全 文 ：作物学报 ACTA AGRONOMICA SINICA 2014, 40(11): 19361945 http://zwxb.chinacrops.org/
ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@chinajournal.net.cn

本研究由国家转基因生物新品种培育重大专项(2012ZX08013016)和江苏省农业科技自主创新资金项目(CX-12-5035)资助。
第一作者联系方式: E-mail: naiyin@126.com, Tel: 025-84390365
Received(收稿日期): 2014-04-16; Accepted(接受日期): 2014-09-16; Published online(网络出版日期): 2014-09-26.
URL: http://www.cnki.net/kcms/detail/11.1809.S.20140926.0821.003.html
DOI: 10.3724/SP.J.1006.2014.01936
棉花区试中品种多性状选择的理想试验环境鉴别
许乃银 李 健
江苏省农业科学院经济作物研究所 / 农业部长江下游棉花和油菜重点实验室, 江苏南京 210014
摘 要: 农作物品种选育通常需要对多目标性状综合选择, 依据育种目标性状和权重建立品种选择指数, 选择遗传
差异鉴别力强和目标环境代表性好的试验点, 有助于提高品种选育的效率并降低实验成本。本研究依据国家棉花品
种审定标准构建针对性和实用性强的品种选择指数, 即 SI = 0.40皮棉产量+0.13纤维比强度+0.09(纤维长度+马克
隆值)+0.11抗枯萎病+0.09抗黄萎病+0.10霜前花率, 采用 GGE双标图方法, 对 2000—2013年间 39组(含 585个单
点试验)长江流域国家棉花区域试验中的 15个试验点, 综合评价品种选择指数的鉴别力、代表性和理想指数。结果表
明, 湖北黄冈和江苏南京试验环境被评为最理想的试验环境, 湖北荆州、湖北武汉和江苏盐城为理想的试验环境, 而
河南南阳、湖北襄阳、湖南常德、四川简阳和四川射洪试验环境为不理想试验环境。可以看出, 理想的试验环境均
位于长江流域的中下游棉区, 而不理想的试验环境中四川简阳和四川射洪位于上游的四川盆地、河南南阳和湖北襄
阳位于长江流域北缘的南襄盆地、湖南常德虽然位于长江流域中游但栽培密度偏低。本研究构建的选择指数采用与
国家棉花品种审定中品种评价准则相统一的目标性状和权重分配策略, 理想试验环境对我国长江流域棉区的棉花生
态育种试验点的选择提供了切实可行的决策方案。
关键词: 棉花(Gossypium hirsutum L.); GGE双标图; 多性状; 品种选择指数; 理想试验环境; 长江流域; 区域试验
Identification of Ideal Test Environments for Multiple Traits Selection in Cotton
Regional Trials
XU Nai-Yin and LI Jian
Institute of Industrial Crops, Jiangsu Academy of Agricultural Sciences / Key Laboratory of Cotton and Rapeseed, Ministry of Agriculture, Nanjing
210014, China
Abstract: Crop breeding is an integrating selection for multiple desirable traits. Screening locations with high discriminating abil-
ity and typical environments in light of cultivar selection index established by target traits and weights facilitates improving
breeding efficiency and saving cost. Cultivar selection index was constructed on the basis of the national register criteria for cot-
ton variety, namely, SI = 0.40  lint cotton yield + 0.13  fiber strength + 0.09  (fiber length + micronaire value) + 0.11 
Fusarium wilt + 0.09  Verticillium wilt + 0.10  harvesting ratio of seed cotton before frost. GGE biplot method was adopted to
evaluate the identification, representativeness, and ideal index of cultivar selection index by using 15 locations data from 39 sets
of national cotton variety regional trials including 585 trials in the Yangtze River Valley (YaRV) during 2000–2013. The results
showed that Huanggang in Hubei Province and Nanjing in Jiangsu Province were evaluated as the most desirable trial locations;
Jingzhou and Wuhan in Hubei Province and Yancheng in Jiangsu Province were desirable trial locations; while Nanyang in Henan
Province, Xiangyang in Hubei Province, Changde in Hunan Province, Jianyang and Shehong in Sichuan Province were consid-
ered as undesirable locations for cotton cultivar selection. The ideal environments were all located in the Middle and Lower
Reaches of YaRV, while the undesirable locations included Jianyang and Shehong in the Sichuan basin in the upper reaches of
YaRV, and Nanyang and Xiangyang in Nan-Xiang Basin at the northern border of YaRV. Changde in Hunan Province was also
considered as undesirable location although it is located in the Middle Reaches of YaRV, probably because of the significantly low
plant density used in the farming. In conclusion, this study has established a feasible selection index according to the national
cotton registration criteria, and identified desirable test locations for reliable and effective variety evaluation in the area of YaRV. This
study is an example of test location evaluation utilizing historical data for the similar studies in other regions and for other crops.
第 11期 许乃银等: 棉花区试中品种多性状选择的理想试验环境鉴别 1937


Keywords: Cotton (Gossypium hirsutum L.); GGE biplot; Multiple traits; Cultivar selection index; Ideal test environment;
Yangtze River Valley (YRaV); Crop regional trial
农作物品种区域试验中普遍存在着显著的基因
型与环境互作效应, 育种者很难根据作物单年或单
点的表现型选择出最适应于目标区域种植的优良新
品种[1-4]。如能客观估计基因型与环境互作效应, 并
在此基础上选择对基因型差异鉴别力强和对育种目
标环境代表性强的“理想”试验环境作为育种环境 ,
就可以大幅提高新品种的选择效率[5-8]。在育种实践
中单性状选择通常是品种综合改良的基础, 但更需
要对包括产量、品质、早熟性和抗病虫等性状同步
综合选择。因此, 对理想试验环境的评价和筛选也
需要基于多性状综合评价, 这需要根据育种目标确
定适当的目标性状并赋予不同的权重系数, 以综合
品种选择指数(selection index, SI)作为评价品种的标
准和综合评价试验环境的基础[9-12]。由于选择指数中
目标性状的取舍和权重赋值的主观性强, 基于选择
指数的品种和试验环境评价结果常常难以在目标区
域的育种实践中推广应用[11], 所以在品种和试验环
境评价中亟需构建和应用客观公正、普遍适用的选
择指数, 以提高新品种的多性状同步选择效果。
GGE双标图分析方法可兼顾基因型主效和基因
型与环境互作效应, 是农作物品种区域试验中评价
品种和试验环境的最高效直观的统计和图形展示方
法[13-14], 目前已经广泛地应用于多环境品种试验的
品种稳定性分析 [15-20]和试验环境评价 [16-17,19-22], 但
在棉花区域试验的试验环境评价中的应用尚处于初
步探索阶段。Blanche 和 Myers[11]首次将 GGE 双标
图应用于美国路易斯安那州的棉花区域试验, 但只
对所包含的 6个试点进行了理想度排序。Baxevanos
等[10]在分析西班牙棉花新品种评价试验数据时只包
含 4个试验点, 代表性较差。许乃银等[23]报道了利用
GGE双标图对棉花皮棉产量、纤维比强度、纤维长
度和马克隆值等单性状选择的棉花试验环境评价 ,
但目前基于棉花综合品种选择指数的试验环境评价
的相关研究尚少见报道。本研究首先依据我国棉花
品种审定标准中的品种评价方法[24], 分别赋予产量
性状、纤维品质性状、抗病性和早熟性等指标相应
的权重, 构建与国家棉花品种审定评分一致的棉花
品种多性状综合品种选择指数, 并根据国家棉花品
种审定标准中品种类型划分和各类型品种的加减分
准则对综合选择指数的分值进行校正 [24]; 然后, 采
用遗传力校正的 GGE (heritability adjusted GGE,
HA-GGE)双标图方法[25], 分析试验环境对品种综合
选择指数的鉴别力和对目标环境的代表性, 为棉花
区域试验中理想试验环境筛选和提高棉花品种综合
选择效率提供理论依据。
1 材料与方法
1.1 试验设计
2000—2013年期间长江流域国家棉花区域试验
每年在四川、湖南、湖北、江西、河南、江苏、安
徽、浙江等省设置 18个试验点(即试验环境), 本研究
选用其中 15个相对稳定的试验环境, 其经度、纬度、
海拔、土壤类型、种植密度等环境因子见表 1, 各试
验环境所在棉区详见许乃银等[26]的报道。每个试验
点每年承担 1~4 组田间试验, 共 39 组试验(含 585
个独立的单点试验)。每组试验参试品种 10 个左右,
均采用随机区组排列, 重复 3 次, 小区面积 20 m2, 植
棉 3~6行, 行距 0.8~1.1 m, 株距 0.3~0.4 m。各组试
验的数据集以试验的实施年份命名, 同一年份实施
的 2 组以上试验, 则在年份后依次加上小写字母以
示区别, 如“2007b”表示 2007 年实施的第 2 组试验,
其余类推。
1.2 试验田间管理与测试指标
试验以营养钵育苗移栽方式为主。施基肥N、
P2O5和K2O约165、79和113 kg hm2, 蕾铃期分别追
施N和K2O约110 kg hm2和49 kg hm2。通常每年防
治虫害8次, 其中2~5次防治棉铃虫, 其余主要防治
棉盲蝽、红蜘蛛、棉蚜虫、斜纹夜蛾和地下害虫等。
棉花生长期间根据不同气候条件下棉花的长势喷施
适量化学调节剂, 确保棉花稳健生长。从各试验点
于吐絮盛期每小区选取中部果枝上吐絮正常的50个
棉铃, 晒干后室内考种, 轧花后的皮棉作为测试纤
维品质的样品。吐絮后分小区收获 , 霜前花计产日
期为11月10日 , 收花截止日期为11月20日 , 到期
不再采收青铃。各小区收获的子棉充分混匀后 , 从
中随机抽取1 kg, 在皮辊机上轧花后用电子天平
称量皮棉重量 , 计算皮棉占子棉重量的百分率 ,
取2次重复的平均值即为某品种的衣分率 , 再根据
衣分率和实收子棉产量计算皮棉产量。皮棉品质的
评价指标包括纤维长度、比强度、马克隆值、伸长
率、反射率、黄度、长度整齐度以及纺纱均匀性指
数等, 本研究选择其中最重要的3项指标(长度、比
1938 作 物 学 报 第 40卷

表 1 2000–2013年长江流域国家棉花区域试验 15个试验点的环境因子
Table 1 Environmental factors of 15 test locations in the Yangtze River Valley of national cotton regional trials during 2000–2013
试验环境
Trial environment
代码
Code
经度
Longitude
纬度
Latitude
海拔
Altitude
(m)
土壤类型
Soil type
种植密度
Plant density
(plants hm2)
年降雨量
Precipitation
(mm)
四川简阳 Jianyang, Sichuan JY 104°39′ 30°47′ 452 紫壤土 Purple loam 33007 b 915
四川射洪 Shehong, Sichuan SH 105°31′ 30°09′ 330 沙壤土 Sandy loam 37749 a 951
湖南常德 Changde, Hunan CD 111°69′ 29°05′ 37 黏壤土 Clay loam 22343 h 1373
湖南岳阳 Yueyang Hunan YY 113°09′ 29°37′ 52 红潮土 Red fluvo-aquic 24059 h 1317
湖北黄冈 Huanggang Hubei HG 114°87′ 30°44′ 31 潮土 Fluvo-aquic 28788 ef 1262
湖北荆州 Jingzhou Hubei JZ 112°22′ 30°13′ 33 沙壤土 Sandy loam 30004 cde 1084
湖北武汉 Wuhan Hubei WH 114°31′ 30°52′ 23 黏壤土 Clay loam 31599 bc 1100
湖北襄阳 Xiangfan Hubei XF 112°14′ 30°02′ 69 黄褐土 Yellow-cinnamon 29268 def 882
河南南阳 Nanyang, Henan NY 112°53′ 33°01′ 130 黑黏土 Smolmitza 30459 cde 827
江西九江 Jiujiang, Jiangxi JJ 115°97′ 29°71′ 32 黏壤土 Clay loam 26365 g 1430
安徽安庆 Anqin, Anhui AQ 117°03′ 30°52′ 44 沙壤土 Sandy loam 31025 cd 1363
江苏南京 Nanjing, Jiangsu NJ 118°78′ 32°04′ 9 黄棕壤土 Yellow-brown 27931 fg 1106
江苏南通 Nantong, Jiangsu NT 120°86′ 32°01′ 5 沙壤土 Sandy loam 28657 ef 1120
江苏盐城 Yancheng, Jiangsu YC 120°13′ 33°38′ 2 沙壤土 Sandy loam 31677 bc 1061
浙江慈溪 Cixi, Zhejiang CX 121°23′ 30°18′ 7 沙壤土 Sandy loam 31177 bcd 1244
各试点的种植密度后不同小写字母表示在 0.05水平上差异显著。
The plant densities followed by different small letters are significantly different among locations at 0.05 probability level.

强度和马克隆值)进行评价。所有纤维样品均由农
业部棉花品质监督检验测试中心用 HVI900 自动测
试系统检测。
1.3 统计分析方法
1.3.1 综合选择指数的构建 依据我国棉花农作
物品种审定规范中的品种评价标准[24], 分别赋予产
量性状(皮棉产量)、纤维品质性状(纤维比强度、纤
维长度和马克隆值)、抗病性(枯萎病和黄萎病)和早
熟性(霜前花率)等各项指标相对应的权重, 构建棉
花品种多性状综合品种选择指数, 并根据国家棉花
品种审定标准中品种类型划分和各类型品种的加减
分准则[24], 采用综合选择指数方法对各组试验中的
参试品种表现评分。各品种所得分值即为综合选择
指数值, 方差分析和 GGE双标图分析均以选择指数
值为研究对象。
综合品种选择指数 SI = 0.40皮棉产量+0.13
纤维比强度+0.09(纤维长度+马克隆值)+0.11抗枯
萎病+0.09抗黄萎病+0.10霜前花率。
1.3.2 综合选择指数的方差分析 采用统计软件
包SAS v.9.0的线性混合模型程序分别对长江流域39
组区域试验中的综合选择指数进行方差分析。采用
混合模型, 基因型只代表特定的品种, 设定为固定
因素, 而试验环境为目标环境中可能环境条件的随
机样本, 故设定为随机因素[27]。同时, 计算对各组试
验的遗传力(h2), 以评价区域试验对品种总体鉴别
效率[5,10]。
1.3.3 GGE 双标图的数学模型 二维 GGE 双标
图是直观表达品种与试验点关系的主要形式, 双标
图中品种图标和试验点图标的相对位置表达了基因
型与环境的互作模式[14]。为便于图形表达, 一般仅
选用前 2个 GGE主成分得分(PC1和 PC2), 而将其后
的主成分信息合并为模型残差, 具有如下结构:
Yger = μ+βe+λ1γg1δe1 +λ2γg2δe2 +ρge +εger
式中, Yger为基因型 g在环境 e中第 r个重复的
产量(或者其他性状值), μ为总体均值, βe为环境 e的
主效, λ1为第 1个主成分的奇异值, γg1为基因型 g的
第 1个特征向量得分, δe1为环境 e的第 1个特征向量
得分, ρge为基因型 g 在环境 e 的残差, εger为总体误
差。在聚焦环境的特征值分配时, 参数 γg1 和 λ1δe1
被分别定义为品种 g和地点 e的第 1个 GGE主成分
得分[28], 简称为 PC1。第 2个主成分的表达方式类推。
1.3.4 GGE 双标图分析 采用遗传力校正的
GGE (HA-GGE)双标图分析方法[25]依次计算 15个试
验环境在各组试验中的鉴别力、代表性、理想指数
和离优度指数[13,29]。理想的试验环境应当对参试品
种的遗传差异具有较好的鉴别力, 并对目标环境具
第 11期 许乃银等: 棉花区试中品种多性状选择的理想试验环境鉴别 1939


有较强的代表性[25]。试验环境的鉴别力用 GGE双标
图中通过双标图的原点和平均环境点的射线表示 ,
被称为平均环境向量或平均环境轴(average environ-
ment axis, AEA)[5,13]。HA-GGE双标图中向量长度近
似等于遗传力平方根( H ), 试验环境向量越长则
鉴别力越强。代表性用试验环境向量与平均环境轴
夹角的余弦值表示, 近似等于与平均环境的遗传相
关系数(r) [25]。理想指数用试验环境向量在平均环境
轴上的垂直投影长度表示, 近似等于遗传力平方根
与遗传相关系数的乘积(r H )。离优度指数用试验
环境图标到理想试验环境图标的标准化欧氏距离表
示[25]。试验环境鉴别力和代表性的评价需要在对多
年区域试验数据分析的基础上, 采用“逐年分析, 多
年综合”的方式归纳才能得出可重复的模式和试点
的一般规律 , 而单年区试数据分析通常用来展示
GGE 双标图的表达形式[5]。参照 Baxevanos 等[10]的
方法, 将各组试验中试验环境的评价指数标准化后,
按试验组别对环境评价指数配对, 采用 LSD 法对试
验环境间的差异进行多重比较, 从而对试验环境的
鉴别力、代表性和理想指数等综合评价。
2 结果与分析
2.1 品种选择指数的变异分析
在品种选择指数的表型变异来源中(表 2), 环境
主效应(E)、基因型主效应(G)和基因型与环境互用效
应(GE)在 2000—2013 年期间的 39 组区域试验中均
达极显著水平。其中, 试验环境主效应(E)平均占处
理总变异平方和 (SSG+GE)的 29.8%, 变幅为 9.8%~
49.3%。基因型主效应(G)平均占处理总变异平方和
的 29.8%, 变幅为 15.5%~50.7%。基因型与环境互用
效应(GE)平均占处理总变异平方和的 40.4%, 变幅
为 23.9%~56.6%。环境主效应(E)和基因型主效应(G)
所占处理总变异的比例相当, 约占处理变异的 30%,
而基因型与环境互作效应(GE)在 76.9%的试验中大
于环境主效应(E)、在 79.5%的试验中大于基因型主
效应(G), 在 61.5%的试验中同时大于基因型主效应
(G)和环境主效应(E), 可见品种选择指数变异中基
因型与环境互作效应(GE)的变异是其表型变异的主
要来源, 因此有必要对品种选择指数的基因型与环
境互作效应开展进一步的研究。
品种选择指数 GGE 双标图分析的平均拟合度
为 65.5%, 其中有 8 组试验在 70%以上, 有 22 组试
验在 60%以上, 有 9组试验的拟合度在 60%以下, 说
明总体拟合度一般, 这可能与组成品种选择指数的
性状间复杂关系有关。另一方面, 由于各组试验的
遗传力 (h2)较高 , 平均为 89.2%, 变幅为 78.0%~
97.0%, 其中 37组试验的遗传力在 80.0%以上, 只有
试验“2003a”和“2013b”的遗传力略低于 80%, 说明
长江流域棉花品种区域试验数据质量总体上较好。
2.2 基于 HA-GGE 双标图和单组试验的试验环
境评价
2.2.1 试验环境评价的 HA-GGE双标图表达方式
基于 2000 年长江流域棉花区域试验品种选择
指数的GGE双标图的“鉴别力与代表性”功能图中的
小圆圈为各试验环境坐标的平均值, 代表各试验环
境的“平均环境”(图 1)。各试验环境向量的长度及其
与 AEA 轴的夹角大小分别代表试验环境的鉴别力
和代表性, 向量长度与鉴别力成正比, 而夹角大小
与代表性成反比。图 1表明, 湖北荆州(JZ)、四川简
阳(JY)、浙江慈溪(CX)和四川射洪(SH)等试验环境

图 1 2000年长江流域棉花区域试验品种选择指数 HA-GGE双
标图的“鉴别力与代表性”功能图
Fig. 1 “Discrimination and representativeness” view of
HA-GGE biplot for selection index for the 2000 data as an
example
图中 AQ、NY、HG、JZ、WH、XY、CD、YY、NJ、NT、YC、
JJ、JY、SH和 CX分别代表安徽安庆、河南南阳、湖北黄冈、
湖北荆州、湖北武汉、湖北襄阳、湖南常德、湖南岳阳、江苏南
京、江苏南通、江苏盐城、江西九江、四川简阳、四川射洪和浙
江慈溪等试验点。带*号的 Gm9618、Sm3、J96-1等为品种名称。
The test location codes of AQ, NY, HG, JZ, WH, XY, CD, YY, NJ,
NT, YC, JJ, JY, SH, and CX stand for Anqing in Anhui Province,
Nanyang in Henan Province, Huanggang in Hubei Province, Jing-
zhou in Hubei Province, Wuhan in Hubei Province, Xiangyang in
Hubei Province, Changde in Hunan Province, Yueyang in Hunan
Province, Nanjing in Jiangsu Province, Nantong in Jiangsu Pro-
vince, Yancheng in Jiangsu Province, Jiujiang in Jiangxi Province,
Jianyang in Sichuan Province, Shehong in Sichuan Province and
Cixi in Zhejiang Province, respectively. Gm9618, Sm3, J96-1, etc.
with asterisks are tested cultivars.
1940 作 物 学 报 第 40卷

表 2 2000–2013年 39组长江流域棉花区域试验品种选择指数方差分析和主成分分析参数估计
Table 2 ANOVA of selection index and parameters of PCA for 39 sets of national cotton regional trials in the Yangtze River Valley in
2000–2013
自由度
df
平方和
SS
占 SSTRMT的百分率
Percentage of SSTRMT (%)
解释变异
Variation explained (%)
试验
Trial
G E GE G E GE G E GE PC1 PC2 PC1+PC2
遗传力
Heritability
( 22h %)
2000 9 14 126 28865.4 7061.0 36069.9 40.1** 9.8** 50.1** 48.2 18.2 66.4 91.0
2001 9 14 123 12546.8 27594.2 24993.1 19.3** 42.4** 38.4** 38.9 17.4 56.3 85.0
2002 9 14 126 8021.3 24354.7 19208.9 15.5** 47.2** 37.2** 34.9 21.3 56.2 83.0
2003a 7 14 98 10929.6 25860.2 28191.8 16.8** 39.8** 43.4** 33.1 24.2 57.3 78.0
2003b 8 14 112 32864.7 17901.4 26371.5 42.6** 23.2** 34.2** 57.8 14.0 71.8 94.0
2004a 8 14 112 23727.0 21449.6 28649.9 32.1** 29.1** 38.8** 50.8 18.2 69.0 92.0
2004b 8 14 112 10780.5 25364.7 30001.7 16.3** 38.3** 45.4** 38.4 26.0 64.4 80.0
2005a 9 14 126 23796.1 23613.3 23126.3 33.7** 33.5** 32.8** 53.4 14.8 68.2 93.0
2005b 9 14 126 16188.2 29256.6 27246.9 22.3** 40.2** 37.5** 40.5 19.1 59.6 87.0
2005c 9 14 126 38185.9 17580.6 26551.3 46.4** 21.4** 32.3** 62.8 12.6 75.4 95.0
2006a 10 14 140 16416.5 20474.0 26872.4 25.7** 32.1** 42.1** 44.1 18.1 62.2 89.0
2006b 9 14 126 21715.0 11669.1 23174.2 38.4** 20.6** 41.0** 54.2 13.3 67.5 93.0
2006c 9 14 126 20852.0 20073.7 29883.2 29.4** 28.3** 42.2** 47.5 12.9 60.4 91.0
2007a 9 14 126 21265.8 20742.8 23003.7 32.7** 31.9** 35.4** 51.7 18.0 69.7 93.0
2007b 10 14 140 43184.7 18910.1 26482.0 48.8** 21.3** 29.9** 68.3 10.5 78.8 97.0
2007c 9 14 126 24528.5 18890.5 28803.8 34.0** 26.2** 39.9** 49.5 17.1 66.6 92.0
2008a 10 14 140 16356.3 36489.5 21170.0 22.1** 49.3** 28.6** 49.8 16.5 66.3 91.0
2008b 10 14 140 29467.1 26980.8 27860.8 35.0** 32.0** 33.0** 55.2 16.0 71.2 94.0
2008c 11 14 154 23566.4 27150.7 25624.3 30.9** 35.6** 33.6** 54.6 14.2 68.8 93.0
2009a 10 14 140 15329.5 22418.5 23806.2 24.9** 36.4** 38.7** 44.7 13.7 58.4 90.0
2009b 10 14 140 13169.4 11576.6 32254.7 23.1** 20.3** 56.6** 34.3 19.6 53.9 82.0
2009c 9 14 126 16589.5 15531.8 22274.0 30.5** 28.6** 40.9** 49.3 13.9 63.2 91.0
2009d 9 14 126 11758.8 18381.5 23091.9 22.1** 34.5** 43.4** 42.7 21.9 64.6 87.0
2010a 9 14 126 11830.1 11130.3 20904.8 27.0** 25.4** 47.7** 43.2 18.7 61.9 89.0
2010b 9 14 126 20249.5 22558.3 29042.4 28.2** 31.4** 40.4** 45.3 21.2 66.5 90.0
2010c 9 14 126 24156.9 32203.6 30754.4 27.7** 37.0** 35.3** 50.6 15.4 66.0 91.0
2010d 9 14 126 17188.4 21759.0 29559.9 25.1** 31.8** 43.1** 41.3 21.4 62.7 88.0
2011a 8 14 112 24379.9 12209.8 11479.6 50.7** 25.4** 23.9** 71.3 9.0 80.3 97.0
2011b 8 14 112 12778.2 19807.9 17521.4 25.5** 39.5** 35.0** 50.6 16.1 66.7 89.0
2011c 8 14 112 8043.0 8814.3 17584.5 23.4** 25.6** 51.1** 42.3 16.8 59.1 82.0
2011d 8 14 112 21857.0 5608.4 15691.2 50.6** 13.0** 36.4** 61.2 16.3 77.5 95.0
2012a 8 14 112 10368.2 16376.9 25548.0 19.8** 31.3** 48.9** 35.7 20.6 56.3 81.0
2012b 8 14 112 8497.1 14729.5 19504.0 19.9** 34.5** 45.6** 42.0 21.2 63.2 86.0
2012c 9 14 126 27202.2 12103.2 22850.4 43.8** 19.5** 36.8** 58.1 11.0 69.1 94.0
2012d 9 14 126 17238.7 8104.0 19658.5 38.3** 18.0** 43.7** 51.8 18.8 70.6 92.0
2013a 7 14 98 14903.6 8215.1 19503.6 35.0** 19.3** 45.8** 55.2 16.8 72.0 92.0
2013b 7 14 98 5230.9 12130.1 15271.7 16.0** 37.2** 46.8** 34.3 25.1 59.4 79.0
2013c 7 14 98 10098.3 8085.9 22807.4 24.6** 19.7** 55.6** 38.7 23.8 62.5 84.0
2013d 7 14 98 9435.4 11420.6 17651.1 24.5** 29.7** 45.8** 46.6 18.7 65.3 88.0
(1) E、G、GE、PC1、PC2、SSTRMT分别代表环境主效、基因型主效、环境与基因型互作效应、主成分分析第 1、第 2主成分得
分和处理平方和。(2)各组试验的试验环境主效、基因型主效、环境与基因型互作效应均达到 F 测验的极显著水平, 以“**”表示。(3)
试验数据集用试验实施年份命名, 同年份实施的不同组别试验则在年份后标注小写字母以示区别, 如“2007b”表示 2007 年实施的第 2
组区试, 余类推。
(1) E, G, GE, PC1, PC2, and SSTRMT stand for environment main effect, genotype main effect, environment by genotype interaction, the
first and the second principal component score, and Sum of Squares of the treatment, respectively. (2) The F criterion of G, GE, and E effects
are significant at 0.01 level in all datasets denoted by the sign “**”, and are omitted in the table. (3) The data sets are named by the year when
the trial was implemented, followed by small letters showing different sets in the same year. For example, “2007b” stands for the second set
of trials implemented in 2007.
第 11期 许乃银等: 棉花区试中品种多性状选择的理想试验环境鉴别 1941


的鉴别力强 , 而江西九江(JJ)试验环境的鉴别力明
显偏弱。湖北黄冈(HG)、湖北武汉(WH)、湖南常德
(CD)和安徽安庆(AQ)等试验环境与平均环境轴的夹
角小, 对目标环境的代表性强, 而四川射洪(SH)、四
川简阳(JY)、湖北襄阳(XY)、河南南阳(NY)和江苏
南通(NT)等试点的代表性差。
2.2.2 试验环境的评价参数 表 3 表明, 各试验
环境的鉴别力和代表性指数大小与双标图中的直观
表现十分接近, 而依据理想指数和离优度对试验环
境的综合评价优劣排序的基本规律相似, 但在具体
排序上略有差异。基于理想指数的优劣排序为浙江
慈溪>湖北荆州>湖南常德>江苏盐城>安徽安庆>湖
北武汉>湖北黄冈>湖南岳阳>江苏南京>江苏南通>
河南南阳>湖北襄阳>四川简阳>四川射洪>江西九
江 , 而基于离优度指数的排序为湖南常德>湖北武
汉>安徽安庆>湖北黄冈>浙江慈溪>江苏盐城>湖南
岳阳>江苏南京>湖北荆州>江苏南通>江西九江>河
南南阳>湖北襄阳>四川简阳>四川射洪。同样, 基于
单年区试数据分析对试验环境的理想指数排序并不
一定能代表试验环境在多年试验表现中的一般规律,
需要用多年数据验证。
2.3 基于多组试验 GGE 双标图分析的试验环境
评价
试验环境的鉴别力和代表性评价需要多组试验
的 GGE双标图分析, 找出多次分析中的可重复模式
和规律, 才能对试验环境作出准确的综合评价, 而
单组试验数据的 GGE 双标图分析是多组试验分析
的前提和基础。2000—2013年间 39组长江流域棉花
区域试验中试验环境 GGE双标图分析的鉴别力、代
表性、理想指数、离优度指数和综合评价结果列于
表 4。
2.3.1 试验环境对品种选择指数的鉴别力评价
各试验环境对参试品种选择指数的鉴别能力存
在显著差异(表 4), 其中浙江慈溪显著优于江苏盐
城、湖北襄阳、河南南阳、江西九江、安徽安庆、
四川射洪、湖南常德和湖南岳阳, 湖北黄冈显著优
于安徽安庆、四川射洪、湖南常德和湖南岳阳, 江
苏南通和湖北荆州与江苏南京差异不显著, 但显著
优于河南南阳、江苏盐城和四川简阳, 其余试点之
间差异不显著。根据试点间的鉴别力差异显著性和
强弱顺序, 可将试验环境划分为 4类: 1)强鉴别力试
验环境, 即江苏南京和湖北黄冈, 分别与 8个和 4个
试验环境差异显著; 2)较强鉴别力试验环境, 包括湖
北荆州和江苏南通, 与江苏南京和湖北黄冈差异不
显著, 但显著优于湖南常德和湖南岳阳; 3)一般鉴别
力试验环境, 包括四川简阳、湖北武汉、浙江慈溪、
江苏盐城、湖北襄阳、河南南阳、江西九江、安徽
安庆、四川射洪试验环境, 其鉴别力与其余试验环
境间的差异均不显著; 4)弱鉴别力试验环境, 包括湖
南常德和湖南岳阳, 列于各试验环境鉴别力的后两

表 3 2000年长江流域国家棉花区域试验基于品种选择指数选择的环境评价参数
Table 3 Environment evaluation parameters based on the integrated selection index at different test locations in 2000
试验环境
Trial environment
鉴别力
Discriminating ability ( H )
代表性
Representativeness (r)
理想指数
Desirability index (r H )
离优度指数
Superiority
安徽安庆 AQ, Anhui 0.856 0.993 0.850 0.195
湖南常德 CD, Hunan 0.922 0.998 0.920 0.076
浙江慈溪 CX, Zhejiang 0.963 0.980 0.944 0.228
湖北黄冈 HG, Hubei 0.785 1.000 0.785 0.210
四川简阳 JJ, Sichuan 0.325 0.921 0.299 0.662
湖北荆州 JY, Hubei 0.977 0.530 0.518 0.933
江西九江 JZ, Jiangxi 1.000 0.938 0.938 0.370
江苏南京 NJ, Jiangsu 0.720 0.949 0.683 0.345
江苏南通 NT, Jiangsu 0.849 0.760 0.645 0.583
河南南阳 NY, Henan 0.895 0.674 0.603 0.689
四川射洪 SH, Sichuan 0.955 0.445 0.425 1.000
湖北武汉 WH, Hubei 0.824 0.999 0.823 0.183
湖北襄阳 XY, Hubei 0.934 0.637 0.595 0.742
江苏盐城 YC, Jiangsu 0.890 0.967 0.861 0.285
湖南岳阳 YY, Hunan 0.777 0.943 0.733 0.322
1942 作 物 学 报 第 40卷

表 4 长江流域国家棉花区域试验环境评价参数(2000–2013)
Table 4 Environment evaluation parameters of national cotton trials from 2000 to 2013 in the Yangtze River Valley
试验环境
Trial environment
鉴别力
Discriminating ability
( H ±SD)
代表性
Representativeness
(r±SD)
理想指数
Desirability index
(r H ±SD )
离优度指数
Superiority
(mean ±SD)
安徽安庆 AQ, Anhui 0.773±0.16 cd 0.851±0.21 abc 0.668±0.22 bcde 0.447±0.27 de
湖南常德 CD, Hunan 0.746±0.24 d 0.647±0.50 f 0.560±0.34 fg 0.578±0.31 abc
浙江慈溪 CX, Zhejiang 0.798±0.18 abcd 0.785±0.27 bcde 0.624±0.26 cdefg 0.524±0.28 bcd
湖北黄冈 HG, Hubei 0.856±0.11 ab 0.918±0.13 a 0.788±0.15 a 0.340±0.22 e
四川简阳 JJ, Sichuan 0.782±0.20 bcd 0.824±0.25 abc 0.656±0.26 bcdef 0.477±0.28 cd
湖北荆州 JY, Hubei 0.817±0.16 abcd 0.667±0.30 ef 0.553±0.25 fg 0.661±0.25 a
江西九江 JZ, Jiangxi 0.828±0.16 abc 0.880±0.15 ab 0.737±0.20 ab 0.412±0.22 de
江苏南京 NJ, Jiangsu 0.871±0.13 a 0.903±0.12 ab 0.791±0.17 a 0.344±0.22 e
江苏南通 NT, Jiangsu 0.831±0.18 abc 0.789±0.29 bcd 0.653±0.29 bcdef 0.497±0.28 cd
河南南阳 NY, Henan 0.791±0.19 bcd 0.690±0.32 def 0.577±0.25 efg 0.619±0.22 ab
四川射洪 SH, Sichuan 0.770±0.17 cd 0.653±0.41 f 0.527±0.31 g 0.628±0.24 ab
湖北武汉 WH, Hubei 0.811±0.14 abcd 0.866±0.16 ab 0.709±0.18 abc 0.435±0.25 de
湖北襄阳 XY, Hubei 0.793±0.16 bcd 0.732±0.26 cdef 0.588±0.23 defg 0.585±0.23 abc
江苏盐城 YC, Jiangsu 0.793±0.17 bcd 0.845±0.25 abc 0.688±0.26 abcd 0.423±0.25 de
湖南岳阳 YY, Hunan 0.746±0.19 d 0.884±0.14 ab 0.654±0.18 bcdef 0.465±0.22 d
同列数据后不同小写字母表示在 0.05水平上差异显著。
Values followed by different small letters with the same column are significantly different at 0.05 probability level.

位, 而且与前 2 类试验环境的鉴别力差异显著。各
试验环境对品种选择指数选择差异的鉴别能力为江
苏南京>湖北黄冈>江苏南通>湖北荆州>四川简阳>
湖北武汉>浙江慈溪>江苏盐城>湖北襄阳>河南南
阳>江西九江>安徽安庆>四川射洪>湖南常德>湖南
岳阳。
2.3.2 试验环境对目标区域的代表性评价 基于
品种选择指数对目标试验环境的代表性(表 4), 各试
验环境可划分为 4类: 1)代表性最好的试验环境为湖
北黄冈, 对长江流域目标环境的代表性最强, 与江
苏南通、浙江慈溪、湖北襄阳、河南南阳、四川简
阳、四川射洪和湖南常德的代表性差异达显著水平;
2)代表性较好的试验环境包括江苏南京、湖南岳阳、
湖北荆州、湖北武汉、安徽安庆、江苏盐城和江西
九江, 其代表性依次列于湖北黄冈之后, 但差异未
达显著水平, 而且与河南南阳、四川简阳、四川射
洪和湖南常德差异显著; 3)代表性一般的试验环境
包括江苏南通、浙江慈溪、湖北襄阳、河南南阳和
四川简阳, 其代表性显著弱于湖北黄冈试验环境; 4)
代表性差的试验环境包括四川射洪和湖南常德, 其
代表性显著弱于除湖北襄阳、河南南阳和四川简阳
以外的其他所有试验环境。各试验环境基于多性状
综合选择对目标环境的代表性优劣为 湖北黄冈>江
苏南京>湖南岳阳>湖北荆州>湖北武汉>安徽安庆>
江苏盐城>江西九江>江苏南通>浙江慈溪>湖北襄
阳>河南南阳>四川简阳>四川射洪>湖南常德。
2.3.3 试验环境的综合评价和理想环境筛选 试
验环境理想指数是鉴别力和代表性的综合评价指标,
在将长江流域棉区默认为同一品种生态区的前提下,
各试验环境可据此划分为: 1)最理想试验环境, 包括
江苏南京和湖北黄冈试验环境, 理想指数显著优于
除湖北荆州、湖北武汉和江苏盐城外的其他试验环
境; 2)理想试验环境, 包括湖北荆州、湖北武汉和江
苏盐城, 其理想指数与最理想试验环境存在一定差
异但未达显著水平, 显著优于河南南阳、湖南常德、
四川简阳和四川射洪试验环境; 3)较理想试验环境,
包括安徽安庆、江西九江、湖南岳阳、江苏南通和
浙江慈溪; 4)不理想试验环境, 包括湖北襄阳、河南
南阳、湖南常德、四川简阳和四川射洪试验环境, 与
前两类试验环境间的差异明显。各试验环境基于品
种选择指数选择的综合理想指数优劣为江苏南京>
湖北黄冈>湖北荆州>湖北武汉>江苏盐城>安徽安
庆>江西九江>湖南岳阳>江苏南通>浙江慈溪>湖北
襄阳>河南南阳>湖南常德>四川简阳>四川射洪。
离优度指数是双标图中试点图标到理想试点图
标的标准化欧氏距离, 表示试验环境的综合理想程
第 11期 许乃银等: 棉花区试中品种多性状选择的理想试验环境鉴别 1943


度, 距理想试点距离越小, 则试点越理想。离优度指
数在数值上与理想指数呈显著负相关, 各试验环境
依离优度指数的排序与理想指数的差异不大。优劣
次序为湖北黄冈>江苏南京>湖北荆州>江苏盐城>
湖北武汉>安徽安庆>湖南岳阳>江西九江>江苏南
通>浙江慈溪>湖南常德>湖北襄阳>河南南阳>四川
射洪>四川简阳。
3 讨论
3.1 棉花品种综合选择指数的权重分配策略
棉花育种尽管在理论上可以针对产量、纤维品
质和抗病性状, 开展专门的产量育种、品质育种或
抗病育种等工作, 但在实践中对优良品种的选育往
往需要对包括产量、品质、早熟性和抗病性等性状
综合选择。因此, 对理想区域试验和育种环境的评
价和筛选也需要基于多性状综合评价, 这就需要根
据育种目标确定适当的育种目标性状, 并赋予不同
的权重系数建立综合选择指数(selection index, SI),
从而基于选择指数评价品种和综合评价试验环境的
鉴别力与代表性[10-11]。由于育种目标常需要与时俱
进的进行调整, 而选择指数中目标性状的取舍和权
重赋值常常具有很强的主观性和经验性, 基于不同
选择指数对品种和环境的评价结果可比性差, 并常
与育种目标脱节, 难以在目标区域的育种实践中推
广应用。可见, 只有将试验环境评价性状及权重与
当时当地育种目标相吻合, 并随着育种目标的改变
而作相应修订, 评价结果才真正具有实用价值。汤
飞宇等[30]针对棉花铃重、单株结铃数和衣分率的权
重变化为棉花皮棉产量性状选择设置了不同的选择
指数, 但没有涉及到纤维品质和抗病性等性状的选
择。Blanche和 Myers[11]建立的棉花品种选择指数中
考虑了皮棉产量和纤维长度两个性状, 并分别赋予
60%和 40%的权重, 但忽略了重要的比强度和马克
隆值等纤维品质性状, 其评价方法与我国棉花育种
与生产实际需要差距很大。Baxevanos等[10]构建的棉
花品种综合选择指数为 SI = 0.6子棉产量+0.1 (衣
分%+纤维长度+纤维比强度)+0.05(纤维长度整齐
度+伸长率), 该选择指数中显然存在性状间的冗余
和重复, 而且该权重分配策略与我国棉花品种评价
标准差异很大。本研究依据我国棉花品种审定标准
中的品种评分准则, 分别赋予与标准中对产量性状
(皮棉产量)、纤维品质性状(纤维比强度、纤维长度
和马克隆值)、抗病性(枯萎病和黄萎病)和早熟性(霜
前花率)等指标评价方法相对应的权重, 构建棉花品
种多性状综合品种选择指数, 即 SI=0.40皮棉产量
+0.13纤 维比 强 度 +0.09(纤 维 长度 +马 克 隆
值 )+0.11抗枯萎病+0.09抗黄萎病+0.10霜前花
率。同时, 根据国家棉花品种审定标准中品种类型
划分和各类型品种的加减分准则对综合选择指数的
分值进行校正和评分[24], 并在此基础上评价试验环
境的鉴别力与代表性, 从而构建了将性状权重分配
策略与国家棉花品种审定和品种评价目标相统一的
综合选择指数, 为我国长江流域棉区的棉花品种选
育提供了切实可行的育种环境选择方案, 也为其他
棉区和作物的类似研究树立了一个范例。
3.2 基于品种选择指数对理想试验筛选的影响
因素
GGE双标图分析方法可以针对品种选择的目标
性状, 对试验环境的鉴别力和代表性进行有效的统
计分析和直观评价[21]。试验环境对品种的鉴别能力
和对目标环境的代表性受到多种因素的影响, 这些
影响因子可能是静态的, 也可能是动态的; 可能是
可预知的, 也可能是不可预知的, 因而对试验环境
的综合评价也需要建立在对多年多环境品种试验
数据分析的基础上, 并考虑试验环境的地理和生态
等多种可能的影响因子, 才能给出对试验环境的科
学评价 [10]。针对单一性状或复合性状选择和改良而
确定的理想试验环境可为育种家提供高效的生态育
种环境平台, 而对理想或不理想试验环境的地理的
或生态的关联因素进行分析, 则可为更广义的试验
环境选择提供推断依据[31]。在同一个目标生态区中,
对理想试验环境的筛选也会因选择的目标性状不同
而存在差异。本研究以综合品种选择指数为选择目
标, 综合考虑了早熟性、丰产性、纤维长度、纤维
比强度、马克隆值和抗病性等指标, 各性状所采用
的权重也与国家棉花品种审定标准相一致, 因而基
于该选择指数的试验环境评价也是最具针对性和实
用性的。研究结果表明, 湖北黄冈和江苏南京是最
理想的试验环境, 也是针对我国品种审定标准的品
种普适性育种最有效的试验环境; 湖北荆州、湖北
武汉和江苏盐城也是理想的试验环境; 安徽安庆、
江西九江、湖南岳阳、江苏南通和浙江慈溪的理想
度一般; 而河南南阳、湖北襄阳、湖南常德、四川
简阳和四川射洪试验环境总体来说不适合作为针对
整个长江流域的品种多性状综合选择。四川简阳和
四川射洪试验环境位于长江流域最西边的四川盆地
1944 作 物 学 报 第 40卷

内, 而四川盆地棉花的熟期明显比长江中下游试验
环境早, 棉花的生长条件与中下游环境差异较大。
河南南阳和湖北襄阳位于长江流域棉区北缘的南襄
盆地棉区, 该区域霜期早、晚秋降温快。湖南常德
试验环境位于长江流域的中游棉区, 其代表性较差
的原因可能与该试点习惯于采用“稀植大株”的栽培
方式有关, 种植密度显著低于其他试验环境(表 1)。
在类似研究报道中, 美国路易斯安那州区域试验中
唯一非灌溉区的试点温斯伯勒(Winnsboro)[11]和西班
牙棉花区试数据分析中海拔最高而且土壤类型特殊
的试点卡尔莫纳(Carmona)[10]也被鉴定为不理想试
点, 这说明环境因子虽然很难直接解释试验环境的
鉴别力和代表性, 但对试验环境的理想度评价确实
起到非常重要的作用, 对环境因子与试验环境理想
度之间的关联性和可能存在的函数关系仍需要进行
深入研究和探索。
4 结论
依据国家棉花品种审定标准的品种评价方法 ,
赋予早熟性、丰产性、纤维长度、比强度、马克隆
值和抗病性等目标性状相应的权重系数, 构建针对
性和实用性强的品种综合选择指数, 即 SI = 0.40×皮
棉产量+0.13纤维比强度+0.09 (纤维长度+马克隆
值 )+0.11抗枯萎病+0.09抗黄萎病+0.10霜前花
率。基于该品种综合选择指数和 HA-GGE双标图方
法将长江流域棉花区域试验中的湖北黄冈和江苏南
京试验环境评价为最理想的试验环境, 湖北荆州、
湖北武汉和江苏盐城为理想的试验环境, 而河南南
阳、湖北襄阳、湖南常德、四川简阳和四川射洪试
验环境为不理想试验环境。理想的试验环境均位于
长江流域的中下游棉区, 而试验环境不理想的原因
是位于上游的四川盆地, 或北缘的南襄盆地, 或由
于采用“稀植大株”的栽培方式。
References
[1] Gauch H G, Zobel R W. Identifying mega-environments and tar-
geting genotypes. Crop Sci, 1997, 37: 311–326
[2] Cooper M, Woodruff D R, Eisemann R L, Brennan P S, Delacy I
H. A selection strategy to accommodate genotype-by-environ-
ment interaction for grain yield of wheat: managed-environments
for selection among genotypes. Theor Appl Genet, 1995, 90:
492–502
[3] Heslot N, Akdemir D, Sorrells M E, Jannink J. Integrating envi-
ronmental covariates and crop modeling into the genomic selec-
tion framework to predict genotype by environment interactions.
Theor Appl Genet, 2014, 127: 463–480
[4] Ramburan S. A multivariate illustration and interpretation of
non-repeatable genotype × environment interactions in sugarcane.
Field Crops Res, 2014, 157: 57–64
[5] 严威凯. 双标图分析在农作物品种多点试验中的应用. 作物
学报, 2010, 36: 1805–1819
Yan W K. Optimal use of biplots in analysis of multi-location va-
riety test data. Acta Agron Sin, 2010, 36: 1805–1819 (in Chinese
with English abstract)
[6] Badu-Apraku B, Oyekunle M, Menkir A, Obeng-Antwi K, Yallou
C G, Usman I S, Alidu H. Comparative performance of early-
maturing maize cultivars developed in three eras under drought
stress and well-watered environments in West Africa. Crop Sci,
2013, 53: 1298–1311
[7] Badu-Apraku B, Akinwale R O, Obeng-Antwi K, Haruna A,
Kanton R, Usman I, Ado S G, Coulibaly N, Yallou G C, Oyekunle
M. Assessing the representativeness and repeatability of testing
sites for drought-tolerant maize in West Africa. Can J Plant Sci,
2013, 93: 699–714
[8] Yan W K, Pageau D, Fregeau-Reid J, Durand J. Assessing the
representativeness and repeatability of test locations for genotype
evaluation. Crop Sci, 2011, 51: 1603–1610
[9] Mohammadi R, Amri A. Analysis of genotype × environment in-
teractions for grain yield in durum wheat. Crop Sci, 49:
1177–1186
[10] Baxevanos D, Goulas C, Rossi J, Braojos E. Separation of cotton
cultivar testing sites based on representativeness and discrimi-
nating ability using GGE biplots. Agron J, 2008, 100: 1230–1236
[11] Blanche S B, Myers G O. Identifying discriminating locations for
cultivar selection in Louisiana. Crop Sci, 2006, 46: 946–949
[12] Ober E S, Bloa M L, Clark C J A, Royal A, Jaggard K W, Pid-
geon J D. Evaluation of physiological traits as indirect selection
criteria for drought tolerance in sugar beet. Field Crops Res, 2005,
91: 231–249
[13] Yan W K. GGE biplot: a windows application for graphical
analysis of multienvironment trial data and other types of
two-way data. Agron J, 2001, 93: 1111–1118
[14] Yan W K, Kang M S. GGE biplot analysis: a graphical tool for
breeders, geneticists, and agronomists. Boca Raton, London, New
York, Washington D.C.: CRC Press, 2003
[15] 罗俊, 张华, 邓祖湖, 许莉萍, 徐良年, 袁照年, 阙友雄. 应用
GGE 双标图分析甘蔗品种(系)的产量和品质性状. 作物学报,
2013, 39: 142–152
Luo J, Zhang H, Deng Z H, Xu L P, Xu L N, Yuan Z N, Que Y X.
Analysis of yield and quality traits in sugarcane varieties (lines)
with GGE-biplot. Acta Agron Sin, 2013, 39: 142–152 (in Chinese
with English abstract)
[16] 张志芬, 付晓峰, 刘俊青, 杨海顺. 用GGE双标图分析燕麦区
域试验品系产量稳定性及试点代表性. 作物学报, 2010, 36:
1377–1385
Zhang Z F, Fu X F, Liu J Q, Yang H S. Yield stability and testing-
site representativeness in national regional trials for oat lines
based on GGE-biplot analysis. Acta Agron Sin, 2010, 36:
1377–1385 (in Chinese with English abstract)
[17] Jamshidmoghaddam M, Pourdad S S. Genotype × environment
interactions for seed yield in rainfed winter safflower (Carthamus
tinctorius L.) multi-environment trials in Iran. Euphytica, 2013,
第 11期 许乃银等: 棉花区试中品种多性状选择的理想试验环境鉴别 1945


190: 357–369
[18] Flores F, Hybl M, Knudsen J C, Marget P, Muel F, Nadal S,
Narits L, Raffiot B, Sass O, Solis I, Winkler J, Stoddard F L,
Rubiales D. Adaptation of spring faba bean types across
European climates. Field Crops Res, 2013, 145: 1–9
[19] Amira J O, Ojo D K, Ariyo O J, Oduwaye O A, Ayo-Vaughan M
A. Relative discriminating powers of GGE and AMMI models in
the selection of tropical soybean genotypes. Afr Crop Sci J, 2013,
21: 67–73
[20] Farshadfar E, Mohammadi R, Aghaee M, Vaisi Z. GGE biplot
analysis of genotype × environment interaction in wheat-barley
disomic addition lines. Aust J Crop Sci, 2012, 6: 1074–1079
[21] Yan W K. GGE Biplot vs. AMMI graphs for genotpe-by-environment
data analysis. J Ind Soc Agric Stat, 2011, 65: 181–193
[22] Glaz B, Kang M S. Location contributions determined via GGE
biplot analysis of multienvironment sugarcane genotype-
performance trials. Crop Sci, 2008, 48: 941–950
[23] 许乃银, 李健, 张国伟, 周治国. 基于 HA-GGE双标图的长江
流域棉花区域试验环境评价. 作物学报, 2012, 38: 2229–2236
Xu N Y, Li J, Zhang G W, Zhou Z G. Evaluation of cotton
regional trial environments based on HA-GGE biplot in the
Yangtze River Valley. Acta Agron Sin, 2012, 38: 2229–2236 (in
Chinese with English abstract)
[24] 中华人民共和国农业部. 农作物品种审定规范棉花. 北京: 中
国农业出版社, 2007
Ministry of Agriculture, China. Standards of Registration for Cotton
Varieties. Beijing: China Agriculture Press, 2007 (in Chinese)
[25] Yan W K, Holland J B. A heritability-adjusted GGE biplot for test
environment evaluation. Euphytica, 2010, 171: 355–369
[26] 许乃银, 李健. 利用 GGE 双标图划分长江流域棉花纤维品质
生态区. 作物学报, 2014, 40: 866–873
Xu N Y, Li J. Ecological regionalization of cotton fiber quality
based on GGE biplot in Yangtze River Valley. Acta Agron Sin,
2014, 40: 866–873 (in Chinese with English abstract)
[27] Anothai J, Patanothai A, Pannangpetch K, Jogloy S, Boote K J,
Hoogenboom G. Multi-environment evaluation of peanut lines by
model simulation with the cultivar coefficients derived from a
reduced set of observed field data. Field Crops Res, 2009, 110:
111–122
[28] Yan W K. Singular-value partioning in biplot analysis of multien-
vironment trial data. Agron J, 2002, 94: 990–996
[29] 许乃银, 李健, 张国伟, 周治国. 基于GGE双标图和马克隆值
选择的棉花区域试验环境评价. 中国生态农业学报, 2013, 21:
1241–1248
Xu N Y, Li J, Zhang G W, Zhou Z G. Evaluation of regional cot-
ton trial environments based on cotton fiber micron-aire selection
by using GGE biplot analysis. Chin J Eco-Agric, 2013, 21:
1241–1248 (in Chinese with English abstract)
[30] 汤飞宇, 程锦, 黄文新, 莫旺成, 肖文俊. 陆地棉高品质系数
量性状的遗传变异与选择指数. 棉花学报, 2009, 21: 361–365
Tang F Y, Cheng J, Huang W X, Mo W C, Xiao W J. Genetic
variation and selection indices of quantitative traits in upland
cotton (Gossypium hirsutum L.) lines with high fiber quality.
Cotton Sci, 2009, 21: 361–365 (in Chinese with English ab-
stract)
[31] Yan W K, Hunt L A. Interpretation of genotype × environment
interaction for winter wheat yield in Ontario. Crop Sci, 2001, 41:
19–25