云南省玉米区域试验品种稳产性与试点分辨力分析

黄婷 杨钟秀 李倩玲 徐艳存 赵自仙

摘要：为筛选出云南中海拔地区的稳产性较好的玉米品种，运用加性主效性和乘积交互作用（AMMI）模型对12个参试品种在11个参试点的产量数据进行分析。结果表明，品种、试点和品种与试点互作效应均达到了极显著水平;根据稳定性参数和分辨力参数可知，赵禾866、云良6号和秋硕玉7号是稳定性最好的玉米品种，试点宣威、新平和祥云的分辨力最高;产量与IPCA1双标图中品种赵禾866、云良6号和良禾364的稳定性最好，试点新平、祥云和曲靖的分辨力最强;IPCA1与IPCA2双标图中赵禾866、云良6号和秋硕玉7号等3个品种的稳定性最好，试点宣威、新平和祥云的分辨力最强。结合上述3种方法的分析结果与产量可知，品种云良6号、赵禾866和朝禾188的稳产性最好，试点新平和祥云的分辨力最强。

关键词：玉米;区域试验;AMMI模型;稳产性;试点分辨力

中图分类号： S513.037  文献标志码： A

文章编号：1002-1302（2022）07-0067-06

收稿日期：2021-07-28

基金项目：云南省重大科技专项-绿色食品国际合作研究中心专项课题（编号：2019ZG00902）。

作者简介：黄 婷（1995—），女，贵州毕节人，硕士研究生，研究方向为作物遗传与品种改良，E-mail：1902057544@qq.com;共同第一作者：杨钟秀（1998—），女，云南富源人，硕士研究生，研究方向为中草药栽培与鉴定，E-mail：3354667515@qq.com。

通信作者：赵自仙，博士，教授，研究方向为玉米育种与种质创新。E-mail：zhaozix@126.com。

玉米在我国粮食作物中占有举足轻重的地位，自2006年开始，其种植面积超过水稻和小麦[1]。随着人们生活水平的提高及科技的进步，对玉米的需求逐渐增大，其产量亟待提高。品种改良可使玉米产量增加，云南省坡地多、土壤贫瘠，且气候多样，因此，筛选出适合云南山地种植的品种很重要[2]。由于品种区域试验是品种选育与其推广生产之间的重要桥梁，所以合理设置玉米区域试验点对品种的适应性进行判别研究，对品种的筛选具有重要意义。目前，玉米区域试驗对品种稳定性及试点的分辨力的分析常采用变异系数法[3]、回归系数法[4]、Shukla模型、Wricke-Shukla模型[5]和加性主效应和乘积交互作用模型（AMMI模型）[6]等，杨锦忠等利用AMMI模型对山西晚熟春玉米区域试验在2002—2005年间的多个地点的产量结果进行分析，明确了9个高鉴别力的地点[7];李燕等利用混合线性模型对糯玉米在不同试点的产量进行分析，得到不同试点对品种的分辨力不同，且年份和品种分别与地点互作效应对糯玉米产量存在显著影响[8];何代元等采用AMMI模型对黄淮海夏玉米在不同试点的产量进行分析，筛选出高产且稳产、适应性广的品种[9];吴庆丽等为明确西南甜玉米在不同试验点的稳定性，采用AMMI模型进行分析，结果显示，浙甜11属于高产且适应性广的品种，可在西南地区推广种植[10]。由于区域试验中作物的稳产性取决于作物的基因型与环境交互作用，而AMMI模型可解释此交互作用，且有研究表明AMMI模型对玉米区域试验数据的拟合效果最佳，可提高作物稳产性评价结果的准确度[11-12]。目前，AMMI模型已被应用于亚麻[13]、花生[14]、油菜[15]、大豆[16] 、小麦[17]、草菇[18]等作物区域试验产量和主要农艺性状的分析评价中。为了能够客观、准确地评价玉米区域试验品种的产量稳定性和试点分辨力，以及明确品种与试点的互作效应，采用AMMI模型对12个参试玉米品种在11个试点的产量进行分析评价，以期筛选出稳产且适应性好的新品种，为云南地区玉米育种工作及新品种的推广提供理论参考。

1 材料与方法

1.1 试验材料

本研究以2019年云南种业集团玉米联合体品种区域试验初试中海拔I组的12个品种作为材料，分别为云合9号、蓝轲1721、赵禾866、海禾2号（CK）、云良6号、良禾364、黔农1903、达美108、朝禾188、秋硕玉7号、良禾362和白瑞1号，品种来源及编号见表1。

1.2 试验地点

参试地点分别为云南省禄劝（海拔1 759 m）、曲靖（海拔1 948 m）、宣威（海拔1 980 m）、昭通（海拔1 904 m）、祥云（海拔2 050 m）、姚安（海拔 1 863.76 m）、芒市（海拔1 260 m）、蒙自（海拔 1 350 m）、广南（海拔1 350 m）、普洱（海拔 1 340 m）和新平（海拔1 591 m），共11个试点，试点及编号见表1。

1.3 试验设计

试验采用随机区组设计，3次重复，5行/区，13穴/行，行长5 m，行距为0.8 m，双株留苗，小区面积为20 m2，四周设保护行。实收小区中间3行计产，面积为12 m2。

1.4 分析方法

试验数据采用DPS 7.05软件进行分析，所有数据均在Microsoft Excel 2010中进行统计处理。

2 结果与分析

2.1 联合方差分析、线性回归模型分析和AMMI模型分析结果

由方差分析结果（表2）可知，品种、试点和品种与试点的交互作用（G×E）对产量的影响均达极显著水平，而且品种间平方和占总处理平方和的1223%，试点间平方和占比为53.62%，而品种与试点交互作用（G×E）的平方和占比为34.15%，说明试点间的变异占主要部分，其次品种和试点交互作用（G×E）的变异，对区域试验的整体评价非常重要。由于方差分析对品种和试点的交互作用（G×E）的解释较模糊，所以需对品种进行下一步分析。线性回归分析结果表明，联合回归、品种回归和试点回归均达到了极显著水平，且三者的平方和占交互作用平方和的24.61%，即共解释了交互作用（G×E）平方和的24.61%，残差则占比75.89%，说明此区域试验数据的线性回归的拟合效果较差。AMMI模型分析结果中，IPCA1、IPCA2和IPCA3均达极显著水平，且三者平方和之和占互作平方和的比例为80.14%，而残差仅占互作平方和的1986%，说明AMMI模型可以更好地分析品种与试点之间的交互作用，其拟合结果优于线性回归模型。

2.2 品种的稳定性分析

2.2.1 AMMI双标图的稳定性分析

以不同品种和地点的平均玉米产量为 x 轴，IPCA1值为 y 轴作双标图（图1）。 x 轴方向上，品种离中心原点越远产量越高; y 轴方向上，品种越靠近 x 轴稳定性越好。从图1可知，12个参试品种稳定性大小表现为P5>P7>P9>P3>P12（CK）>P4>P1>P6>P8>P2>P11>P10，品种P5（赵禾866）、P7（云良6号）、P9（良禾364）和P3（蓝轲1721）的IPCA1值最靠近 x 轴，说明这4个品种的稳定性较好，而P2（达美108）、P11（黔农1903）和P10（白瑞1号）的IPCA1值离 x 轴较远，说明这3个品种的稳定性较差。

图1的双标图仅解释了36.96%的品种与试点的互作效应，说明品种稳产性和试点分辨力结果不具有代表性，而IPCA1与IPCA2二者共解释了6705%的互作效应，所以可将品种与试点的IPCA1作 x 轴、IPCA2作 y 轴作AMMI双标图（图2），使其推断结果更加准确。图2中，品种离原点越近越稳定。由此可知，12个参试品种的稳定性顺序为P5>P7>P6>P4>P2>P3>P9>P1>P12 （CK）>P11>P8>P10，品种P5（赵禾866）、P7（云良6号）、P6（秋硕玉7号）和P4（朝禾188）离原点较近，说明这4个品种的稳定性较好，而P11（黔农1903）、P8（良禾362）和P10（白瑞1号）离原点较远，说明这3个品种稳定性较差。图1与图2 排序结果不太相同，但稳定性最好和最差的品种一致。

2.2.2 稳定性参数分析

在AMMI模型中，由于IPCA1和IPCA2仅能解释67.05%的交互作用，还有占交互作用13.09%的IPCA3，所以双标图不能全面且准确地评价品种的稳定性，需结合稳定性参数 D  g值大小来评判品种的稳定性，其中 D  g值越大，则该品种的稳定性越差，反之稳定性越好。由表3可知，12个参试品种的 D  g值排列为 P10>P3>P2>P8>P11>P1>P9>P12（CK）>P4>P6>P7>P5，即穩定性大小表现为P5>P7>P6> P4>P12 （CK）>P9>P1>P11>P8>P2>P3>P10。由此可得，P5（赵禾866）、P7（云良6号）、P6（秋硕玉7号）和P4（朝禾188）的稳定性较好，而P2（达美108）、P3（蓝轲1721）和P10（白瑞1号）的稳定性较差。

根据表3可知，12个参试品种的产量大小表现为P7>P5>P2>P4>P10>P1>P6>P11>P3>P9>P8>P12（CK），即P7（云良6号）、P5（赵禾866）、P2（达美108）和P4（朝禾188）的产量较高。因此结合稳定性参数、 双标图及各品种产量，P7（云良6号）、P5（赵禾866）和P4（朝禾188）是高产且稳定性好的品种，P10（白瑞1号）和P2（达美108）是高产不稳产的品种，P6（秋硕玉7号）是稳定性好但产量一般的品种，P11（黔农1903）和P1（云合9号）是产量稳定性均一般的品种，P8（良禾362）是低产不稳产的品种，而对照P12（海禾2号）是低产稳定性一般的品种。

2.3 试点分辨力分析

2.3.1 AMMI双标图的分辨力分析

在产量与IPCA1双标图（图1）中， x 轴方向上，试点离中心原点越远其产量越高; y轴方向上，试点离x 轴越远其对品种的分辨力越强。从图1可知，试点分辨力强弱表现为S5>S11>S2>S1>S7> S6>S4>S8>S10>S9>S3，其中S5（祥云）、S11（新平）、S2（曲靖）和S（禄劝）这4个试点的分辨力较强，而S10（普洱）、S9（广南）和S3（宣威）的分辨力较弱。图2中，试点离原点越远其分辨力越强。由此可知，11个试点的分辨力强弱顺序为S3>S5>S11> S10>S2>S6>S7>S1> S4>S8>S9，试点S3（宣威）、S5（祥云）、S11（新平）和S10（普洱）的分辨力较强，S4（昭通）、S8（蒙自）和S9（广南）分辨力较弱。

2.3.2 分辨力参数分析

由于仅靠双标图来评价试点对品种的分辨力的结果不够准确，需结合参试点的分辨力参数 D  e值来评判， D  e值越大则表明该试点对品种的分辨力越强，反之对品种的分辨力越差。由表4可知，11个试验点的 D  e值排序为S3>S11>S5>S10>S2>S6>S4>S7>S1>S8>S9，由此可知，S3（宣威）、S11（新平）、S5（祥云）和S10（普洱）这4个试点对品种的分辨力较强，而S1（禄劝）、S8（蒙自）和S9（广南）对品种的分辨力较弱。

双标图与分辨力参数的排序结果不一致，因而结合双标图与分辨力参数值，试点S11（新平）和S5（祥云）对品种的分辨力最强，其次是试点S2（曲靖），而试点S8（蒙自）和S9（广南）分辨力最弱。

2.4 品种的特殊适应性

2.4.1 AMMI双标图分析

参试品种与参试地点的互作是品种特殊适应性的表现，可因地制宜选择优良品种。在产量与IPCA1双标图（图1）中，品种与其同侧邻近试点存在正向互作作用，即该品种对这些试点有特殊适应性。由图1可知，高产品种P7（云良6号）和P5（赵禾866）均在试点S2（曲靖）、S3（宣威）和S10（普洱）等存在特殊适应性;P2（达美108）和P4（朝禾188）均在试点S1（禄劝）、S4（昭通）和S11（新平）等存在特殊适应性。在IPCA1与IPCA2双标图（图2）中，品种P7（云良6号）和P5（赵禾866）均在S2（曲靖）和S10（普洱）等试点存在特殊适应性;P2（达美108）在试点S1（禄劝）、S11（新平）和S7（芒市）等试点存在特殊适应性，P4（朝禾188）在试点S7（芒市）、S4（昭通）和S11（新平）等试点存在特殊适应性。对于其他品种的情况也可作类似推断。

2.4.2 互作效应分析

品种与试点的互作效应值（ D  ge）可预知品种对试点是否存在特殊适应性，由于互作效应值是基于全部显著的乘积项所得，因此其结果较双标图更能确定优良品种的推广区域。由表5可知，高产品种云良6号和赵禾866均在试点曲靖、宣威、广南和普洱有较大的正交互作用，因此二者均对这4个试点有特殊适应性，而云良6号在试点禄劝和祥云的负交互作用较大，不宜在这2个试点种植，赵禾866则在试点祥云、姚安和芒市的负交互作用大，不宜在这3个试点种植;达美108在試点宣威、蒙自和新平等有特殊适应性，而不宜种植于曲靖、昭通和姚安等试点;朝禾188在试点曲靖、昭通、普洱和新平等有特殊适应性，而不宜在宣威、祥云和姚安等试点种植。其他品种与试点的情况可作类似推断。

3 讨论

前人研究认为，AMMI模型是在分析玉米品种稳定性与试点分辨力的方法里最佳的模型[19-20]，所以本研究采用此模型进行分析，发现环境对产量的影响最大，其次是基因型，环境与基因型交互作用最小，这与岳海旺等的研究结果[21]一致，说明在推广时应因地制宜选择优良品种。根据稳定性参数可知，赵禾866、云良6号和秋硕玉7号是稳定性最好的品种，和IPCA1与IPCA2双标图结果一致，而和产量与IPCA1双标图结果不一致，同时在对参试点进行分辨力分析时，根据分辨力参数和IPCA1与IPCA2双标图的结果中试点宣威的分辨力最强，但在产量与IPCA1双标图中宣威的分辨力最差，这是因为IPCA1仅解释了36.96%的互作效应，且没有考虑IPCA3对品种与试点交互作用的解释，所以导致稳定性参数和分辨力参数与双标图结果不一致，这与刘其宁等的研究结果[13，22-23]一致。也有研究认为，多个显著的乘积项会降低对品种与试点交互作用的解释能力，所以应分别结合稳定性参数、分辨力参数与具有显著性的乘积项所作双标图的结果来确定品种稳定性及试点分辨力[7，24]。本研究还发现，12个参试品种中达美108和白瑞1号产量较高，但其稳定性均较差，而对照海禾2号产量虽低，但其稳定性较好，说明这些品种在特定的地区可发挥其增产潜力，这与姚金保等对小麦产量进行稳定性分析的研究结果[17]一致，即不同品种对某些试点存在着特殊适应性，可因地制宜选择优良品种。

4 结论

本研究采用AMMI模型对12个参试品种在11个参试点的产量进行分析后，结合品种稳定性参数、试点分辨力参数和双标图的分析结果与产量可知，品种云良6号、赵禾866和朝禾188的稳产性最好，试点则以新平和祥云的分辨力最强。

参考文献：

[1]国家统计局. 中华人民共和国2019年国民经济和社会发展统计公报[J]. 中国统计，2020（3）：8-22.

[2]吴永常，马忠玉，王东阳，等. 我国玉米品种改良在增产中的贡献分析[J]. 作物学报，1998，24（5）：595-600.

[3]胡秉民，耿 旭. 作物稳定性分析法[M]. 北京：科学出版社，1993.

[4]Brown K D，Sorrells M E，Coffman W R. A method for classification and evaluation of testing environments[J]. Crop Science，1983，23（5）：889-893.

[5]Kempton R A，Fox P N，Cerezo M. Statistical methods for plant variety evaluation[M]. London：Chapman & Hall，1997：60-82.

[6]Piepho H P.Empirical best linear unbiased prediction in cultivar trials using factor-analytic variance-covariance structures[J]. Theoretical and Applied Genetics，1998，97（1/2）：195-201.

[7]杨锦忠，郝建平，姚宏亮，等. 基于AMMI模型的玉米区域试验地点鉴别力的重演性研究[J]. 玉米科学，2011，19（4）：145-148.

[8]李 燕，林 峰，李潞潞，等. 浙江省糯玉米品种稳定性、适应性和试点综合评价[J]. 浙江大学学报（农业与生命科学版），2017，43（3）：281-288.

[9]何代元，胡 宁，马兆锦，等. AMMI模型在玉米区域试验中的应用[J]. 玉米科学，2009，17（4）：144-147，152.

[10]吴庆丽，宋成孝，李 辉，等. 运用AMMI模型分析西南鲜食甜玉米区试品种的稳定性及适应性[J]. 湖北农业科学，2019，58（增刊2）：126-129.

[11]赵自仙，高祥扩，孙家荣，等. 云南玉米区域试验点区辨力估算方法的比较研究[J]. 西南农业学报，2005，18（2）：141-143.

[12]王春平，吕静霞，王黎明，等. 几种模型在玉米区域试验的适用性与品种评价中的差异研究[J]. 中国农学通报，2012，28（33）：35-39.

[13]刘其宁，杜 刚，吴学英. AMMI模型在亚麻区域试验分析中的应用[J]. 西南农业学报，2008，21（2）：295-300.

[14]宁东贤，赵玉坤，闫翠萍，等. 山西省南部花生品种产量稳定性的模型分析及评价[J]. 作物杂志，2017（3）：39-43.

[15]刘坚坚，周荣保，杨进成，等. AMMI模型分析低纬高原山区油菜品种的农艺性状[J]. 西南农业学报，2017，30（11）：2412-2416.

[16]谭春燕，李振动，朱星陶，等. AMMI模型在贵州大豆品种区域试验中的应用[J]. 贵州农业科学，2019，47（7）：10-13.

[17]姚金保，张 鹏，余桂红，等. 江苏省小麦品种（系）籽粒产量基因型与环境互作分析[J]. 麦类作物学报，2021，41（2）：191-202.

[18]张志鸿，柯丽娜，袁 滨，等. 利用AMMI模型分析草菇区域品比试验研究[J]. 中国食用菌，2018，37（4）：22-25.

[19]Zhang Q Y，Kong F L. Comparison of statistical models for regional crop trial analysis[J]. Agricultural Sciences in China，2002，1（6）：605-611.

[20]陈就就，胡希远. 不同方差协方差结构线性混合模型在玉米品种区域试验中的适用性及模型误用对分析结果的影响[J]. 西北农业学报，2012，21（5）：96-102.

[21]岳海旺，李春杰，李 媛，等. 河北省春播玉米品种产量稳定性及试点辨别力综合分析[J]. 核农学报，2018，32（7）：1267-1280.

[22]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.

[23]龚锡震，柏光晓，任 洪，等. 基于AMMI模型对青贮玉米区域试验稳定性和适应性分析[J]. 种子，2019，38（4）：110-113.

[24]贺清秀，周彦民. AMMI模型在重庆市玉米区域试验中的应用[J]. 西南师范大学学报（自然科学版），2017，42（9）：109-115.