بررسي برخي از صفات كمي ژنوتيپ‌هاي وارداتي گلرنگ (Carthamus tinctorius L.) با استفاده از آناليزهاي چند متغيره در منطقه ساري

Multivariate Analysis of Some Quantitative Traits in Introduced Safflower (Carthamus tinctorius L.) Genotypes in Sari

توسعه منابع ژرم پلاسم از طريق واردات ژنوتيپ هاي جديد مي تواند كارايي برنامه هاي اصلاحي گلرنگ (Carthamus tinctorius L.) را بهبود بخشد. در اين راستا 82 ژنوتيپ گلرنگ وارداتي در ايستگاه تحقيقاتي شركت توسعه كشت دانه هاي روغني شهرستان ساري در سال زراعي 94-1393 در قالب طرح بلوك كامل تصادفي مورد ارزيابي قرار گرفتند. در اين آزمايش شش صفت زراعي مهم و مرتبط با عملكرد دانه بررسي گرديد. در اين مطالعه جهت مدل سازي رگرسيون گام‌به‌گام از رويه PROC MIXED و PROC GLM، تجزيه به مؤلفه هاي اصلي با استفاده از PROC IML انجام گرفت. نتايج حاصل از تجزيه به مؤلفه‌هاي اصلي نشان داد كه دو متغير عملكرد دانه و وزن هزاردانه ضرايب بالاتري در تركيب خطي مؤلفه اول داشتند. همچنين مشخص گرديد كه مجموع سه مؤلفه اول 68 درصد تغييرات را توجيه نموده است. ضرايب رگرسيوني متغيرهاي تعداد دانه در طبق و وزن هزاردانه به ترتيب در سطح آماري پنج و يك درصد معني دار شد كه نشان مي دهد اين دو متغير نقش مؤثري در افزايش عملكرد دانه دارند. در روش رگرسيون گام‌به‌گام تعداد دانه در طبق و وزن هزار دانه در مدل باقي ماندند و در نتيجه ارتباط معني داري با عملكرد دانه داشتند. جهت افزايش عملكرد دانه در گلرنگ رسيدن به ژنوتيپ هاي پر محصول با استفاده از ژرم پلاسم هاي مورد استفاده در برنامه اصلاحي صفات مورد بررسي در اين تحقيق مي توانند مورد توجه قرار گيرد.

Development of germplasm resources through importing new genotypes could improve the efficiency of safflower (Carthamus tinctorius L.) breeding programs. During 2014-2015 season, 82 imported safflower genotypes were evaluated in randomized complete block design at the research station of ORDC (Oilseeds Research & Development Company) in Sari. In this plan, six important quantitative traits related to grain yield were recorded for all genotypes. For modeling of stepwise regression PCA (Principal components analysis) were analyzed by PROC MIXED, PROC GLM and PROC IML methods, respectively. The results of PCA showed that grain yield and thousand grain weight components were correlation in linear combination. It was found 68% of the total variation justified with the three first components. The regression coefficients were significant for grain number per head and thousand grain weights at 1% and 5%, respectively indicating that these two mentioned traits had an effective role on increasing grain yield. The number of grain per pod and thousand grain weights remained in the model of Stepwise regression and for showed a signification with grain yield. Therefore, for increasing grain yield in breeding programs and producing high potential genotypes, the studied traits would be of great importance.