黄大明 谢雄泽 白桂萍

摘要：利用GenStat Version 18.1的AMMI模型及GGE双标图对2017年度湖北省油菜区域试验中参试品种的产量数据进行分析，综合评价了参试品种的丰产性、稳定性及各试点的鉴别力和代表性。结果表明，品种产量在不同品种、试点间存在极显著差异，品种和试点之间存在极显著互作效应。丰产性较好的品种有圣光168、华高油1号、华油杂702、利油杂6号、圣光136；稳定性较好的品种有利油618、华油杂9号、华油杂652、阳光160、华高油1号。在品种的适应性方面，产量较高但稳定性相对较差的品种圣光168适宜在孝感综合试验站、黄冈综合试验站、襄阳综合试验站、中国农业科学院油料作物研究所几个试点种植。综合评价较好的品种有圣光168、华油杂702、圣光136、华高油1号。在试点的功能形态方面，鉴别力较好的试点有沙洋综合试验站、潜江综合试验站、孝感综合试验站、宜昌综合试验站，代表性较好的试点有黄冈综合试验站、中国农业科学院油料作物研究所、孝感综合试验站、随州综合试验站，综合性较好的试点有孝感综合试验站、黄冈综合试验站、随州综合试验站、宜昌综合试验站。综合利用AMMI模型及GGE双标图可以为品种多系布局筛选优异品种在适宜区域种植提供参考，同时为筛选广适性优良新品种提供有效的方法和理论依据。

关键词：油菜；区域试验；AMMI模型；GGE双标图；产量

中图分类号：F303.2 文献标识码：A 文章编号：0439-8114（2018）12-0024-06

DOI：10.14088/j.cnki.issn0439-8114.2018.12.007

Abstract： This study analyzed the yield data of tested varieties in the 2017 Hubei rape regional trial by the AMMI model of GenStat Version 18.1 and GGE biplot， to comprehensively evaluate the yielding ability and stability of tested varieties， as well as the discriminability and representativeness of each test location. The results showed that， yields were significantly different for different varieties and test sites， and there was a very significant interaction between varieties and test sites. Shengguang168， Huayougao1， Huayouza702， Liyouza6 and Shengguang136 had better yielding ability， Liyou618， Huayouza9， Huayouza652， Yangguang160 and Huagaoyou1 had better stability. In variety adaptability， the variety Shengguang136 with better yielding ability and worse stability was suitable for planting in Xiaogan， Huanggang， Xiangyang and Zhongyousuo. Variety Shengguang168， Huayouza702， Shengguang136 and Huayougao1 had best comprehensive evaluation. In the functional form of the pilot， the pilots with better discrimination were Shayang， Qianjiang， Xiaogan and Yichang， the pilots with better representativeness were Huanggang， Zhongyousuo， Xiaogan and Suizhou， the pilots with better comprehensiveness included Xiaogan， Huanggang， Suizhou and Yichang. Comprehensive utilization of the AMMI and GGE biplot could provide reference for screening excellent varieties in suitable areas and offer an effective method and theoretical basis for screening new improved varieties with wide adaptability.

Key words： rape； regional trial； AMMI model； GGE biplot； yield

近年來，湖北省油菜种植面积在113.33万hm2左右，总产量约250万t，连续多年位居全国前列。由于受市场影响，劳动力、化肥、农药、农用柴油等价格上涨，农民生产成本不断增加，再加上极端气候频发导致油菜亩产不稳，油菜种植效益不断下滑[1-3]，油菜产业发展面临严峻的挑战[4，5]。因此，培育高产、稳产的地方油菜新品种对维护国内油料产业的稳定发展，保障农民的种植效益意义重大。

油菜新品种的审定要通过多年多点的区域试验以确定新品种适宜的种植区域及推广价值。因此，科学、合理、有效地评价参试品种的丰产性、稳产性、适应性、抗性、品质等各种农艺性状及试验地点的鉴别力和代表性十分必要[6-8]。在作物的区域试验中，受不同试点、不同生态因子的影响，各个品种的表现存在不同程度的差别，这说明基因型（G）与环境（E）共同决定了作物品种的实际性状表现[9，10]。如何能够准确评价作物品种基因型与环境（G×E）的互作效应是评价其丰产性和稳定性的关键。AMMI（Additive main effects and multiplicative interaction）模型近年来被广泛应用于各种作物品种多年多点试验基因型与环境（G×E）交互作用的分析[11]。该模型将主成分分析与方差分析相结合，重点考虑基因型与环境的互作效应，从加性模型互作项中分离出若干个乘积项之和来提高估计的准确性[12]。但该模型却较少从品种选育和推广角度对基因型进行全面评价，往往选择的是稳定高产或稳定低产的品种， 一些高产但稳定性较差的品种容易受到忽略[13]。而GGE双标图能够同时考虑基因型和基因环境之间的互作关系，有效评价各试点的鉴别力和代表性，有利于对各试验品种进行生态区的划分[14-16]。利用AMMI模型和GGE双标图对分析结果进行综合比较，可以挖掘一些高产但稳定性不高的品种在适宜生态区种植，更有利于提高区试数据分析的科学性与准确性，为品种多系布局筛选优异品种在适宜区域应用提供参考[17，18]。

本研究利用GenStat Version 18.1中AMMI模型和GGE双标图分析2017年度湖北油菜区域试验的产量数据，综合评价参试品种的丰产性、稳定性及各试点的鉴别力和代表性，为油菜新品种的选育及推广提供更加科学的方法和理论依据。

1 材料与方法

1.1 试验材料

试验材料来源于2017年度湖北省油菜品种区域试验。本研究选取区域试验中的常规品种和杂交品种进行数据分析（早熟品种未纳入分析之列），共20个评定品种（表1），对照品种为华油杂9号；试验试点共11个（表2），分布在湖北地区油菜生产区的各县（市）。

1.2 试验设计

参试品种采用完全随机区组排列，3次重复，小区长方形，宽度不小于1.5 m，试验小区净面积为13.34 m2（不包括沟和走道）。采用直播的种植方式，密度控制在39～45万株/hm2。试验四周设1 m以上的保护行。适时播种，抗旱排渍，保证全苗，及时中耕松土、施肥、防虫，按成熟期的早晚适时收获，收获后进行实收测产。按以下公式计算油菜产量（kg/hm2）指标（结果保留两位小数）：

油菜产量=小区产量/小区面积×666.7×15 （1）

1.3 分析方法

1.3.1 AMMI模型 本研究利用Excel对参试品种的产量数据进行整理，用GenStat Version 18.1软件对产量数据进行方差分析，在品种、试点及品种与试点互作效应达到极显著水平的基础上，利用AMMI模型进行稳定性分析。根据分析结果，引入定量指标值（主成分效应达到显著水平的参数IPCA在多维空间离原点的距离）来度量品种的稳定性及试点的鉴别力[19]，其数学公式为：

式中，n为达到显著水平的IPCA个数，评价品种的稳定性时，？酌is为第i个品种在第s个IPCA上的得分；评价地点的鉴别力时，？酌is为第i个试点在第s个IPCA上的得分。但Di值在评价品种和试点时意义不同，它与品种的稳定性成反比，与地点的鉴别力成正比。利用达到显著水平的主成分Di值可以有效判断品种的稳定性和试点的鉴别力。

1.3.2 GGE双标图 运用主成分分析的运算模型对参试品种的产量数据进行特征值分解，然后以数据中心化的形式将解释变异最多的2个主成分（PC1和PC2）做成2D散点图，即得到可以有效解释环境（G）和基因环境互作（G×E）变异的GGE双标图。通过在双标图中添加不同的辅助线，可以获得从不同角度评价品种和试点的功能图[20，21]。图中各品种的位点在平均环境轴上的垂足位置表示品种的丰产性，位置越往正方向，说明品种丰产性越好；品种位点到垂足之間的垂线段表示品种的稳定性，线段越短，说明品种的稳定性越好。环境位点距离原点的长度表示地点的鉴别力，长度越长，说明该试点的鉴别力越好；环境向量与平均环境轴之间的夹角表示试点的代表性，夹角越小，说明该试点代表性越好。有鉴别力但没有代表性的试点可以淘汰不稳定的品种，既有鉴别力又有代表性的试点利于选择高产稳产的品种。

2 结果与分析

2.1 品种、试点的AMMI模型分析

2.1.1 品种产量的AMMI模型分析 品种产量方差分析和AMMI分析结果（表3）表明，产量与基因型和环境之间存在极显著差异，基因型与环境之间存在极显著的互作效应。其中，基因型平方和占处理平方和的14.08%，环境平方和占处理平方和的34.41%，基因与环境互作效应的平方和占处理平方和的51.51%。说明在产量构成因素中，基因型变异的贡献相对较小；环境变异的贡献较为主要；而基因与环境互作效应产生的变异对产量的形成至关重要。互作效应主成分轴IPCA（Interaction principal component snalysis）显著性测验结果表明，有8个IPCA轴达到极显著水平，这些主成分轴合计解释了99.27%的互作平方和；未达到显著水平的IPCA轴的变异则合并为残差[22]。

2.1.2 品种稳定性及试点鉴别力的AMMI模型双标图与值分析 在AMMI双标图（图1）中，X轴为品种的平均产量，Y轴为IPCA1的值，双标图中品种和试点的位置比较分散，说明品种与试点均存在较大变异。品种的位点越往正方向，说明该品种在各试点的平均产量越大，从各品种的位置分布来看，平均产量从大到小依次为G07、G10、G14、G19、G13、G16、G20、G18、G08、G17、G03、G01、G11、G05、G04、G15、G02、G06、G09、G12，该结果与品种稳定性参数（表4）各品种平均产量的位次一致。品种到X轴的垂直距离表示各品种的稳定性，距离越小，稳定性越好；各试点到X轴的垂直距离表示各试点的鉴别力，距离越大，鉴别力越好。各品种的稳定性从优到劣的排序为G10、G13、G01、G03、G08、G15、G07、G20、G14、G04、G02、G12、G05、G09、G11、G16、G06、G19、G17、G18；各试点的鉴别力从大到小的排序为SY、QJ、WX、YC、XY、SZ、XG、HG、XA、HN、ZYS。但图1只考虑了IPCA1主成分轴的变异，该成分轴的变异占所有8个显著成分轴总变异的47.99%，而剩下52.01%的变异由其余7个显著成分轴贡献，如果忽略这7个显著性测验均达到极显著水平的成分轴来度量品种的稳定性显然是不够严谨的。因此，本研究依据式（2）将品种的8个达到极显著水平的IPCA1～IPCA8在空间中的投影点到原点的距离计算出来见表4。由表4可以看出，各品种的稳定性从优到劣的排序为G03、G20、G15、G08、G10、G01、G04、G12、G13、G05、G11、G07、G14、G09、G02、G06、G19、G17、G16、G18。此排序与图1所示的排序显然存在较明显的差异，这种差异是在衡量品种稳定性过程中所利用信息的多少决定的。从理论上来说，计算所有达到显著水平的IPCA值能真实地反映品种的稳定性。从表5的位次则可以明显看出，各试点鉴别力从大到小的排序依次为SY、QJ、XG、WX、YC、SZ、HG、XY、XA、HN、ZYS。

2.2 品种、试点的GGE双标图分析

本研究获得的双标图可以有效解释环境（G）和基因环境互作（G×E）的67.25%的变异。

2.2.1 品种的丰产性和稳产性分析 从GGE双标图中各品种的位点向平均环境轴引垂线即构成品种丰产性和稳产性功能图（图2）。各品种在平均环境轴上的垂足位置表示品种的丰产性，位置越往正方向说明品种丰产性越好；垂足到品种位点之间的垂线段表示品种的稳定性，线段越短说明品种的稳定性越好。从图2可以看出，各品种按丰产性排序依次为G07、G10、G19、G16、G14、G18、G13、G20、G03、G08、G17、G04、G05、G15、G11、G01、G02、G12、G09、G06；各品种按稳产性排序依次为G12、G09、G06、G02、G14、G01、G15、G08、G13、G03、G16、G20、G04、G10、G11、G05、G07、G19、G18、G17。

2.2.2 品种适应性分析 将GGE双标图中同一方向上距离原点最远的品种位点连接起来，形成一个封闭的多边形，确保其他所有品种都位于多边形内。从原点向多边形的各边作垂线，将多边形划分为6个扇形区，即构成品种适应性功能图（图3）。环境位点分布在其中的4个扇形区，位于同一扇形区的试点在理论上可以归为同一生态区。扇形区域内位于顶点的品种为该扇形区域内的试点环境下名义上最高产的品种，而位于原点附近的品种则是对环境不敏感的品种。从图3可以看出，G11、G05、G07、G17为几个生态区内表现最好的品种，G01、G02、G06、G09、G12、G15没有落在任何环境扇形区内，因此在各个试点的表现都差。而G08、G03比较靠近原点，其产量不太受试点环境的影响。

2.2.4 试点功能形态分析 在GGE双标图中作垂直于平均环境轴的参考线，即得到试点鉴别力和代表性功能图（图4）。用环境位点距离原点的长度表示地点的鉴别力，长度越长，说明该试点的鉴别力越好；环境向量与平均环境轴之间的夹角表示试点的代表性，夹角越小，说明该试点代表性越好。从图4可以看出，各试点鉴别力从大到小的排序为QJ、XG、SY、YC、HG、SZ、ZYS、HN、WX、XY、XA；代表性从大到小的排序为HG、ZYS、XG、SZ、HN、YC、QJ、XY、XA、WX、SY。

2.2.5 品种、试点综合分析 以GGE双标图中平均环境轴的箭头为圆心作扩散的同心圆，即得到品种综合排名功能图（图5）和试点综合排名功能图（图6）。图中距离同心圆圆心越近的品种/试点，综合排名越高。從图5、图6可以明显看出，综合排名较高的品种为G07、G14、G16、G10、G13；综合排名较高的试点为XG、HG、SZ、YC、ZYS。

3 结论与讨论

本研究结合AMMI模型和GGE双标图对2017年度湖北省油菜区域试验的部分品种的产量数据进行综合分析。在品种的丰产性评价方面，两种分析模型的结果比较一致，产量排名较高的品种为G07、G10、G14、G19、G16。在品种的稳定性评价方面，两种分析模型的结果存在明显的差异，其中AMMI模型能够有效解析互作效应所有达到显著水平的成分轴，理论上来说，品种稳定性分析更倾向于采用AMMI模型的分析数据，结果用稳定性参数衡量更为全面、准确。因此，稳定性较好的品种有G03、G20、G15、G08、G10。在品种的适应性方面，产量较高但稳定性较差的品种G07适宜在XG、HG、XY、ZYS几个试点种植。综合评价较好的品种有G07、G14、G16、G10。就环境的功能形态评价而言，鉴别力较好的试点有SY、QJ、XG、YC，代表性较好的试点有HG、ZYS、XG、SZ，综合性较好的试点有XG、HG、SZ、YC。

本研究为选择高产、稳产的品种及优秀的试点提供了一种相对客观、全面的研究方法，但从分析结果中也可以看出两种模型在作结论决策时存在一定的差异，导致产生这种结果的原因应该与两种模型解析算法不尽相同有关。在实际生产中，原则上应当将其作为一种建立假说的参考而不是严格按照结果排序作出最终决策。优异品种及试点的选择还是应当根据其多年多点的综合表现予以评判。

参考文献：

[1] 官春云.中国油菜产业发展方向[J].粮食科技与经济，2011，36（2）：5-6.

[2] 郭燕枝，杨雅伦，孙君茂.我国油菜产业发展的现状及对策[J].农业经济，2016（7）：44-46.

[3] 刘 成，黄 杰，冷博峰，等.我国油菜产业现状、发展困境及建议[J].中国农业大学学报，2017，22（12）：203-210.

[4] 钟 燕，熊秋芳，雷建华.湖北省油菜产业发展现状与对策[J].中国农技推广，2010，26（3）：8-10.

[5] 陈 静.湖北省油菜产业发展问题研究[D].武汉：华中农业大学，2014.

[6] EMIN M，BOYDAK E，ERT？譈RK E，et al. Growth，Yield，and Quality of Sweet Potato （Ipomoea batatas （L.） Lam.） Cultivars in the Southeastern Anatolian and East Mediterranean Regions of Turkey[J]. Turkish Journal of Agriculture & Forestry，2014， 31（4）：213-227.

[7] 李本贵，阎 俊，何中虎，等.用AMMI模型分析作物区域试验中的地点鉴别力[J].作物学报，2004，30（6）：593-596.

[8] 裴国平，雷建明，张建学，等.优质冬油菜品种区域试验分析[J].中国种业，2016（12）：56-58.

[9] 刘丽华，胡远富，陈 乔，等.利用AMMI模型分析寒地水稻3个品质性状的基因型与环境互作[J].作物学报，2013，39（10）：1849-1855.

[10] 温 娜，王景安，刘仲齐.利用AMMI模型分析稻米镉含量的基因型与环境互作效应[J].农业环境科学学报，2015，34（5）：817-823.

[11] 陈学宽，刘家勇，赵培方，等.云南省甘蔗品种区域试验的基因与环境互作分析[J].西南农业学报，2014，27（4）：1387-1392.

[12] GAUCH H G. Statistical Analysis of Yield Trials by AMMI and GGE[J]. Cropence，2006，46（4）：1488-1500.

[13] YAN W，KANG M S，MA B，et al. GGE Biplot vs. AMMI Analysis of Genotype-by-Environment Data[J]. Crop Science，2007，47（2）：641-653.

[14] LAURIE S M，BOOYSE M. Employing the GGE SREG model plus Elston index values for multiple trait selection in sweetpotato[J]. Euphytica，2015，204（2）：433-442.

[15] GASURAEDMORE，SETIMELAPETER S，SOUTACALEB M. Evaluation of the performance of sorghum genotypes using GGE biplot[J]. Canadian Journal of Plant Science，2014，95（6）：1205-1214.

[16] 郭敏杰，邓 丽，任 丽，等.基于Genstat的GGE双标图评价花生区试中的品种及试点[J].河北农业大学学报，2017，40（6）：9-13.

[17] 汪洲涛，苏炜华，阙友雄，等.应用AMMI和HA-GGE双标图分析甘蔗品种产量稳定性和试点代表性[J].中国生态农业学报，2016，24（6）：790-800.

[18] AGYEMAN A，PARKES E，PEPRAH B B. AMMI and GGE biplot analyses of root yield performance of cassava genotypes in forest and coastal ecologies[J]. International Journal of Agricultural Policy & Research，2015，3（3）：122-132.

[19] 张 泽，鲁 成，向仲怀.基于AMMI模型的品种稳定性分析[J].作物学报，1998，24（3）：304-309.

[20] 严威凯.双标图分析在农作物品种多点试验中的应用[J].作物學报，2010，36（11）：1805-1819.

[21] YAN W K.Optimal use of biplots in analysis of multi-location variety test data[J].Acta Agronomica Sinica，2010，36（11）：1805-1819.

[22] FARSHADFAR E，SUTKA J. Biplot analysis of genotype-environment interaction in durum wheat using the AMMI model[J].Acta Agronomica Hungarica，2015，54（4）：459-467.