Interacción genotipo ambiente en arroz para identificar mega-ambientes y ambientes ideales mediante el modelo de regresión por sitios y biplot

Autores/as

  • Marco Acevedo Barona Instituto Nacional de Investigaciones Agrícola (INIA). CIAE Guárico. Calabozo. Apdo. 14
  • Rosa Álvarez Instituto Nacional de Investigaciones Agrícola (INIA). CIAE Portuguesa. Araure. Apdo. 102
  • Rubén Silva Instituto Nacional de Investigaciones Agrícola (INIA). CIAE Guárico. Calabozo. Apdo. 14
  • Orlando Torres Instituto Nacional de Investigaciones Agrícola (INIA). CIAE Barinas. Apdo. 170. Barinas. Venezuela
  • Edicta Reyes Instituto Nacional de Investigaciones Agrícola (INIA). CIAE Portuguesa. Araure. Apdo. 102

Palabras clave:

Estabilidad fenotípica, GCE, localidades de prueba, Oryza sativa, SREG

Resumen

La selección de cultivares basada en efectos genéticos y ambientales es insuficiente para el fitomejorador cuando no considera la interacción genotipo por ambiente (IGA). Estudios de IGA permiten identificar exitosamente materiales con alto desempeño para varios o específicos ambientes. Los objetivos de este trabajo fueron detectar la IGA para identificar mega-ambientes y su relación con los genotipos, utilizando el biplot GGE obtenido del análisis del modelo de regresión por sitio (SREG) para el rendimiento en cultivares arroz con riego en Venezuela. En 12 ambientes distribuidos en las principales zonas productoras se evaluaron durante 2010-2011seis genotipos de los cultivares más sembrados de entonces y de la actualidad para la producción comercial de arroz del país. Se usó un diseño de bloques completos al azar con tres repeticiones en unidades experimentales de 20 m2. El análisis de varianza del modelo de SREG detectó significancia en los dos primeros componentes principales que explicaron cerca del 73 % de la variación en IGA. El biplot GGE identificó dos mega-ambientes con ‘Soberana FL’ y ‘SD 20A’ como mejores cultivares. El biplot GGE “medias y estabilidad” mostró a la línea ‘AP06B041’ como el genotipo más estable y al cultivar ‘Soberana FL’ como el “genotipo ideotipo” con alta productividad media y estable fenotípicamente. Las mejores localidades de pruebas  para ensayos de mejoramiento genético de arroz en Venezuela, resultaron en el estado Guárico el Campo experimental del INIA en ambos periodos (seco y lluvioso) y en Portuguesa el Campo Experimental de Sehiveca para el periodo lluvioso.

Descargas

La descarga de datos todavía no está disponible.

Citas

1. Acevedo, M., E. Reyes, W. Castrillo, O. Torres, C. Marín, R. Álvarez, O. Moreno y E. Torres. 2010. Estabilidad fenotípica de arroz de riego en Venezuela utilizando los modelos Lin-Binns y AMMI. Agro. Trop. 60: 131-138.
2. Acevedo, M. R., Álvarez, O. Torres M., Salazar, I. Pérez Almeida, E., y O. Moreno. 2013. “Soberana FL”: Cultivar de arroz de riego para Venezuela. Agro. Trop. 63(1-2): 27-35.
3. Bernardo, R. 2010. Breeding for Quantitative Traits in Plants. Stemma Press. Woodbury, MN, USA.
4. Burgueño J., J. Crossa y M. Vargas. 2001. SAS Programs for graphing GE and GGE biplot. The AMMI analysis and graphing the biplot. Biometrics and Statistics Unit CIMMYT, México. pp. 29-36.
5. Branquinho, R., A. Heinemann, A. Pereira de Castro, J. Colombari Filho, J. Duarte, P. Santos et al. 2013. AMMI & GGE Biplot. Uma análise comparativa da avaliação de locais de teste de genótipos de arroz. 8° Congresso Brasileiro de Arroz Irrigado. UFSM. Santa Maria, Brasil. pp. 65-68.
6. Camargo-Buitrago I., E., Mc Intire y R. Gordón-Mendoza. 2011a. Identificación de mega-ambientes para potenciar el uso de genotipos superiores de arroz en Panamá. Pesquisa Agropecuaria Brasileira 46(9): 1601-1069.
7. Camargo-Buitrago I., E. Mc Intire y R. Gordón-Mendoza. 2011b. Identificación de ambientes representativos y discriminatorios para seleccionar genotipos de arroz mediante biplot GGE. Agronomía Mesoamericana 22(2): 245-255.
8. Colombari Filho, J., M. de Resende, O. de Morais, A. de Castro, E. Guimarães, J. Pereira et al. 2013. Upland rice breeding in Brazil: a simultaneous genotypic evaluation of stability, adaptability and grain yield. Euphytica 192: 117-129.
9. Crossa, J., H. Gauch Jr. y R. Zobel. 1990. Additive main effects and multiplicative interaction analysis of two international maize cultivar trials. Crop. Sci. 30(3): 493- 500.
10. Donoso-Ñanculao, G., M. Paredes, V. Becerra, C. Arrepol y M. Balzarini. 2016. GGE biplot analysis of multi-environment yield trials of rice produced in a temperate climate. Chilean J. Agric. Res. 76(2): 152-157.
11. Gauch, H. y R. Zobel. 1996. AMMI analysis of yields trials. In: M. Kangs y H. Gauch (eds.). Genotype by Environment Interaction. CRC Press, Boca Raton, FL. pp. 85-122.
12. Gollob, H. 1967. A statistical model which combines features of factor analytic and analysis of variance techniques. Psycometrica 33: 73-115
13. Instituto Nacional de Investigaciones Agrícolas. Unidad de Agro Meteorología. http://agrometeorologia.inia.gob.ve/ (consulta del 14/03/2018).
14. Lavoranti, O., A. Lins, H. Da Silva y C. Ferreira. 2004. Modelagem AMMI para estudos de interação em modelos estatísticos de efeitos fixos. Embrapa Florestas, Colombo, Paraná, Brasil. Comunicado Técnico 124, 7p. http://www.cnpf.embrapa.br (consulta del 13/03/2018).
15. Oliveira R., R. Von Pinho, M. Balestre y D. Ferreira. 2010. Evaluation of maizes hybrids environmental stratification by the methods AMMI and GGE biplot. Crop Breeding and Applied Biotechnology 10: 247-253.
16. Ramalho, M., A. Abreu, J. dos Santos y J. Nunes. 2012. Aplicação da genética quantitativa no melhoramento de plantas autógamas. Universidade Federal de Lavras, Minas Gerais, Brasil. 522 p.
17. Ramos L., A. Sanches y J. Cotes. 2009. Testes multiambientais na seleção de genótipos de arroz utilizando o modelo de regressão nos sítios ou locais. Ciência Rural, Santa Maria 39(1): 52-57.
18. Silva R. y G. Benin. 2012. Análises biplot: conceitos, interpretações e aplicações. Ciência Rural, Santa Maria 42(8): 1404-1412.
19. Samonte, S., L. Wilson, A. McClung y J. Medley. 2005. Targeting cultivars onto rice growing environments using AMMI and SREG GGE biplot analysis. Crop Science 45: 2414-2424.
20. Yan, W. 2002. Singular-value partition for biplot analysis of multi-environment trial data. Agronomy Journal 94(5): 990-996.
21. Yan, W. 2011. GGE Biplot vs. AMMI Graphs for Genotype-by-Environment data analysis. Journal of the India Society of Agricultural Statistics 65(2): 181-193.
22. Yan, W. y I. Rajcan. 2002. Biplot analysis of test sites and trait relations of soybean in Ontario. Crop Sci. 42: 11-20.
23. Yan, W. y J. Holland. 2010. A heritability-adjusted GGE biplot for test environment evaluation. Euphytica 171(3): 355-369.
24. Yan, W. y M. Kang. 2003. GGE Biplot Analysis: A Graphical Tool for Breeders, Geneticists, and Agronomists. CRC Press. Boca Raton, FL, USA.
25. Yan, W., L. Hunt, Q. Sheng y Z. Szlavnics. 2000. Cultivar evaluation and mega-environment investigation based on GGE biplot. Crop Sci. 40(3): 597-605.

Publicado

2020-03-28

Cómo citar

Acevedo Barona, M., Álvarez, R., Silva, R., Torres, O., & Reyes, E. (2020). Interacción genotipo ambiente en arroz para identificar mega-ambientes y ambientes ideales mediante el modelo de regresión por sitios y biplot. Bioagro, 31(1), 35-44. Recuperado a partir de https://revistas.uclave.org/index.php/bioagro/article/view/2611

Número

Sección

Artículos