是，生態(tài)區(qū)劃分需要多年數(shù)據(jù)并結(jié)合實(shí)際的氣象數(shù)據(jù)來(lái)驗(yàn)證，但雙標(biāo)圖無(wú)疑可提供一個(gè)參考[26]。

圖3 GGE雙標(biāo)圖分析環(huán)境間相關(guān)性 圖4 GGE雙標(biāo)圖分析試點(diǎn)的區(qū)分力和代表性 Fig.3 Environmental vector view of the GGE biplot Fig.4 Discrimination and representativeness view of the GGE biplot

2.2.3 GGE雙標(biāo)圖分析試點(diǎn)的區(qū)分力和代表性

通過(guò)原點(diǎn)和平均環(huán)境且?guī)Ъ^的直線(xiàn)為“平均環(huán)境軸”，“平均環(huán)境軸”箭頭所指方向是對(duì)試點(diǎn)區(qū)分力和代表性?xún)煞矫娴木C合評(píng)價(jià)[27]；由原點(diǎn)到試點(diǎn)的長(zhǎng)度表示該試點(diǎn)的區(qū)分力，長(zhǎng)度越長(zhǎng)，區(qū)分力越強(qiáng)，反之越弱；試點(diǎn)向量與平均環(huán)境向量的夾角表示試點(diǎn)的代表性，角度越小，代表性越強(qiáng)，反之越差，若是鈍角，則該環(huán)境不適合做試點(diǎn)。E3、E6、E4、E9區(qū)分能力強(qiáng)，E2、E9、E3、E4代表性強(qiáng)(圖4)。沒(méi)有區(qū)分力的試點(diǎn)是沒(méi)有用的，如E1。有區(qū)分力但沒(méi)有代表性的試點(diǎn)可用于淘汰不穩(wěn)定的品種，但不能用于選擇優(yōu)良品種，如E6，它的區(qū)分力比較強(qiáng)但代表性較差。區(qū)域試驗(yàn)中試點(diǎn)的選擇直接關(guān)系著育種的成效，理想的試點(diǎn)需要對(duì)品種有較強(qiáng)的區(qū)分力、對(duì)目標(biāo)生態(tài)區(qū)有較強(qiáng)的代表性[28]，所以本文中理想的試點(diǎn)為E3、E4、E9。

以平均環(huán)境點(diǎn)為圓心畫(huà)圓，可綜合考慮環(huán)境的區(qū)分力和代表性(圖5)，越靠近中心圓的環(huán)境其區(qū)分力和代表性越好[29]，所以試點(diǎn)的綜合順序?yàn)镋3>E4>E9>E2>E8>E7>E1>E6>E5，其中E3、E4、E9是較為理想的試點(diǎn)，與圖4的結(jié)果一致。

2.2.4 GGE雙標(biāo)圖分析品種的豐產(chǎn)性和穩(wěn)產(chǎn)性

可以通過(guò)GGE雙標(biāo)圖揭示各花生品種的豐產(chǎn)性和穩(wěn)定性關(guān)系(圖6)?！捌骄h(huán)境軸”的箭頭所在的位置代表品種在所有環(huán)境下的近似平均產(chǎn)量，越往箭頭方向產(chǎn)量越高；與平均環(huán)境軸垂直并通過(guò)原點(diǎn)的直線(xiàn)代表各品種與各環(huán)境相互作用的傾向性，越偏離"平均環(huán)境軸"越不穩(wěn)定。由此，從圖中可以看出，產(chǎn)量較高的品種有G2、G5、G6、G14、G8和G11；穩(wěn)產(chǎn)性較好的品種有G6、G8、G11、G13、G4、G5、G15、G19、G18、G2和G14，但是G18、G15、G19、G13和G4產(chǎn)量較低；由此得出高產(chǎn)穩(wěn)產(chǎn)品種有G5、G2、G6、G8、G11和G14。

圖5 GGE雙標(biāo)圖分析試點(diǎn)的綜合排名 圖6 GGE雙標(biāo)圖分析品種的豐產(chǎn)性和穩(wěn)產(chǎn)性 Fig.5 The comprehensive ranking view of the GGE biplot for testing sites Fig.6 Mean vs. stability view of the GGE biplot

以“平均環(huán)境軸”上的箭頭為圓心畫(huà)圓，越靠近中心圓的品種，其豐產(chǎn)性越高且越穩(wěn)定，由圖7可知，豐產(chǎn)性和穩(wěn)產(chǎn)性都比較好的品種有G5、G6、G8、G11、G2和G14，與圖6結(jié)果基本一致。

3 討 論

作物品種的豐產(chǎn)性、穩(wěn)定性是決定其推廣應(yīng)用價(jià)值的主要指標(biāo)，而在品種評(píng)價(jià)試驗(yàn)中，試點(diǎn)的選擇也是育種人員比較關(guān)注的問(wèn)題[30]，傳統(tǒng)的方差分析方法，只能分析品種產(chǎn)量的高低，無(wú)法評(píng)價(jià)品種的特殊適應(yīng)性。本文首次利用基于R語(yǔ)言的AMMI模型和GGE雙標(biāo)圖同時(shí)評(píng)價(jià)了花生區(qū)域試驗(yàn)中品種的適應(yīng)性、豐產(chǎn)性和穩(wěn)產(chǎn)性，以及試點(diǎn)的區(qū)分力和代表性，為加快花生的育種進(jìn)程提供了參考。

在GGE雙標(biāo)圖分析方法提出之前，AMMI模型廣泛應(yīng)用于作物區(qū)試數(shù)據(jù)的分析，目前學(xué)者們對(duì)這兩種方法的優(yōu)劣仍有不同觀點(diǎn)。Gauch等[31]認(rèn)為AMMI模型優(yōu)于GGE雙標(biāo)圖，因?yàn)榍罢呖梢苑纸獬龌蛐托?yīng)(G)和G×E，而GGE雙標(biāo)圖沒(méi)有將G和G×E剖分出來(lái)，他們認(rèn)為G決定一般適應(yīng)性，G×E決定特殊適應(yīng)性，Piepho[32]也從一般配合力和特殊配合力的角度說(shuō)明AMMI模型更適合分析雙列雜交數(shù)據(jù)。但是Yan[33]對(duì)這些問(wèn)題進(jìn)行了系統(tǒng)的比較，他認(rèn)為GGE雙標(biāo)圖同時(shí)考慮了G和G×E，在品種生態(tài)區(qū)劃分和基因型評(píng)價(jià)方面來(lái)說(shuō)優(yōu)于AMMI模型，另外它在評(píng)價(jià)試驗(yàn)環(huán)境方面同樣是有效的工具。我們的研究結(jié)果與Yan一致，GGE雙標(biāo)圖的優(yōu)越性在于可以直觀地把環(huán)境分為若干品種生態(tài)區(qū)，并揭示各生態(tài)區(qū)內(nèi)最適應(yīng)的品種，同時(shí)顯示各試點(diǎn)對(duì)品種的區(qū)分力和對(duì)目標(biāo)環(huán)境的代表性，所以GGE雙標(biāo)圖更適合區(qū)試的數(shù)據(jù)分析。

圖7 GGE雙標(biāo)圖分析品種的綜合排名Fig.7 The comprehensive ranking view of the GGE biplot for varieties

從本文利用AMMI模型和GGE雙標(biāo)圖的結(jié)果來(lái)看，二者一致認(rèn)為高產(chǎn)穩(wěn)產(chǎn)品種為開(kāi)農(nóng)1760、糧花8號(hào)、開(kāi)農(nóng)1768、農(nóng)花10、信花425和豫花65號(hào)，目前除信花425外，其他五個(gè)品種均通過(guò)了2015年河南省小?；ㄉ贩N區(qū)試。區(qū)試時(shí)可以適當(dāng)去掉一些生態(tài)區(qū)域相似的試點(diǎn)以減少成本而不影響對(duì)品種的評(píng)價(jià)，如信陽(yáng)和新鄭可以去掉之一。然而本研究在環(huán)境相關(guān)性評(píng)價(jià)中發(fā)現(xiàn)鄭州和新鄭屬于不同的生態(tài)區(qū)域，但在實(shí)際地理區(qū)域中二者卻很相近，可通過(guò)分析其他年份的區(qū)域數(shù)據(jù)進(jìn)行進(jìn)一步的驗(yàn)證。

4 結(jié) 論

本文利用AMMI模型和GGE雙標(biāo)圖同時(shí)對(duì)花生區(qū)域試驗(yàn)的莢果產(chǎn)量及試點(diǎn)進(jìn)行了分析，在品種評(píng)價(jià)方面，二者結(jié)果基本一致，但在生態(tài)區(qū)劃分和試點(diǎn)鑒別力方面，GGE雙標(biāo)圖功能更為全面。高產(chǎn)但不穩(wěn)產(chǎn)的花生品種有南花3號(hào)，穩(wěn)產(chǎn)但不高產(chǎn)的品種有豫花60號(hào)和豫花66號(hào)，高產(chǎn)且穩(wěn)產(chǎn)的品種有開(kāi)農(nóng)1760、糧花8號(hào)、開(kāi)農(nóng)1768、農(nóng)花10、信花425和豫花65號(hào)。信陽(yáng)和新鄭，開(kāi)封和駐馬店生態(tài)區(qū)域相似，鄭州、溫縣與安陽(yáng)、信陽(yáng)、新鄭屬于不同生態(tài)區(qū)域。南陽(yáng)、溫縣、濮陽(yáng)和駐馬店區(qū)分能力強(qiáng)，開(kāi)封、駐馬店、南陽(yáng)和濮陽(yáng)代表性強(qiáng)，最佳試點(diǎn)為南陽(yáng)、濮陽(yáng)和駐馬店。本研究為選育高產(chǎn)穩(wěn)產(chǎn)品種以及選擇優(yōu)良的試點(diǎn)提供了一個(gè)非常有效的方法。

[1] 嚴(yán)威凱. 農(nóng)作物品種試驗(yàn)數(shù)據(jù)管理與分析[M]. 北京：中國(guó)農(nóng)業(yè)科學(xué)技術(shù)出版社, 2015: 197-198.

[2] Gelman A. Analysis of variance[J]. Quality Control & Applied Statistics, 2006, 20(1): 295-300.

[3] 胡希遠(yuǎn), 尤海磊, 任長(zhǎng)宏,等. 基于協(xié)方差陣結(jié)構(gòu)優(yōu)選的作物品種區(qū)域試驗(yàn)分析[J]. 作物學(xué)報(bào), 2009, 35(11): 1981-1989.

[4] Montgomery D C, Peck E A. Introduction to linear regression analysis[M]. Wiley, 1992:2775-2776.

[5] Gauch H G, Zobel R W. Identifying mega-environments and targeting genotypes[J]. Crop Science, 1997, 37(2): 311-326.

[6] 黃平俊, 易建華, 蒲文宣, 等. 應(yīng)用AMMI模型分析烤煙品種的產(chǎn)量適宜性[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2013, 29(4): 168-172.

[7] 宋淑芳, 周冀衡, 張一揚(yáng), 等. 應(yīng)用AMMI模型分析云南保山烤煙物理性狀的基因與環(huán)境互作[J]. 江西農(nóng)業(yè)學(xué)報(bào), 2014(12): 1-6.

[8] 趙洋, 鄭桂萍, 張文秀,等. 利用AMMI模型分析寒地水稻產(chǎn)量的基因型與環(huán)境互作關(guān)系[J]. 江蘇農(nóng)業(yè)科學(xué), 2015, 43(4): 84-86.

[9] 劉麗華, 胡遠(yuǎn)富, 陳喬, 等. 利用AMMI模型分析寒地水稻3個(gè)品質(zhì)性狀的基因型與環(huán)境互作[J]. 作物學(xué)報(bào), 2013, 39(10): 1849-1855.

[10] Wen N, Wang J A, Liu Z Q. Analysis of genotypic and environmental effects on cadmium content in rice by AMMI model [J]. Journal of Agro-Environment Science, 2015, 34(5): 817-823.

[11] 王志強(qiáng), 劉聲鋒, 郭守金, 等. 用AMMI雙標(biāo)圖分析西瓜品種的產(chǎn)量穩(wěn)定性及試點(diǎn)分辨力[J]. 干旱地區(qū)農(nóng)業(yè)研究, 2013(4): 89-93.

[12] Li W, Yan Z, Wei Y, et al. Evaluation of genotype × environment interactions in Chinese spring wheat by the AMMI model, correlation and path analysis [J]. Journal of Agronomy and Crop Science, 2006, 192(3): 221-227.

[13] Mwololo J K, Muturi P W, Mburu M W K, et al. Additive main effects and multiplicative interaction analysis of genotype × environmental interaction among sweetpotato genotypes [J]. Journal of Animal & Plant Sciences, 2009, 2(3): 148-155.

[14] Yan W K, Hunt L A, Sheng Q L, et al. Cultivar evaluation and mega-environment investigation based on the GGE biplot [J]. Crop Science, 2000, 40(3): 597-605.

[15] Donosonanculao G, Paredes M, Becerra V, et al. GGE biplot analysis of multi-environment yield trials of rice produced in a temperate climate [J]. Chilean Journal of Agricultural Research, 2016, 76(2): 152-157.

[16] 嚴(yán)威凱. 雙標(biāo)圖分析在農(nóng)作物品種多點(diǎn)試驗(yàn)中的應(yīng)用[J]. 作物學(xué)報(bào), 2010, 36(11): 1805-1819.

[17] Akcura M, Taner S, Kaya Y. Evaluation of bread wheat genotypes under irrigated multi-environment conditions using GGE biplot analyses [J]. Zemdirbyste-agriculture, 2011, 98(1):35-40.

[18] Frashadfar E, Safari H, Jamshidi B. GGE biplot analysis of adaptation in wheat substitution lines [J]. International Journal of Agriculture & Crop Sciences, 2012, 4(13): 877-881.

[19] Nzuve F, Githiri S, Mukunya D M, et al. Analysis of genotype × environment interaction for grain yield in maize hybrids [J]. Journal of Agricultural Science, 2013, 5(11): 75-85.

[20] 陳四龍, 李玉榮, 程增書(shū), 等. 用GGE雙標(biāo)圖分析種植密度對(duì)高油花生生長(zhǎng)和產(chǎn)量的影響[J]. 作物學(xué)報(bào), 2009, 35(7): 1328-1335.

[21] 吳昌湛, 韋漢文, 蘇明,等. 用GGE雙標(biāo)圖分析賀油花生品種產(chǎn)量穩(wěn)定性及試點(diǎn)代表性[J]. 中國(guó)油料作物學(xué)報(bào), 2016, 38(1): 47-51.

[22] Mendiburu F, Simon R. Agricolae - ten years of an open source statistical tool for experiments in breeding [J]. Agriculture and Biology, 2015. DOI: 10.7287/peerj.preprints.1404v1.

[23] Frutos E, Galindo M P, Leiva V. An interactive biplot implementation in R for modeling genotype-by-environment interaction [J]. Stochastic Environmental Research & Risk Assessment, 2013, 28(7): 1629-1641.

[24] Gabriel K R. Least squares approximation of matrices by additive and multiplicative models [J]. Journal of the Royal Statistical Society, 1978, 40(2): 186-196.

[25] Marcos M, Jean-Marcel R, Van E F A. The statistical analysis of multi-environment data: modeling genotype-by-environment interaction and its genetic basis [J]. Frontiers in Physiology, 2013, 4(4):44.

[26] 羅俊，許莉萍，邱軍，等. 基于HA-GGE雙標(biāo)圖的甘蔗試驗(yàn)環(huán)境評(píng)價(jià)及品種生態(tài)區(qū)劃[J]. 作物學(xué)報(bào), 2015, 41(2): 214-227.

[27] Yan W, Holland J B. A heritability-adjusted GGE biplot for test environment evaluation [J]. Euphytica, 2010, 171(3): 355-369.

[28] Yan W. GGEbiplot-a windows application for graphical analysis of multienvironment trial data and other types of two-way data [J]. Agronomy Journal, 2001, 93(5): 1111-1118.

[29] Jalata Z. GGE-biplot analysis of multi-environment yield trials of barley (HordeiumvulgareL.) genotypes in southeastern Ethiopia highlands [J]. International Journal of Plant Breeding & Genetics, 2011, 5(1): 59-75.

[30] 李本貴, 閻俊, 何中虎, 等. 用AMMI模型分析作物區(qū)域試驗(yàn)中的地點(diǎn)鑒別力[J]. 作物學(xué)報(bào), 2004, 30(6): 593-596.

[31] Hgjr G, Piepho H P, Annicchiarico P. Statistical analysis of yield trials by AMMI and GGE: further considerations [J]. Crop Science, 2008, 48(3): 866-889.

[32] Piepho H P. Multiplicative models for specific combining ability in half-diallels with parents [J]. Crop Science, 2013, 53(6): 2321-2331.

[33] Yan W. GGE biplot vs. AMMI graphs for genotype-by-environment data analysis [J]. Journal of the Indian Society of Agricultural Statistics, 2011, 65(2): 181-193.

ApplicationofRLanguageBasedAMMIandGGEBiplotonRegionalTrialofPeanutVarieties

GUO Min-jie, DENG Li, REN Li, GU Jian-zhong*

(KaifengAcademyofAgricultureandForestry,Kaifeng475000,China)

The data of regional trial for small grain peanut varieties in Henan province in 2014 were adopted, of which nineteen varieties and nine testing sites were analyzed. AMMI and GGE biplot based on R language were used to analyze the adaptability, high-yield, stability of peanut varieties and the relevance, discrimination, representativeness of testing sites, so as to provide strong support for the evaluation of yield stability and promotion of peanut varieties. The results showed that Kainong1760, Lianghua8, Kainong1768, Nonghua10, Xinhua425 and Yuhua65 were found to be the most ideal varieties with both high yield and high stability. Xinyang and Xinzheng, Kaifeng and Zhumadian were similar ecological sites, while Zhengzhou and Xinyang belong to different ecological sites. The ideal testing sites were Nanyang, Puyang and Zhumadian. The results of AMMI model and GGE biplot were basically identical on evaluating varieties, but the GGE biplot was more comprehensive. AMMI model was able to logically and effectively divide the sum of squares. GGE biplot could evaluate the testing sites and varieties more comprehensively and effectively.

peanut; AMMI model; GGE biplot; variety evaluation; testing site evaluation

10.14001/j.issn.1002-4093.2017.02.004

S565.2037; S11+4

A

2016-12-07

國(guó)家花生產(chǎn)業(yè)技術(shù)體系(CARS-14)；河南省重大科技專(zhuān)項(xiàng)(161100111000)；開(kāi)封市農(nóng)業(yè)科技攻關(guān)(1502007)

郭敏杰(1989-)，女，河南杞縣人，開(kāi)封市農(nóng)林科學(xué)研究院研究實(shí)習(xí)員，碩士，主要從事花生遺傳育種研究。

*通訊作者：谷建中，研究員，主要從事花生遺傳育種研究。E-mail:xinkeyan@sina.com