Adaptabilidad y estabilidad del rendimiento de granos en híbridos y variedades de arroz en Venezuela
DOI:
https://doi.org/10.51372/bioagro333.4Palabras clave:
AMMI, GGE Biplot, Oryza sativa, REML/BLUPResumen
El desarrollo de nuevos cultivares estables y de alto desempeño requiere de validación en ensayos multi-ambientales para establecer el efecto de la interacción genotipo por ambiente (IGA). Con el objetivo de determinar adaptabilidad y estabilidad para rendimiento de granos en seis híbridos y cuatro variedades de arroz a través de los modelos AMMI, SREG y REML/BLUP, fueron evaluados seis experimentos durante la época seca 2015-2016 en las principales regiones productoras de Venezuela. El análisis de variancia detectó diferencias para genotipo (G), ambiente (E) e IGA, representando 19, 65 y 16 % de la variación total, respectivamente, predominando la interacción híbridos por ambiente. Los dos primeros componentes principales de los modelos AMMI y GGE biplot explicaron 77 y 83 % de variancia de la IGA. Los tres modelos coincidieron e identificaron al híbrido RHA-180 (H6) con mejor desempeño medio, adaptado y estable. El híbrido HIAAL (H3) fue el más destacado. Entre los testigos, ‘Pionero FL’ (V3) fue el más estable con rendimiento moderado; lo contrario ocurrió con ‘Soberana FL’ (V4) y ‘SD20A’ (V1) en los que los modelos AMMI y GGE biplot identificaron altos e inestables rendimientos y adaptación específica a la localidad (L1), no coincidiendo con el modelo mixto. Fueron identificados dos mega-ambientes con los genotipos superiores (H6) y (V4). Hubo divergencia entre AMMI y biplot GGE para identificar localidades discriminatorias y representativas. La localidad Parcela 199 (L3) fue la más representativa, mientras que INIA Guárico (L1) discriminó mejor los genotipos. El análisis GGE biplot resultó más informativo y completo para el análisis de IGA.
Descargas
Citas
Acevedo-Barona, M., E. Reyes, W. Castrillo, O. Torres, C. Marín, R. Álvarez et al. 2010 Estabilidad fenotípica de arroz de riego en Venezuela utilizando los modelos Lin-Binns y AMMI. Agronomía Tropical 60: 131-138.
Acevedo-Barona, M., R. Álvarez, R. Silva, O. Torres and E. Reyes. 2019. Interacción genotipo ambiente en arroz para identificar mega-ambientes y ambientes ideales mediante el modelo de Regresión por sitios (SREG) and biplot GGE. Bioagro 31(1): 35-44.
Acevedo-Barona, M., R. Silva-Díaz, R. Álvarez-Parra, O. Torres-Angarita and E. Reyes-Ramone. 2020. Environmental stratification of rice by genotype x environment interaction analysis using five methods. Agronomía Mesoamericana 31(1): 43-57.
Camargo-Buitrago, I., E. Mc Intire and R. Gordón-Mendoza. 2011. Identificación de mega-ambientes para potenciar el uso de genotipos superiores de arroz en Panamá. Pesquisa Agropecuaria Brasileira 46(9): 1601-1069.
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.
Costa-Neto, G.M., J.B. Duarte, A.P. de Castro and A.B. Heinemann. 2020. Uso de infromação ambientais na modelagem e interpretação da interação genótipo x ambiente. Revisao bibliográfica. Boletim de pesquisa e desenvolvimento 56. Embrapa arroz e feijão. 46 p.
Crossa, J., H. Gauch Jr. and R. Zobel. 1990. Additive main effects and multiplicative interaction analysis of two international maize cultivar trials. Crop Science 30(3): 493- 500.
FAO. 2020. FAOSTAT. Roma. http://www.fao.org/faostat/es/#compare (retrieved May 15, 2020).
Fujimoto, R., K. Uezono, S. Ishikura, K. Osabe, W. Peacock and E. Dennis. 2018. Recent research on the mechanism of heterosis is important for crop and vegetable breeding systems. Breeding Science 68(2): 145-158.
García-Mendoza, P., I. Pérez-Almeida, G. Prieto-Rosales, D. Medina-Castro, D. Sánchez, C. Marín-Rodríguez et al. 2021. Interacción genotipo ambiente y potencial productivo de 25 variedades de maíz amiláceo en la provincia de Tayacaja, Perú. Bioagro 33(2): 67-78.
Gauch, H.G. 1992. Statistical Analysis of Regional Yield Trials. AMMI Analysis of Factorial Designs. Elsevier Science, Amsterdam.
Gonçalves, G.M.C., R.L.F. Gomes, A.C.A. Lopes and P.F.M. Vieira. 2020. Adaptability and yield stability of soybean genotypes by REML/BLUP and GGE Biplot. Crop Breeding and Applied Biotechnology 20(2): 1-9.
Haider, Z., M.A. Akhter, A. Mahmood and R. Khan. 2017. Comparison of GGE biplot and AMMI analysis of multi- environment trial (MET) data to assess adaptability and stability of rice genotypes. African journal of Agricultural Research 12(51): 3542-3548.
Huang, M., T. Qi-Yuan, A. He-Jum and Z. Ying-Bin. 2017. Yield potential and stability in super hybrid rice and its production strategies. Journal of Integrative Agriculture 16(2): 1009-1017.
INIA. 2020. Instituto Nacional de Investigaciones Agrícola. Red meteorológica de Venezuela. http://www.agrometeorologia. inia.gob.ve/index.php/la-red-rai (retrieved March 20, 2020).
Liu, J., M. Li, Q. Zhang., X. Wei and X. Huang. 2019. Exploring the molecular basis of heterosis for plant breeding. Journal of Integrative Plant Biology 62(3): 287-298.
Ponnuswamy, R., A. Rathore, A. Vemula and R. Das. 2018. Analysis of multi-location data of hybrids rice trials reveals complex genotype by environment interaction. Cereal Research Communications 46(1): 146-157.
Ramalho, M., J. Dos Santos, A. Abreu and J. Nunes. 2012. Aplicação da Genética Quantitativa no Melhoramento de Plantas Autógamas. Ed-Lavras. Universidade Federal de Lavras, UFLA.
Regitano-Neto, A., E. Ramos Júnior, P. Gallo, J. de Freitas and L. Azzini. 2013. Comportamento de genótipos de arroz de terras altas no estado de São Paulo. Revista Ciência Agronômica 44: 512-519.
Samonte, S., L. Wilson, A. McClung and J. Medley. 2005. Targeting cultivars onto rice growing environments using AMMI and SREG GGE biplot analysis. Crop Science 45: 2414-2424.
Sincik, M., A.T. Goksoy, E. Senyigit, Y. Ulusoy, M. Acar, S. Gizlenci et al. 2021. Response and yield stability of canola (Brassica napus L.) genotypes to multi-environments using GGE biplot analysis. Bioagro 33(2): 105-114.
Torres, E. 2014. Desarrollo de híbridos de arroz para América Latina “Un desafío para la investigación en mejoramiento de arroz”. https://n9.cl/1f0fe (retrieved March 10, 2020).
Yan, W., L. Hunt, Q. Sheng and Z. Szlanvnics. 2000. Cultivar evaluation and mega-environment investigation based on GGE biplot. Crop Science 40(3): 597-605.
Yan, W. and I. Rajcan. 2002. Biplot analysis of test sites and trait relations of soybean in Ontario. Crop Science 42: 11-20.
Yan, W. and M. Kang. 2003. GGE Biplot Analysis: A Graphical Tool for Breeders, Geneticists and Agronomists. CRC Press. Boca Raton, FL, USA.
Yuan, L.P. 2017. Progress in super-hybrid rice breeding. The Crop Journal 5: 100-102.
Zobel, R., M. Wright and G. Gauch. 1988. Statistical analysis of a yield trial. Agronomy Journal 80: 388-393.
Publicado
Cómo citar
Número
Sección
Está obra está bajo licencia Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Derechos del/de autor/es a partir del año de publicación
Esta obra está bajo la licencia:
Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
Las opiniones expresadas por los autores no necesariamente reflejan la postura del editor de la publicación ni de la UCLA. Se autoriza la reproducción total o parcial de los textos aquí publicados, siempre y cuando se cite la fuente completa y la dirección electrónica de esta revista. Los autores(as) tienen el derecho de utilizar sus artículos para cualquier propósito siempre y cuando se realice sin fines de lucro. Los autores(as) pueden publicar en internet o cualquier otro medio la versión final aprobada de su trabajo, luego que esta ha sido publicada en esta revista.
Bioagro se reserva el derecho de realizar modificaciones textuales y ajustes técnicos a las figuras de los manuscritos, de acuerdo con el estilo y especificaciones de la revista.
