Using multivariate statistical methods to estimate the model maize population
DOI:
https://doi.org/10.28983/asj.y2021i7pp9-15Keywords:
model population, maize, hybrid, economically valuable signs, ; the coefficient of variation, cluster analysis, factor analysisAbstract
In order to objectively assess the degree of similarity of varieties and hybrids by a set of indicators and to interpret a large amount of data in breeding practice, methods of multidimensional statistics are used, including factor and cluster analyzes. The study included 42 maize hybrids (FAO 100-499) of the selection of various scientific institutions of Russia, which were assessed according to the following characteristics: the length of the interphase stage of seedlings - flowering of panicles and ears, plant height, ear attachment height, grain yield, number of grains per ear, crude protein and crude fat content. Factor analysis made it possible to calculate the correlation coefficients between the variables under consideration and to reveal high positive correlations between the interfacial stages of a panicle seedlings–flowering and seedlings–-flowering of ears (r = 0.99), plant height and ear attachment height (r = 0, 81), the length of the interphase periods and the ear height (r = 0.77). A significant correlation coefficient was determined between the traits, the length of the interphase periods, seedlings – flowering of panicles and ears with grain yield (r = 0.34 and 0.36, respectively), grain yield and number of grains per ear (r = 0.37). When calculating the weights of the variables for the components, it was found out that the largest contribution (variance 54.814%) to the first hypothetical factor was made by the following signs: interphase periods of panicle seedlings–flowering and of ear seedlings–flowering, plant height, ear attachment height, grain yield, 1000 grain weight. The use of cluster analysis made it possible to group the studied hybrids at 32 iteration steps (Euclidean distance - 7.340) into 10 clusters with different breeding values. The hybrids that make up the clusters are characterized by a similar set of features within the clusters and significant differences between the clusters, confirmed by the method of unorganized repetitions of one-way ANOVA.
Downloads
References
Андрушкевич Т.М. Подбор исходного материала для селекции крыжовника с использованием метода кластерного анализа // Плодоводство и ягодоводство России. – 2012. – Т. 34. – № 1. – С. 24–34.
Артюх С.П.Ускорение селекционного процесса – базовое условие развития садоводства // Оптимизация технолого-экономических параметров структуры агроценозов и регламентов возделывания плодовых культур и винограда: матер. Междунар. науч.-практ. конф. – Краснодар: ГНУСКЗНИИСиВ, 2008. – Т. 1. – С. 87–100.
Вавилов Н.И. Научные основы селекции полевых культур: сборник трудов. – Л.: Наука, 1981. – С. 92–13.
Гудова Л.А. Кластерный анализ хозяйственно-ценных признаков гибридов кукурузы в условиях Саратовского Правобережья // Аграрный научный журнал. – 2020. – №6. – С. 14–20.
Государственный реестр селекционных достижений допущенных к использованию – Т. 1. Сорта растений (официальное издание). – М., 2019. – 2020 с.
Двойнишников В.А. Оценка результатов экологического испытания гибридов кукурузы с помощью факторного анализа //Актуальные проблемы адаптивной интенсификации земледелия на рубеже столетий. – Минск, 2000. –С. 449–451.
Доспехов Б.А. Методика полевого опыта (с основами статистической обработкой результатов исследований). – М., 2011. – 352 с.
Использование компьютерных технологий при подборе родительских форм у плодовых культур // Виноградорство и виноделие в Краснодарском крае лаборатория Кубанского государственного аграрного университета. – Режим доступа: www. vitis.ru/pdf/is37.pdf. – дата доступа 05.01.2012.
Ким Дж. -О. Факторный анализ: статистические методы и практические вопросы //Факторный дискриминантный и кластерный анализ: сб. работ / пер. с анг.; под ред. И.С. Енюкова. – М.: Финансы и статистика., 1989. – 215 с.
Корнева С.П. Использование кластерного анализа для повышения эффективности отборов в расщепляющихся гибридных популяциях // Молодые ученые Сибирского региона – аграрной науке. – Омск, 2004. – Вып. 4. – С. 127–131.
Кукуруза в Саратовской области / А.П. Царев [и др.]. – Саратов: Сарат. гос. с.-х. акад., 1996. – 152 с.
Мартынов С.П. Кластерный анализ саратовских сортов яровой пшеницы по коэффициентам родства // Цитология и генетика. – 1989. – № 4. – С. 37–43
Мельничук А.Д. Определение генетической разнородности сортов картофеля и подбор родительских пар для гибридизации по результатм факторного анализа // Картофелеводство. – 2000. – Вып. 10. – С. 63–73.
Методика государственного сортоиспытания сельскохозяйственных культур. Зерновые, крупяные, зернобобовые, кукуруза и кормовые культуры. – М., 1989. – Вып. 2. – 200 с.
Перуанский Ю.В. Кластеризация по элементам продуктивности форм озимой пшеницы различной // Селекция и урожай. – Алма–Ата, 1988. – С. 143–153.
Практикум по технологии производства продукции растениеводства / под ред. А.К.Фурсовой. – СПб.: Изд-во «Лань», 2014. – 400 с.
Ротару Л.И., Лупашку Г.А. Применение факторного и кластерного анализов для создания генотипов томата со стабильной продуктивностью // Современные тенденции в селекции и семеноводстве овощных культур. Традиции и перспективы: материалы II Междунар. науч.-практ. конф. ГНУ «Всерос. НИИ селекции и семеноводства овощных культур», РАСХН; ред. В.Ф. Пивоваров [и др.]. – М.: ВНИИССОК, 2010. –Т.1 – С. 462–470.
Технология возделывания кукурузы на силос с початками в молочно-восковой спелости в условиях Верхневолжья / под ред. З.И. Усановой. – Тверь: Редакционно-издательский центр ТвГТУ, 2019.– 111 с.
Чеботарь С.В. Дифференциация, идентификация и создание базы данных сортов Т. aesmivum украинской селекции на основе STMS-анализа // Цитология и генетика. – 2001. – № 6. – С. – С. 18–27.
Downloads
Published
Issue
Section
License
Copyright (c) 2021 The Agrarian Scientific Journal
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
