بررسی روابط بین عملکرد و اجزای آن در ژنوتیپ‌های مختلف سویا (Glycine Max L.) با استفاده از روش‌های آماری چند متغیره

به منظور بررسی ارتباط برخی از صفات مورفولوژیکی مهم با عملکرد دانه در سویا، 18 ژنوتیپ سویا در آزمایشی در قالب طرح پایه بلوک های کامل تصادفی با 3 تکرار مورد ارزیابی قرار گرفتند. نتایج تجزیه واریانس نشان داد که در تمام صفات مورد مطالعه بین ژنوتیپ ها اختلاف معنی داری وجود داشت. نتایج تجزیه همبستگی صفات نیز نشان داد که صفات عملکرد بیولوژیک (0.96)، شاخص برداشت (0.92) و تعداد شاخه فرعی (0.92) بیشترین همبستگی را با عملکرد دانه داشتند. در نتایج تجزیه به عامل ها نیز چهار عامل مستقل از هم، مجموعا 99.92 درصد از تغییرات کل داده ها را توجیه نمودند. عامل اول با 96.71 درصد از واریانس کل را توجیه نمود که به عنوان عامل عملکرد نام گذاری شد. مدل رگرسیون چند گانه با روش تجزیه رگرسیون گام به گام، برای عملکرد دانه نیز نشان داد که صفت تعداد شاخه فرعی وارد مدل شده و در کل 85.20 درصد از تغییرات عملکرد دانه را توجیه می کند. ضریب همبستگی این صفت 0.92 می باشد که در سطح آماری یک درصد معنی دار گردید. در نتیجه این صفت می تواند به عنوان شاخص ترین صفت در برنامه های اصلاحی سویا مورد استفاده قرار گیرد. همچنین با انجام تجزیه کلاستر ارقام سویا در 3 گروه قرار گرفتند.

Relationship between Yield and its Component in Soybean Genotypes (Glycine Max L.) using Multivariate Statistical Methods

18 soybean genotypes were examined to investigate the relationships between some principal attributions of morphology with seed yield per soybean, by Random Complete Block Design (RCBD) study. This study was also carried out three replicates to gain reliable results. The results of variance analysis indicated that, there were significance differences among all soybean genotypes. Moreover, the results of correlated analysis revealed that biological yield (0.96), harvest index (0.92), and number of branches (0.92) had the uttermost correlation with seed yield. To data factor analysis, four independent variables justified 99.92 percent of all data. The first variable, seed yield, justified 96.71 percent of entire variance. MultipleRegression Model with method Analytical Regression Model (stepbystep) was utilized to examine soybean seed yield. This model proved that number of branches entered into model and justified 85.20 percent of variation of seed yield. A correlated coefficient of considered attributions was equal 0.92 and these indexes had significant at 1% in statistical process. Therefore, these traits can be notability used in soybean breeding programs. Also, accordance to cluster analysis, the sample was divided into three groups.