Palabras clave
Zea mays L.
adaptability
performance
productive potential Interacción genotipo ambiente
Zea mays L.
adaptabilidad
rendimiento
potencial productivo
Cómo citar
Resumen
La interacción genotipo por ambiente (IGA) resulta la principal limitante para seleccionar los mejores genotipos para diversos ambientes. El objetivo de este estudio fue utilizar el modelo de efectos principales aditivos e interacción multiplicativa (AMMI) para evaluar la IGA de 25 variedades de maíz amiláceo. La información fue generada en cuatro ensayos establecidos en ambientes contrastantes de la provincia de Tayacaja, Perú, en el ciclo del cultivo 2019 – 2020. Se utilizó el diseño alfa látice 5x5, con tres repeticiones, en donde las unidades experimentales estuvieron constituidas por dos hileras de 4 m de longitud, con arreglos espaciales de 0,80 m entre hileras y 0,20 m entre puntos de siembra. La IGA se midió a través del rendimiento de grano, ajustado a 15 % de humedad. Una vez comprobada la importancia de la IGA en los experimentos, se realizó el análisis multivariado, para obtener los valores singulares de los términos AMMI que resultaron significativos para genotipos y ambientes. La IGA resultó altamente significativa y explicó alrededor del 33 % de la variación fenotípica del rendimiento. El modelo AMMI explicó alrededor del 92 % de la variación debida a la IGA, en donde los dos primeros ejes concentraron toda esta variación y permitieron identificar variedades con adaptación específica y otras con amplia adaptación a los ambientes de prueba. Los resultados sugieren que el modelo AMMI fue apropiado para evaluar la IGA y para identificar las mejores variedades para cada ambiente de prueba.
Citas
Admassu, S., Nigussie, M. & Zelleke, H. (2008). Genotype-environment interaction and stability analysis for grain yield of maize (Zea mays L.). Ethiopia. Asian Journal of Plant Sciences, 7, 163–169.
Adnan, A. A., Diels, J., Jibrin, J. M., Kamara, A. Y., Shaibu, A. S., Craufurd, P. & Menkir, A. (2020). CERES-Maize model for simulating genotype-by-environment interaction of maize and its stability in the dry and wet savannas of Nigeria. Field Crops Research, 253.
Andrés-Meza, P., Sierra-Macías, M., MejíaContreras, J. A., Molina-Galán, J. D., Espinosa-Calderón, A., Gómez-Montiel, N. O., Valdivia-Bernal, R. (2014). Genotypeenvironment interaction in tropical maize varieties developed for the tropical region of Veracruz, Mexico. Interciencia, 39(3): 180-184.
Becker, H. C. (1981). Correlations among some statistical measures of phenotypic stability. Euphytica, 30:835-840.
Blum, A. (1988). Plant breeding for stress environments. Boca Raton, FL, USA: CRC Press.
Bowman, J. C. (1972). Genotype x environment interactions. Ann. Genet. Sel. Anim., 4(1), 117-123. doi: 10.1186 / 1297-9686-4-1-117
Chimonyo, V. G. P., Mutengwa, C. S. & Chiduza,C. (2014). Genotype × environment interactions and yield stability of stresstolerant open-pollinated maize varietiesi n the Eastern Cape province, South Africa. South African Journal of Plant and Soil, 31(2), 61-68.
Chura-Chuquija, J. & Huanuqueño-Coca, E. H. (2015). Comportamiento de ocho poblaciones de maíz amarillo (Zea mays L.) en cruzas con un probador. Anales Científicos, 76(1), 78-86.
Crossa, J. (1990). Statistical analysis of multi location trials. Academic Press, Advances in Agronomy, 44, 55-85.
Crossa, J., Cornelius, P. & Vargas, M. (2000). Modelos Estadísticos Multiplicativos para el Análisis de la lnteracción Genotipo x Ambiente. México D. F., México: CIMMYT Library.
Crossa, J., H. G. Gauch & Zobel, R. W. (1990). Additive main effects and multiplicative interaction analysis of two international maize cultivar trials. Crop Sci., 30, 493-500.
Falcon, C. M., Kaeppler, S. M., Spalding, E. P., Miller, N. D., Haase, N., AlKhalifah, N. & Leon, N.d. (2020). Relative utility of agronomic, phenological, and morphological traits for assessing genotype-by-environment interaction in maize inbreds. Crop Science, 60(1), 62–81.
Gabriel, K. R. (1971). The biplot graphic display of matrices with application to principal components analysis. Biometrika, 58, 453–467.
García, P. J., Cabrera, S., Pérez, A., Silva, R., Álvarez, R., Marín, C., Monasterio, P. P. & Santella, M. (2009). Estabilidad del rendimiento y potencial agronómico de cultivares de maíz de endospermo normal y QPM en zonas agroecológicas de Venezuela. Agronomía Trop, 59(4), 433-443.
García, P. J., Pérez, A. A., Silva, R. J., Álvarez, R. M., Pedro, M. P. & Taramona, L. A. (2020). Evaluación del potencial agronómico dehíbridos de maíz amarillo basado en el análisis GGE biplot y el modelo AMMI. Bioagro, 32(2), 95-106.
Gauch, H. G. & Zobel, R. W. (1988). Predictive and postdictive success of statistical análisis of yield trials. Theoretical and Applied Genetics, 76, 1–10.
Gauch, H. G. & Zobel., R. W. (1996). AMMI análisis of yield trials. In M. S. Kang & H. G. Gauch (Eds.), Genotype-by-Environment interaction (pp. 85-122). Boca Ratón. USA CRC Press.
Khamphasan, P., Lomthaisong, K., Harakotr, B., Ketthaisong, D., Scott, M. P., Lertrat, K. & Suriharn, B. (2018). Genotypic Variation in Anthocyanins, Phenolic Compounds, and Antioxidant Activity in Cob and Husk of Purple Field Corn. Agronomy, 8(11), 271.
Li, P., Fan, Y., Yin, S., Wang, Y., Wang, H., Xu, Y. & Xu, C. (2020). Multi-environment QTL mapping of crown root traits in a maize RIL population. The Crop Journal, 8 645 – 654.
López-Morales, F., Chura-Chuquija, J. & GarcíaPando, G. (2019). Interacción genotipo por ambiente del rendimiento de maíz amarillo en híbridos trilineales, Perú. Revista Mexicana de Ciencias Agrícolas, 10(4), 859 – 872.
Mudada, N., Chitamba, J., Macheke, T. O. & Manjeru , P. (2017). Genotype × Environmental Interaction on Seed Cotton Yield and Yield Components. Open Access Library Journal, 4(e3192), 1-22.
Ngaboyisonga, C., Nyombayire, A., Gafishi, M. K., Nizeyimana, F., Uwera, A., Ndayishimiye, T., Karemera, F., Mutanyagwa, P., Gumisiriza, G. & Gahakwa. (2016). Adaptability and genotype by environment interaction of maize commercial hybrid varieties from East African seed companies in Rwandan environments. Global Journal of Agricultural Research, 4(2), 32–40.
Paz, N. E., Martínez-Sánchez, J., Flores, R. A., Iñiguez, P. C., Ramírez-Córdova, A. L. & Aparicio, Y. V. (2018). Rendimiento y Estabilidad de Híbridos Experimentales de Maíz Cultivados en el Centro de Chiapas, México. Revista Mexicana de Agroecosistemas, 5(2), 88 – 97.
Rusinamhodzi, L., Makumbi, D., Njeru, J. M. & Kanampiu, F. (2020). Performance of elite maize genotypes under selected sustainable intensification options in Kenya. Field Crops Research, 249 (2020) 107738.
San Vicente, F. S., Marín, C. & Díaz, D. (2005). Estabilidad del rendimiento y potencial agronómico de híbridos de maíz de alta calidad de proteína (QPM) en Venezuela. Agronomía Trop., 55(3), 397-410.
Setimela, P., Gasura, E., Thierfelder, C., ZamanAllah, M., Cairns, J. E. & Boddupalli, P. M. (2018). When the going gets tough: Performance of stress tolerant maize during the 2015/16 (El Niño) and 2016/17 (La Niña) season in southern Africa. Agriculture, Ecosystems and Environment, 268, 79–89.
Seyoum, S., Rachaputi, R., Fekybelu, S., Chauhan, Y. & Prasanna, B. (2019). Exploiting genotype x environment x management interactions to enhance maize productivity in Ethiopia. European Journal of Agronomy, 103, 165–174.
Souza, A., Miranda, G., Gonzaga, M. & Souza, L. (2009). Predicting the genetic gain in the Brazilian white maize landrace. Ciência Rural, 39, 19- 24.
Steel, R. & Torrie, J. (1988). Bioestadística: Principios y procedimientos (2da ed.). México: McGraw-Hill /Interamericana.
UNAT (Universidad Nacional Autónoma de Tayacaja “Daniel Hernández Morillo”). (2018). Selección de cultivares y conservación de la identidad genética de variedades de maíz (Zea mays L.) en la provincia de Tayacaja. Proyecto aprobado según Resolución de la Comisión Organizadora N°0126-2018-COUNAT (pp. 49). Perú.
Vargas, H. M. & Crossa., J. (2000). El análisis AMMI y la gráfica del biplot en 42. Retrieved from SAS. CIMMYT, INT. website: www.cimmyt. cgiar.org/biometrics Yan, W., Kang, M., Ma, B., Woods, S. & Cornelius, P. L. (2007). GGE Biplot vs. AMMI Analysis of Genotype-byEnvironment Data. Crop Sci., 47, 641–653.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Derechos de autor 2021 Pedro José García Mendoza, Darío Emiliano Medina Castro, Gino Paul Prieto Rosales, Damián Manayay Sánchez, Ronald Ortecho Llanos