AMMI模型和GGE雙標圖在湖北省油菜區域試驗中的應用

黃大明 謝雄澤 白桂萍

摘要：利用GenStat Version 18.1的AMMI模型及GGE雙標圖對2017年度湖北省油菜區域試驗中參試品種的產量數據進行分析，綜合評價了參試品種的豐產性、穩定性及各試點的鑒別力和代表性。結果表明，品種產量在不同品種、試點間存在極顯著差異，品種和試點之間存在極顯著互作效應。豐產性較好的品種有圣光168、華高油1號、華油雜702、利油雜6號、圣光136；穩定性較好的品種有利油618、華油雜9號、華油雜652、陽光160、華高油1號。在品種的適應性方面，產量較高但穩定性相對較差的品種圣光168適宜在孝感綜合試驗站、黃岡綜合試驗站、襄陽綜合試驗站、中國農業科學院油料作物研究所幾個試點種植。綜合評價較好的品種有圣光168、華油雜702、圣光136、華高油1號。在試點的功能形態方面，鑒別力較好的試點有沙洋綜合試驗站、潛江綜合試驗站、孝感綜合試驗站、宜昌綜合試驗站，代表性較好的試點有黃岡綜合試驗站、中國農業科學院油料作物研究所、孝感綜合試驗站、隨州綜合試驗站，綜合性較好的試點有孝感綜合試驗站、黃岡綜合試驗站、隨州綜合試驗站、宜昌綜合試驗站。綜合利用AMMI模型及GGE雙標圖可以為品種多系布局篩選優異品種在適宜區域種植提供參考，同時為篩選廣適性優良新品種提供有效的方法和理論依據。

關鍵詞：油菜；區域試驗；AMMI模型；GGE雙標圖；產量

中圖分類號：F303.2 文獻標識碼：A 文章編號：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，湖北省油菜種植面積在113.33萬hm2左右，總產量約250萬t，連續多年位居全國前列。由于受市場影響，勞動力、化肥、農藥、農用柴油等價格上漲，農民生產成本不斷增加，再加上極端氣候頻發導致油菜畝產不穩，油菜種植效益不斷下滑[1-3]，油菜產業發展面臨嚴峻的挑戰[4，5]。因此，培育高產、穩產的地方油菜新品種對維護國內油料產業的穩定發展，保障農民的種植效益意義重大。

油菜新品種的審定要通過多年多點的區域試驗以確定新品種適宜的種植區域及推廣價值。因此，科學、合理、有效地評價參試品種的豐產性、穩產性、適應性、抗性、品質等各種農藝性狀及試驗地點的鑒別力和代表性十分必要[6-8]。在作物的區域試驗中，受不同試點、不同生態因子的影響，各個品種的表現存在不同程度的差別，這說明基因型（G）與環境（E）共同決定了作物品種的實際性狀表現[9，10]。如何能夠準確評價作物品種基因型與環境（G×E）的互作效應是評價其豐產性和穩定性的關鍵。AMMI（Additive main effects and multiplicative interaction）模型近年來被廣泛應用于各種作物品種多年多點試驗基因型與環境（G×E）交互作用的分析[11]。該模型將主成分分析與方差分析相結合，重點考慮基因型與環境的互作效應，從加性模型互作項中分離出若干個乘積項之和來提高估計的準確性[12]。但該模型卻較少從品種選育和推廣角度對基因型進行全面評價，往往選擇的是穩定高產或穩定低產的品種， 一些高產但穩定性較差的品種容易受到忽略[13]。而GGE雙標圖能夠同時考慮基因型和基因環境之間的互作關系，有效評價各試點的鑒別力和代表性，有利于對各試驗品種進行生態區的劃分[14-16]。利用AMMI模型和GGE雙標圖對分析結果進行綜合比較，可以挖掘一些高產但穩定性不高的品種在適宜生態區種植，更有利于提高區試數據分析的科學性與準確性，為品種多系布局篩選優異品種在適宜區域應用提供參考[17，18]。

本研究利用GenStat Version 18.1中AMMI模型和GGE雙標圖分析2017年度湖北油菜區域試驗的產量數據，綜合評價參試品種的豐產性、穩定性及各試點的鑒別力和代表性，為油菜新品種的選育及推廣提供更加科學的方法和理論依據。

1 材料與方法

1.1 試驗材料

試驗材料來源于2017年度湖北省油菜品種區域試驗。本研究選取區域試驗中的常規品種和雜交品種進行數據分析（早熟品種未納入分析之列），共20個評定品種（表1），對照品種為華油雜9號；試驗試點共11個（表2），分布在湖北地區油菜生產區的各縣（市）。

1.2 試驗設計

參試品種采用完全隨機區組排列，3次重復，小區長方形，寬度不小于1.5 m，試驗小區凈面積為13.34 m2（不包括溝和走道）。采用直播的種植方式，密度控制在39～45萬株/hm2。試驗四周設1 m以上的保護行。適時播種，抗旱排漬，保證全苗，及時中耕松土、施肥、防蟲，按成熟期的早晚適時收獲，收獲后進行實收測產。按以下公式計算油菜產量（kg/hm2）指標（結果保留兩位小數）：

油菜產量=小區產量/小區面積×666.7×15 （1）

1.3 分析方法

1.3.1 AMMI模型 本研究利用Excel對參試品種的產量數據進行整理，用GenStat Version 18.1軟件對產量數據進行方差分析，在品種、試點及品種與試點互作效應達到極顯著水平的基礎上，利用AMMI模型進行穩定性分析。根據分析結果，引入定量指標值（主成分效應達到顯著水平的參數IPCA在多維空間離原點的距離）來度量品種的穩定性及試點的鑒別力[19]，其數學公式為：

式中，n為達到顯著水平的IPCA個數，評價品種的穩定性時，？酌is為第i個品種在第s個IPCA上的得分；評價地點的鑒別力時，？酌is為第i個試點在第s個IPCA上的得分。但Di值在評價品種和試點時意義不同，它與品種的穩定性成反比，與地點的鑒別力成正比。利用達到顯著水平的主成分Di值可以有效判斷品種的穩定性和試點的鑒別力。

1.3.2 GGE雙標圖 運用主成分分析的運算模型對參試品種的產量數據進行特征值分解，然后以數據中心化的形式將解釋變異最多的2個主成分（PC1和PC2）做成2D散點圖，即得到可以有效解釋環境（G）和基因環境互作（G×E）變異的GGE雙標圖。通過在雙標圖中添加不同的輔助線，可以獲得從不同角度評價品種和試點的功能圖[20，21]。圖中各品種的位點在平均環境軸上的垂足位置表示品種的豐產性，位置越往正方向，說明品種豐產性越好；品種位點到垂足之間的垂線段表示品種的穩定性，線段越短，說明品種的穩定性越好。環境位點距離原點的長度表示地點的鑒別力，長度越長，說明該試點的鑒別力越好；環境向量與平均環境軸之間的夾角表示試點的代表性，夾角越小，說明該試點代表性越好。有鑒別力但沒有代表性的試點可以淘汰不穩定的品種，既有鑒別力又有代表性的試點利于選擇高產穩產的品種。

2 結果與分析

2.1 品種、試點的AMMI模型分析

2.1.1 品種產量的AMMI模型分析 品種產量方差分析和AMMI分析結果（表3）表明，產量與基因型和環境之間存在極顯著差異，基因型與環境之間存在極顯著的互作效應。其中，基因型平方和占處理平方和的14.08%，環境平方和占處理平方和的34.41%，基因與環境互作效應的平方和占處理平方和的51.51%。說明在產量構成因素中，基因型變異的貢獻相對較小；環境變異的貢獻較為主要；而基因與環境互作效應產生的變異對產量的形成至關重要。互作效應主成分軸IPCA（Interaction principal component snalysis）顯著性測驗結果表明，有8個IPCA軸達到極顯著水平，這些主成分軸合計解釋了99.27%的互作平方和；未達到顯著水平的IPCA軸的變異則合并為殘差[22]。

2.1.2 品種穩定性及試點鑒別力的AMMI模型雙標圖與值分析 在AMMI雙標圖（圖1）中，X軸為品種的平均產量，Y軸為IPCA1的值，雙標圖中品種和試點的位置比較分散，說明品種與試點均存在較大變異。品種的位點越往正方向，說明該品種在各試點的平均產量越大，從各品種的位置分布來看，平均產量從大到小依次為G07、G10、G14、G19、G13、G16、G20、G18、G08、G17、G03、G01、G11、G05、G04、G15、G02、G06、G09、G12，該結果與品種穩定性參數（表4）各品種平均產量的位次一致。品種到X軸的垂直距離表示各品種的穩定性，距離越小，穩定性越好；各試點到X軸的垂直距離表示各試點的鑒別力，距離越大，鑒別力越好。各品種的穩定性從優到劣的排序為G10、G13、G01、G03、G08、G15、G07、G20、G14、G04、G02、G12、G05、G09、G11、G16、G06、G19、G17、G18；各試點的鑒別力從大到小的排序為SY、QJ、WX、YC、XY、SZ、XG、HG、XA、HN、ZYS。但圖1只考慮了IPCA1主成分軸的變異，該成分軸的變異占所有8個顯著成分軸總變異的47.99%，而剩下52.01%的變異由其余7個顯著成分軸貢獻，如果忽略這7個顯著性測驗均達到極顯著水平的成分軸來度量品種的穩定性顯然是不夠嚴謹的。因此，本研究依據式（2）將品種的8個達到極顯著水平的IPCA1～IPCA8在空間中的投影點到原點的距離計算出來見表4。由表4可以看出，各品種的穩定性從優到劣的排序為G03、G20、G15、G08、G10、G01、G04、G12、G13、G05、G11、G07、G14、G09、G02、G06、G19、G17、G16、G18。此排序與圖1所示的排序顯然存在較明顯的差異，這種差異是在衡量品種穩定性過程中所利用信息的多少決定的。從理論上來說，計算所有達到顯著水平的IPCA值能真實地反映品種的穩定性。從表5的位次則可以明顯看出，各試點鑒別力從大到小的排序依次為SY、QJ、XG、WX、YC、SZ、HG、XY、XA、HN、ZYS。

2.2 品種、試點的GGE雙標圖分析

本研究獲得的雙標圖可以有效解釋環境（G）和基因環境互作（G×E）的67.25%的變異。

2.2.1 品種的豐產性和穩產性分析 從GGE雙標圖中各品種的位點向平均環境軸引垂線即構成品種豐產性和穩產性功能圖（圖2）。各品種在平均環境軸上的垂足位置表示品種的豐產性，位置越往正方向說明品種豐產性越好；垂足到品種位點之間的垂線段表示品種的穩定性，線段越短說明品種的穩定性越好。從圖2可以看出，各品種按豐產性排序依次為G07、G10、G19、G16、G14、G18、G13、G20、G03、G08、G17、G04、G05、G15、G11、G01、G02、G12、G09、G06；各品種按穩產性排序依次為G12、G09、G06、G02、G14、G01、G15、G08、G13、G03、G16、G20、G04、G10、G11、G05、G07、G19、G18、G17。

2.2.2 品種適應性分析 將GGE雙標圖中同一方向上距離原點最遠的品種位點連接起來，形成一個封閉的多邊形，確保其他所有品種都位于多邊形內。從原點向多邊形的各邊作垂線，將多邊形劃分為6個扇形區，即構成品種適應性功能圖（圖3）。環境位點分布在其中的4個扇形區，位于同一扇形區的試點在理論上可以歸為同一生態區。扇形區域內位于頂點的品種為該扇形區域內的試點環境下名義上最高產的品種，而位于原點附近的品種則是對環境不敏感的品種。從圖3可以看出，G11、G05、G07、G17為幾個生態區內表現最好的品種，G01、G02、G06、G09、G12、G15沒有落在任何環境扇形區內，因此在各個試點的表現都差。而G08、G03比較靠近原點，其產量不太受試點環境的影響。

2.2.4 試點功能形態分析 在GGE雙標圖中作垂直于平均環境軸的參考線，即得到試點鑒別力和代表性功能圖（圖4）。用環境位點距離原點的長度表示地點的鑒別力，長度越長，說明該試點的鑒別力越好；環境向量與平均環境軸之間的夾角表示試點的代表性，夾角越小，說明該試點代表性越好。從圖4可以看出，各試點鑒別力從大到小的排序為QJ、XG、SY、YC、HG、SZ、ZYS、HN、WX、XY、XA；代表性從大到小的排序為HG、ZYS、XG、SZ、HN、YC、QJ、XY、XA、WX、SY。

2.2.5 品種、試點綜合分析 以GGE雙標圖中平均環境軸的箭頭為圓心作擴散的同心圓，即得到品種綜合排名功能圖（圖5）和試點綜合排名功能圖（圖6）。圖中距離同心圓圓心越近的品種/試點，綜合排名越高。從圖5、圖6可以明顯看出，綜合排名較高的品種為G07、G14、G16、G10、G13；綜合排名較高的試點為XG、HG、SZ、YC、ZYS。

3 結論與討論

本研究結合AMMI模型和GGE雙標圖對2017年度湖北省油菜區域試驗的部分品種的產量數據進行綜合分析。在品種的豐產性評價方面，兩種分析模型的結果比較一致，產量排名較高的品種為G07、G10、G14、G19、G16。在品種的穩定性評價方面，兩種分析模型的結果存在明顯的差異，其中AMMI模型能夠有效解析互作效應所有達到顯著水平的成分軸，理論上來說，品種穩定性分析更傾向于采用AMMI模型的分析數據，結果用穩定性參數衡量更為全面、準確。因此，穩定性較好的品種有G03、G20、G15、G08、G10。在品種的適應性方面，產量較高但穩定性較差的品種G07適宜在XG、HG、XY、ZYS幾個試點種植。綜合評價較好的品種有G07、G14、G16、G10。就環境的功能形態評價而言，鑒別力較好的試點有SY、QJ、XG、YC，代表性較好的試點有HG、ZYS、XG、SZ，綜合性較好的試點有XG、HG、SZ、YC。

本研究為選擇高產、穩產的品種及優秀的試點提供了一種相對客觀、全面的研究方法，但從分析結果中也可以看出兩種模型在作結論決策時存在一定的差異，導致產生這種結果的原因應該與兩種模型解析算法不盡相同有關。在實際生產中，原則上應當將其作為一種建立假說的參考而不是嚴格按照結果排序作出最終決策。優異品種及試點的選擇還是應當根據其多年多點的綜合表現予以評判。

參考文獻：

[1] 官春云.中國油菜產業發展方向[J].糧食科技與經濟，2011，36（2）：5-6.

[2] 郭燕枝，楊雅倫，孫君茂.我國油菜產業發展的現狀及對策[J].農業經濟，2016（7）：44-46.

[3] 劉 成，黃 杰，冷博峰，等.我國油菜產業現狀、發展困境及建議[J].中國農業大學學報，2017，22（12）：203-210.

[4] 鐘 燕，熊秋芳，雷建華.湖北省油菜產業發展現狀與對策[J].中國農技推廣，2010，26（3）：8-10.

[5] 陳 靜.湖北省油菜產業發展問題研究[D].武漢：華中農業大學，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] 李本貴，閻 俊，何中虎，等.用AMMI模型分析作物區域試驗中的地點鑒別力[J].作物學報，2004，30（6）：593-596.

[8] 裴國平，雷建明，張建學，等.優質冬油菜品種區域試驗分析[J].中國種業，2016（12）：56-58.

[9] 劉麗華，胡遠富，陳 喬，等.利用AMMI模型分析寒地水稻3個品質性狀的基因型與環境互作[J].作物學報，2013，39（10）：1849-1855.

[10] 溫 娜，王景安，劉仲齊.利用AMMI模型分析稻米鎘含量的基因型與環境互作效應[J].農業環境科學學報，2015，34（5）：817-823.

[11] 陳學寬，劉家勇，趙培方，等.云南省甘蔗品種區域試驗的基因與環境互作分析[J].西南農業學報，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，鄧 麗，任 麗，等.基于Genstat的GGE雙標圖評價花生區試中的品種及試點[J].河北農業大學學報，2017，40（6）：9-13.

[17] 汪洲濤，蘇煒華，闕友雄，等.應用AMMI和HA-GGE雙標圖分析甘蔗品種產量穩定性和試點代表性[J].中國生態農業學報，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] 張 澤，魯 成，向仲懷.基于AMMI模型的品種穩定性分析[J].作物學報，1998，24（3）：304-309.

[20] 嚴威凱.雙標圖分析在農作物品種多點試驗中的應用[J].作物學報，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.