全 文 ：作物学报 ACTA AGRONOMICA SINICA 2012, 38(12): 2229−2236 http://www.chinacrops.org/zwxb/
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 (2012ZX08013015-003, 2012ZX08013016-003)和农业部农作物区域试验项目
(012022911108)资助。
* 通讯作者(Corresponding author): 周治国, E-mail: giscott@njau.edu.cn, Tel: 025-84396813
第一作者联系方式: E-mail: naiyin@jaas.ac.cn, Tel: 025-84390365
Received(收稿日期): 2012-04-19; Accepted(接受日期): 2012-08-15; Published online(网络出版日期): 2012-10-10.
URL: http://www.cnki.net/kcms/detail/11.1809.S.20121010.1625.001.html
DOI: 10.3724/SP.J.1006.2012.02229
基于 HA-GGE双标图的长江流域棉花区域试验环境评价
许乃银 1,2 张国伟 2 李 健 2 周治国 1,*
1 南京农业大学 / 农业部作物生长调控重点开放实验室, 江苏南京 210095; 2 江苏省农业科学院 / 农业部长江下游棉花和油菜重点
实验室, 江苏南京 210014
摘 要: 采用遗传力校正的 GGE (HA-GGE)双标图方法对 2000—2010年间 27个独立的长江流域棉花品种区域试验
的 15个试验环境(试验点)在皮棉产量选择上的鉴别力、代表性、理想指数和离优度指数进行分析和综合评价。结果
表明, 湖北黄冈、江苏南京和湖北荆州是最理想的试验环境, 对以长江流域为目标环境的广适性新品种选育和作为区
域试验点鉴别理想品种的效率最高, 而四川射洪、四川简阳、湖北襄阳和河南南阳不适宜作为针对长江流域的新品
种选择与推荐环境。理想试验环境都位于长江流域除南襄盆地以外的中下游棉区, 而不理想试验环境中的四川射洪
和四川简阳位于长江流域棉区最西边的品种熟期较早且种植密度较高的四川盆地棉区, 河南南阳和湖北襄阳位于长
江流域棉区最北边, 与黄河流域棉区接壤, 霜期较早且晚秋降温快的南襄盆地棉区。本研究充分展示了 HA-GGE 双
标图在区域试验环境评价方面的应用效果, 也为长江流域棉花品种生态区划分和国家棉花区试方案的决策提供了理
论依据。
关键词: 棉花(Gossypium hirsutum L.); HA-GGE双标图; 鉴别力; 代表性; 区域试验环境
Evaluation of Cotton Regional Trial Environments Based on HA-GGE Biplot in
the Yangtze River Valley
XU Nai-Yin1,2, ZHANG Guo-Wei2, LI Jian2, and ZHOU Zhi-Guo1,*
1 Nanjing Agricultural University / Key Laboratory of Crop Growth Regulation, Ministry of Agriculture, Nanjing 210095, China; 2 Jiangsu Academy
of Agricultural Sciences / Key Laboratory of Cotton and Rapeseed, Ministry of Agriculture, Nanjing 210014, China
Abstract: The latest heritability adjusted GGE (HA-GGE) biplot analysis was adopted to evaluate cotton regional trial environ-
ments (trial locations) in terms of the discriminating ability, representative ability, desirability index and superiority index for
cotton lint yield selection in 27 independent sets of cotton variety trials in the Yangtze River Valley during 2000–2010 periods.
The results showed that Huanggang, Nanjing and Jinzhou were the most ideal trial environments and therefore were the most
effective locations for developing and/or recommending cultivars for broad adaptation selection in the target region. However,
Shehong, Jianyang, Xiangyang and Nanyang were not desirable for cotton lint yield selection in the whole regions. The desirable
test environments were all located in the middle and lower reaches of the Yangtze River Valley, while among the undesirable test
environments Nanyang and Xiangyang were located at the inland Nan-Xiang Basin bordering with the Yellow River Valley in the
north, where the first frost came early and temperature declined sharply in the late autumn, and Shehong and Jianyang were lo-
cated at the mountainous Sichuan Basin in the west area, where cotton planting density was higher and cotton matured earlier.
Therefore, this article fully displayed the HA-GGE biplot application efficiency in regional trial environment evaluation and also
provided the theory background for the decision-making in national cotton scheme implementation and cotton megaenvironment
investigation in the Yangtze River Valley.
Keywords: Cotton (Gossypium hirsutum L.); Heritability adjusted GGE biplot; Discriminating ability; Representative ability;
Regional trial environment
2230 作 物 学 报 第 38卷

长江流域棉区地域辽阔, 在我国棉花生产中占
重要地位, 而科学评价和筛选鉴别力和代表性强的
理想试验环境作为试验点, 是保证长江流域棉花区
域试验客观、公正和高效的重要前提。相同的棉花
基因型在本流域不同生态区的种植表现差异明显 ,
存在着显著的基因型与环境交互作用[1-2], 所以在品
种选择和评价中必须重视并研究应用基因型与环境
互作效应。AMMI 模型近年来在作物基因型与环境
互作效应分析中的应用较为广泛[3-9], 但由于其只对
抽象的基因型与环境互作效应分析而忽视了基因型
主效的作用[10], 对品种的评价不够全面, 也不适宜
作为试验环境评价的依据[11]。Yan 等[12]提出了将基
因型主效与基因型与环境互作效应相结合, 从而形
成了基因型主效加基因型与环境互作效应模型
(genotype main effects plus genotype by environment
interaction effect model, GGE)的观点, 并与双标图技
术相互耦合, 推出了集统计分析与图形展示为一体的
GGE Biplot Explorer 软件[13-14], 为品种区域试验中试
验环境对基因型遗传差异的鉴别力、对目标环境的代
表性以及综合理想度评价提供了有效工具[15-20]。
目前, GGE 双标图作为探索和研究作物基因型
与环境交互作用模式的重要方法, 已经在试验环境
评价方面有了较为广泛地应用基础[6,10,14,20-24], 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[25]首次将 GGE 双标图
应用于 1993—2003年美国路易斯安那州的棉花区
域试验 , 但其只对所包含的 6个试点进行了理想度
排序。Baxevanos 等[16]在分析 1999—2006 年 Delta
和 Pine公司在西班牙安排的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。Yan和Holland [15]
最近提出了将双标图的图形参数与经典数量遗传学
参数结合在一起的遗传力平方根校正的 GGE 双标
图(HA-GGE)方法 , 但还没有在大规模作物区域试
验环境评价中应用和报道。本研究采用 HA-GGE双
标图分析长江流域棉区 15 个试验环境在 2000—2010
年期间 27组独立的区域试验中的鉴别力、代表性和
理想指数, 对试验环境进行综合评价, 为棉花区域
试验中理想试验环境筛选和提高棉花区域试验效率
提供了理论依据和决策支持。
1 材料与方法
1.1 试验设计
2000—2010年期间长江流域棉花区域试验每年
在四川、湖南、湖北、江西、河南、江苏、安徽和
浙江等长江流域棉区各省市设置 18个试验点(即试
验环境, 下同)左右, 本研究选用其中 15个相对稳定
的试验环境, 其余试验环境因为经常变动未进行评
价。试验环境名称和缩写, 以及经度、纬度、海拔、
土壤类型和降雨量见表 1。每个试验点每年承担 1~4
组田间试验, 共 27 组试验(含 405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

表 1 2000–2010年长江流域棉花区试 15个试验环境因子
Table 1 Environmental factors of 15 locations of the Yangtze River Valley Scheme in 2000–2010
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
平均年降雨量
Precipitation (mm)
四川简阳 Jianyang, Sichuan JY 104°39′ 30°47′ 452 紫壤土 Purple loam 915
四川射洪 Shehong, Sichuan SH 105°31′ 30°09′ 330 沙壤土 Sandy loam 951
湖南常德 Changde, Hunan CD 111°69′ 29°05′ 37 黏壤土 Clay loam 1373
湖南岳阳 Yueyang, Hunan YY 113°09′ 29°37′ 52 红潮土 Red fluvo-aquic 1317
湖北黄冈 Huanggang, Hubei HG 114°87′ 30°44′ 31 潮土 Fluvo-aquic 1262
湖北荆州 Jingzhou, Hubei JZ 112°22′ 30°13′ 33 沙壤土 Sandy loam 1084
湖北武汉 Wuhan, Hubei WH 114°31′ 30°52′ 23 黏壤土 Clay loam 1100
湖北襄阳 Xiangfan, Hubei XF 112°14′ 30°02′ 69 黄褐土 Yellow-cinnamon 882
河南南阳 Nanyang, Henan NY 112°53′ 33°01′ 130 黑黏土 Smolmitza 827
江西九江 Jiujiang, Jiangxi JJ 115°97′ 29°71′ 32 黏壤土 Clay loam 1430
安徽安庆 Anqing, Anhui AQ 117°03′ 30°52′ 44 沙壤土 Sandy loam 1363
江苏南京 Nanjing, Jiangsu NJ 118°78′ 32°04′ 50 黄棕壤土 Yellow-brown 1106
江苏南通 Nantong, Jiangsu NT 120°86′ 32°01′ 5 沙壤土 Sandy loam 1120
江苏盐城 Yancheng, Jiangsu YC 120°13′ 33°38′ 2 沙壤土 Sandy loam 1061
浙江慈溪 Cixi, Zhejiang CX 121°23′ 30°18′ 7 沙壤土 Sandy loam 1244

第 12期 许乃银等: 基于 HA-GGE双标图的长江流域棉花区域试验环境评价 2231


0.80~1.10 m, 株距 0.30~0.40 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 B组试验, 余类推。
1.2 试验田间管理与考察指标
试验以营养钵育苗移栽方式为主。施用基肥 N、
P2O5和 K2O分别为 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
常每年治虫次数达 8 次左右, 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
件下的长势长相喷施适量化学调节剂 , 确保其稳
健生长。吐絮后分小区收获 , 收花截止日期为 11
月 20 日, 到期不再采收青铃。将各小区收获的籽
棉充分混匀后, 从中随机抽取 1 kg 籽棉, 在皮辊
机上轧花后用电子天平称量皮棉重量 , 计算皮棉
占籽棉重量的百分率, 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籽棉产量计
算皮棉产量。
1.3 统计分析方法
用统计软件包 SAS v.9.0 的广义线性模型程序
(PROC GLM)[26-27]分别对长江流域 27组区域试验皮
棉产量性状进行方差分析。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[28]。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[11,16,29]。采
用 HA-GGE 双标图分析方法[15]依次计算 15 个试验
环境在各组试验中的鉴别力、代表性和理想指数 ,
并根据 GGE 主成分得分计算 HA-GGE 双标图中试
验环境到“理想”试验环境的距离[13]。理想试验环境
指双标图中位于平均环境轴上且向量长度等于最长
试验环境向量的坐标点[13], 实际试验环境图标到理
想试验环境距离的标准化指数可称为离优度指数 ,
用以评价试验环境的理想程度, 数值越小则试验环
境的综合表现越好。参照 Baxevanos等[16]的方法, 将
各组试验中试验环境的评价指数标准化后, 再采用
LSD 法对试验环境间的差异进行多重比较, 从而综
合评价试验环境的鉴别力、代表性和理想指数。
2 结果与分析
2.1 皮棉产量的方差分析
表 2 表明, 在皮棉产量表型变异中, 试验环境
主效应(E)平均占处理总变异 SSTRMT的 75.3%, 变幅
为 54.2%~90.8%, 为表型变异的主要来源。基因型
与环境互作效应(GE)和基因型主效应(G)在各组试
验中均达到显著水平 , 平均分别占处理总变异
SSTRMT的 14.2%和 10.5%。基因型与环境互作效应
(GE)在 22 组试验中大于基因型主效应(G), 占试验
组数的 81.5%。由于各组试验的遗传力(h2)较高, 其
中 26 组试验的遗传力在 75%以上, 变幅为 75.7%~
95.9%, 只有试验“2008a”的遗传力较低(59.4%), 说
明长江流域棉花多环境品种试验总体上对皮棉产量
性状的选择和鉴别效果较好。
2.2 基于单组试验 HA-GGE 双标图的试验环境
评价
2.2.1 试验环境评价的 HA-GGE 双标图表达方式
理想的试验环境应当具有较强的鉴别力和对目
标环境的代表性。试验环境的评价需要对多组试验
进行 HA-GGE 双标图分析, 找出多次双标图分析中
的可重复模式和规律, 才能对试验环境做出准确可
靠的综合评价, 而单组试验数据的 HA-GGE 双标图
分析是多组试验分析的前提和基础。以基于 2000年
长江流域棉花区域试验皮棉产量选择的 HA-GGE 双标
图的“鉴别力与代表性”功能图为例(图 1), 图示 GGE

图 1 2000年长江流域棉花区域试验 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 in the national cotton regional trials in the
Yangtze River Valley in 2000
此图是基于环境中心化(Centering=2)、遗传力校正定标的品种与
环境两向表, 采用聚焦环境的特征值分析方法(SVP＝2)。试点代
号详见表 1, 代号前附上加号“+”, 以区分于品种代号。
The biplot is based on environment-centered (Centering=2) and
heritability adjusted scaled (Scaling=2) variety and environment
two way datasets, using environment-focused singular value
partitioning (SVP=2) method. The environment code is prefixed
with “+” to distinguish it from the variety code, and see Table 1 for
the detailed information of environment code.
2232 作 物 学 报 第 38卷

表 2 2000–2010年 27组长江流域棉花区域试验皮棉产量方差分析
Table 2 Variance analysis of lint cotton yield from 27 sets of multi-location trials in the Yangtze River Valley in 2000–2010
自由度 df 占 SSTRMT的百分率 Percent of SSTRMT (%) 试验
Trial G E GE E G GE
遗传力
Heritability (%) h2
2000 9 14 126 72.5** 11.9** 15.6** 89.0
2001 9 14 126 84.7** 5.6** 9.7** 84.8
2002 9 14 126 57.5** 31.2** 11.2** 95.9
2003a 7 14 98 84.2** 5.5* 10.3** 84.9
2003b 8 14 112 73.1** 16.8** 10.1** 93.5
2004a 8 14 112 69.5** 9.7** 20.8** 78.5
2004b 8 14 112 59.0** 15.3** 25.7** 83.9
2005a 9 14 126 80.3** 6.4** 13.3** 76.1
2005b 9 14 126 71.0** 13.5** 15.5** 88.8
2005c 9 14 126 79.7** 10.2** 10.1** 89.5
2006a 10 14 140 83.9** 6.9** 9.2** 85.1
2006b 9 14 126 85.6** 5.0* 9.4** 80.2
2006c 9 14 126 86.8** 4.5* 8.7** 79.5
2007a 9 14 126 60.6** 16.0** 23.4** 84.3
2007b 10 14 140 73.8** 13.8** 12.4** 90.1
2007c 9 14 126 54.2** 22.0** 23.8** 89.3
2008a 10 14 140 90.8** 2.0* 7.1** 59.4
2008b 10 14 140 82.3** 9.5** 8.2** 91.0
2008c 11 14 154 83.8** 6.4** 9.9** 83.9
2009a 10 14 140 75.6** 9.2** 15.2** 83.0
2009b 10 14 140 66.1** 13.2** 20.7** 81.7
2009c 9 14 126 81.7** 5.3* 13.0** 78.9
2009d 9 14 126 84.9** 5.0* 10.1** 81.8
2010a 9 14 126 79.7** 6.3** 14.1** 79.3
2010b 9 14 126 69.3** 14.6** 16.1** 88.9
2010c 9 14 126 73.0** 10.8** 16.2** 84.8
2010d 9 14 126 69.7** 7.1** 23.2** 75.7
G、E、GE分别代表基因型主效、试验点主效、试验点与基因型互作效应。各组试验皮棉产量方差分析结果中试验点主效、基因型主效、
试验点与基因型互作效应均达到 F测验的显著水平。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 a、b、c、
d等小写字母以示区别, 如“2007b”表示 2007年实施的第 2套区试。
G, E, and GE stand for genotype main effect, environmental main effect, and environment by genotype interaction, respectively. The F-values of
G, GE, and E effects are significant at 0.05 level in all datasets. The trial dataset is named as its implementing year with suffixing an ordinal small
letter a, b, c, d, etc. to distinguish. e.g. “2007b” stands for the second set of trial implemented in 2007, and so on.

双标图对试点环境的代表性和鉴别力的表达方法 ,
并将其余 26组试验的HA-GGE双标图(略)探索的试
验环境代表性与鉴别力评价参数列于表 3。图 1 中
的小圆圈代表“平均环境”, 即各试验环境坐标的平
均值。带箭头的直线通过双标图的原点和平均环境
点称为平均环境向量或平均环境轴 (average envi-
ronment cordinate)[11,13]。各试验环境向量的长度及其
与平均环境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, 安庆(AQ)、襄阳(XF)、
南通(NT)和南阳(NY)等试验环境的鉴别力强, 而九
江(JJ)、射洪(SH)、常德(CD)等试验环境的鉴别力弱。
南通(NT)、慈溪(CX)、荆州(JZ)等试验环境与平均
环境轴的夹角小, 对目标环境的代表性最好; 而射
洪(SH)、简阳(JY)、南阳(NY)和襄阳(XF)等试点的
代表性差。
2.2.2 试验环境的评价参数 为了更精确地评价
试验环境, HA-GGE 双标图中试验环境的鉴别力评
价参数用近似等于试验环境向量长度的遗传力平方
根( H )表示, 代表性评价参数用近似等于试验环境

第 12期 许乃银等: 基于 HA-GGE双标图的长江流域棉花区域试验环境评价 2233


表 3 基于皮棉产量选择的长江流域国家棉花区域试验环境标准化评价参数(2000–2010)
Table 3 Standardized trial location evaluation parameters based on the purpose of cotton lint yield selection in the national cotton
trials in the Yangtze River Valley (2000–2010)
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
安庆 AQ 0.999±0.16 bc 0.903±0.13 a 0.901±0.19 abc 0.737±0.33 cd
常德 CD 1.004±0.26 bc 0.889±0.12 a 0.899±0.24 abc 0.888±0.37 cd
慈溪 CX 0.997±0.21 bc 0.920±0.10 a 0.918±0.22 ab 0.742±0.40 cd
黄冈 HG 1.031±0.22 ab 0.946±0.06 a 0.976±0.22 a 0.657±0.36 d
九江 JJ 0.937±0.25 d 0.901±0.15 a 0.857±0.29 bc 0.765±0.40 cd
简阳 JY 0.998±0.22 bc 0.437±0.40 d 0.476±0.42 e 1.679±0.44 ab
荆州 JZ 1.034±0.17 ab 0.917±0.10 a 0.941±0.16 ab 0.786±0.35 cd
南京 NJ 1.050±0.15 ab 0.928±0.10 a 0.972±0.17 a 0.659±0.32 d
南通 NT 1.071±0.16 a 0.783±0.27 b 0.845±0.33 bc 0.933±0.60 c
南阳 NY 1.049±0.14 ab 0.405±0.51 d 0.445±0.51 e 1.797±0.53 a
射洪 SH 1.024±0.18 ab 0.589±0.30 c 0.619±0.33 d 1.497±0.41 b
武汉 WH 0.953±0.25 cd 0.913±0.11 a 0.863±0.23 bc 0.816±0.41 cd
襄阳 XF 0.995±0.18 bcd 0.636±0.23 c 0.646±0.29 d 1.476±0.45 b
盐城 YC 0.991±0.19 bcd 0.942±0.08 a 0.932±0.19 ab 0.672±0.32 d
岳阳 YY 0.867±0.23 e 0.907±0.11 a 0.795±0.24 c 0.898±0.31 cd
同一列中标有相同小写字母的数据在 5%水平上差异不显著。SD为相应评价指数的试验组间标准差。
The values followed by common letters in the same column for locations are not significantly different at 5% probability level. SD
stands for standard deviations of the corresponding location evaluation parameters among trials.

向量与平均环境轴夹角的余弦值的遗传相关系数(r)
表示, 而试验环境的理想指数用等于试验环境向量
在平均环境轴上的垂直投影长度的遗传力平方根与
遗传相关系数的乘积(r H )表示, 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。2000年长江流域国家棉花区域试验环境评价
参数列于表 4, 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

表 4 2000年长江流域国家棉花区域试验环境评价参数
Table 4 Standardized trial location evaluation parameters based on the purpose of cotton lint yield selection, YaRV national cotton
trials scheme 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
安庆 AQ 1.494 0.919 1.374 0.698
常德 CD 0.981 0.945 0.927 0.811
慈溪 CX 1.309 0.999 1.307 0.306
黄冈 HG 1.316 0.891 1.173 0.954
九江 JJ 0.699 0.970 0.679 1.067
简阳 JY 1.371 0.384 0.526 1.998
荆州 JZ 1.273 0.992 1.263 0.330
南京 NJ 1.297 0.925 1.199 0.819
南通 NT 1.455 1.000 1.455 0.110
南阳 NY 1.434 0.609 0.873 1.756
射洪 SH 0.926 –0.409 –0.379 2.628
武汉 WH 1.387 0.968 1.343 0.414
襄阳 XF 1.475 0.682 1.006 1.607
盐城 YC 1.067 0.830 0.886 1.164
岳阳 YY 1.380 0.979 1.352 0.338

2234 作 物 学 报 第 38卷

指数和离优度指数对试验环境的综合评价优劣排序
略有差异, 由于理想指数与离优度指数相比存在较
大的近似误差, 所以依据离优度指数的排序更可靠,
即南通>慈溪>荆州>岳阳>武汉>安庆>常德>南京>
黄冈>九江>盐城>襄阳>南阳>简阳>射洪。其余 26
组试验基于皮棉产量选择和 HA-GGE双标图的试验
环境评价参数列于表 3。
2.3 基于多组试验 HA-GGE 双标图的试验环境
评价
采用 HA-GGE 双标图分别对 2000—2010 年期
间 27 组长江流域棉花区域试验中试验环境的鉴别
力、代表性、理想指数、离优度指数进行分析, 并
对数据进行标准化和综合评价(表 3)。
2.3.1 试验环境鉴别力评价 根据各试验环境对
基因型皮棉产量差异的鉴别力(表 3), 可将各试验环
境划分为如下类型: (1)最强鉴别力试验环境, 即南
通试验环境, 列各试验环境的第 1 名; (2)强鉴别力
试验环境, 包括南京、南阳、荆州、黄冈和射洪试
验环境, 其鉴别力依次列于南通试验环境之后, 但
与南通试验环境间的差异未达显著水平; (3)较强鉴
别力试验环境, 包括常德、安庆、简阳、慈溪、襄
阳和盐城, 依次列于强鉴别力试验环境之后, 差异
不显著, 但与南通试验环境间的差异达到显著水平;
(4)弱鉴别力试验环境, 包括武汉、九江和岳阳试验
环境, 其中岳阳试验环境的鉴别力显著差于其余试
验环境。各试验环境对皮棉产量差异的鉴别能力强
弱依次为南通>南京>南阳>荆州>黄冈>射洪>常德>
安庆>简阳>慈溪>襄阳>盐城>武汉>九江>岳阳。
2.3.2 试验环境代表性评价 表 4 表明, 包括黄
冈、盐城、南京、慈溪、荆州、武汉、岳阳、安庆、
九江和常德试验环境在内的大部分试验环境对长江
流域目标环境的代表性强, 而且彼此间差异不显著,
说明整个长江流域棉区总体上生态同质性较好, 试
验结果的针对性和代表性强。但是南通的代表性一
般, 襄阳、射洪、简阳和南阳试验环境代表性较差,
说明目标环境中还是存在部分特殊生态区, 还需要
改良试验方案和品种推荐策略。基于皮棉产量选择
对目标环境的代表性优劣依次为黄冈>盐城>南京>
慈溪>荆州>武汉>岳阳>安庆>九江>常德>南通>襄
阳>射洪>简阳>南阳。
2.3.3 试验环境理想指数评价 基于各试验环境
鉴别力和代表性而得出的品种理想指数是综合评价
和选择理想试验环境的重要依据。根据各试验环境
的理想指数(表 4)可以将试验环境划分为: (1)最理想
试验环境, 包括黄冈和南京试验环境, 居各试验环
境的前两名, 而且相互差异不显著; (2)理想试验环
境, 包括荆州、盐城、慈溪、安庆和常德试验环境, 与
最理想试验环境存在一定差异但未达显著水平; (3)
较理想试验环境, 包括武汉、九江、南通和岳阳, 与
最理想试验差异显著, 但相互间差异不显著; (4)不
理想试验环境, 包括襄阳、射洪、简阳和南阳, 与其
余试验环境间的差异均达到显著水平。各试验环境
基于皮棉产量选择的综合理想指数为黄冈>南京>荆
州>盐城>慈溪>安庆>常德>武汉>九江>南通>岳阳>
襄阳>射洪>简阳>南阳。
2.3.4 试验环境离优度指数评价 试验环境的离
优度指数是指在 HA-GGE 双标图中试验环境距“理
想”试验环境的欧氏距离 , 距离越短表示试验环境
越接近于最理想的试验环境。基于各试验环境离优
度指数可以将试验环境划分为(表 3): (1)最理想试验
环境, 包括黄冈、南京、盐城试验环境, 居各试验环
境的前 3名, 而且相互之间差异不显著 ; (2)理想试
验环境, 包括安庆、慈溪、九江、荆州、武汉、常
德、岳阳, 与最理想试验环境存在一定差异, 但未达
显著水平; (3)较理想试验环境为南通, 与最理想试
验差异显著, 但相互间差异不显著; (4)不理想试验
环境, 包括襄阳、射洪、简阳和南阳, 与其余试验环
境间的差异均达到显著水平。各试验环境基于皮棉
产量选择的离优度指数优劣次序为黄冈>南京>盐城
>安庆>慈溪>九江>荆州>武汉>常德>岳阳>南通>襄
阳>射洪>简阳>南阳。
3 讨论
农作物区域试验中的试验环境评价主要是依据
其针对品种选择的目的性状对基因型差异的鉴别能
力、对目标区域或环境的代表性以及由鉴别力和代
表性组成的试点理想度指数而进行的综合评价。
GGE 模型克服了 AMMI 模型忽视基因型主效而抽
象研究GE效应的缺点, 在综合考虑G和GE效应的
基础上进行品种评价和试验环境评价, 拓宽了 GE
效应研究的范畴, 从而增强了评价结果的实际应用
价值。HA-GGE 双标图的图形参数是唯一与传统数
量遗传学参数有直接关系的, 也是应用区域试验数
据进行试验环境评价和理想试点筛选的最有效的工
具[11]。当然, 在GGE双标图中某试验环境图标到“理
想”试验环境图标的欧氏距离 , 表示试验环境的理
第 12期 许乃银等: 基于 HA-GGE双标图的长江流域棉花区域试验环境评价 2235


想程度, 而在 HA-GGE 双标图中可以用遗传相关系
数及遗传力的平方根的乘积(r H )近似表达, 也等于
试验环境向量在平均环境轴上的垂直投影的长度[15]。
试验环境对品种的鉴别能力和代表性受到多种因素
的影响 , 影响因子可能是静态的(如土壤类型), 也
可能是动态的(如害虫的发生情况等), 可能是可预
知的(如排灌、施肥、种植密度或栽培方式等), 也可
能是不可预知的(如降雨量、光照、温度和湿度等),
因而在对多年多环境品种试验数据分析的基础上 ,
才能给出对试验环境的科学评价[16]。试验环境的代
表性是某个试验环境中的品种表现与在目标环境所
有试验环境中的平均表现的相似程度。没有鉴别力
的试验环境是无用的, 有鉴别力但没有代表性的试
验环境可用于育种早期阶段的株行或株系筛选与淘
汰不良品种[11,16]。本研究基于皮棉产量性状选择条
件下对试验环境的鉴别力、代表性、理想指数、离
优度指数等指标详实地研究分析, 以综合评价试验
环境的理想程度。南通和南阳的鉴别力强, 而代表
性偏弱, 可作为棉花产量育种的前期筛选环境。盐
城的代表性好, 而鉴别力一般, 可作为区域试验点
和棉花产量育种的品种比较试验环境。理想的试验
环境需要同时具有鉴别力和代表性, 综合各试验环
境的综合表现, 黄冈、荆州和南京是长江流域棉花
区域试验的理想试验环境, 也是针对全流域广适性
品种选择最有效的育种环境, 而南襄盆地的襄阳和
南阳、四川盆地棉区的射洪和简阳试验环境对产量
选择均不理想, 不适宜作为面向整个长江流域棉区
的育种环境, 但可能对其所在品种生态区的特殊适
应性品种选择更有效。
4 结论
基于皮棉产量选择和 HA-GGE双标图分析将对
长江流域棉花区域试验的试验环境中的黄冈、南京
和荆州试验环境评价为“最理想”试验环境, 盐城、慈
溪、安庆和常德为“理想”试验环境, 武汉、九江和岳
阳为“较理想”试验环境, 而襄阳、射洪、简阳和南阳
为“不理想”试验环境。试验环境的代表性可能与试
验环境所处的地理位置及特殊的气候特征有关, 理
想试验环境都位于长江流域的中下游棉区, 而不理
想试验环境中的射洪和简阳试验环境位于最西边
的、品种熟期较早、且种植密度较高的四川盆地棉
区, 南阳和襄阳试验环境位于长江流域棉区最北边
霜期较早且晚秋降温快的南襄盆地棉区。
References
[1] Jacksen R C, Van Ooijen J W, Stam P, Listen C, Dean D. Geno-
type by environment interaction in genetic mapping of multiple
quantitatice trait loci. Theor Appl Genet, 1995, 91: 33–37
[2] Patterson A H, Damon S, Hewitt J D, Zamir H D. Mendelian
factors underlying quantitative traits in tomato: comparison
across species, generations and environments. Genetics, 1991,
127: 181–197
[3] Rodriguez M, Rau D, Papa R. Genotype by environment interac-
tions in barley (Hordeum vulgare L.): different responses of
landraces, recombinant inbred lines and varieties to Mediterra-
nean environment. Euphytica, 2008, 163: 231–247
[4] Culman S W, Gauch H G, Blackwood C B, Thies J E. Analysis
of T-RFLP data using analysis of variance and ordination meth-
ods A comparative study. J Microbiol Methods, 2008, 75: 55–63
[5] Egesi C N, Ilona P, Ogbe F O, Akoroda M, Dixon A. Genetic
variation and genotype × environment interaction for yield and
other agronomic traits in cassava in Nigeria. Agron J, 2007, 99:
1137–1142
[6] Yan W, Kang M S, Ma B, Woods S, Cornelius P L. GGE Biplot
vs. AMMI analysis of genotype-by-environment data. Crop Sci,
2007, 47: 643–653
[7] Baxevanos D, Goulas C, Tzortzios S, Mavromatis A. Interrela-
tionship among and repeatability of seven stability indices esti-
mated from commercial cotton (Gossypium hirsutum L.) variety
evaluation trials in three Mediterranean countries. Euphytica,
2008, 161: 371–382
[8] Gauch H G. Statistical analysis of yield trials by AMMI and
GGE. Crop Sci, 2006, 46: 1488–1500
[9] Chang L(常磊), Chai S-X(柴守玺). Application of AMMI model
in the stability analysis of spring wheat in rainfed areas. Acta
Ecol Sin (生态学报), 2006, 26(11): 3677–3684 (in Chinese with
English abstract)
[10] Yan W. GGE Biplot vs. AMMI graphs for genotpe-by-environ-
ment data analysis. J Ind Sco Agric Statist, 2011, 65: 1–10
[11] Yan W-K(严威凯 ). Optimal use of biplots in analysis of
multi-location variety test data. Acta Agron Sin (作物学报), 2010,
36(11): 1805–1819 (in Chinese with English abstract)
[12] Yan W, Hunt L A, Sheng Q, Szlavnics Z. Cultivar evaluation and
mega-environment investigation based on the GGE biplot. Crop
Sci, 2000, 40: 597–605
[13] Yan W. GGEbiplot–a Windows application for graphical analysis
of multienvironment trial data and other types of two-way data.
Agron J, 2001, 93: 1111–1118
2236 作 物 学 报 第 38卷

[14] Yan W, Kang M S. GGE biplot analysis: a graphical tool for
breeders, geneticists, and agronomists. Boca Raton, FL: CRC
Press, 2003
[15] Yan W, Holland J B. A heritability-adjusted GGE biplot for test
environment evaluation. Euphytica, 2010, 171: 355–369
[16] 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
[17] Cravero V, Espósito M A, Anido F L, García S M, Cointry E.
Identification of an ideal test environment for asparagus evalua-
tion by GGE-biplot analysis. Aust J Crop Sci, 2010, 4: 273–277
[18] Chang L(常磊), Chai S-X(柴守玺). Application of GGE biplot in
spring wheat yield stability analysis in rainfed areas of China.
Chin J Eco-Agric (中国生态农业学报), 2010, 18(5): 988–994
(in Chinese with English abstract)
[19] Yan W-K(严威凯), Sheng Q-L(盛庆来), Hu Y-G(胡跃高), Hunt
L A. GGE biplot: an ideal tool for studying genotype by envi-
ronment interaction of regional yield trial data. Acta Agron Sin
(作物学报), 2001, 27(1): 21–28 (in Chinese with English ab-
stract)
[20] Zhang Z-F(张志芬), Fu X-F(付晓峰), Liu J-Q(刘俊青), Yang
H-S(杨海顺). Yield stability and testing-site representativeness
in national regional trials for oat lines based on GGE-biplot
analysis. Acta Agron Sin (作物学报), 2010, 36(8): 1377–1385 (in
Chinese with English abstract)
[21] Bhan M K, Pal S, Rao B L, Dhar A K, Kang M S. GGE biplot
analysis of oil yield in lemongrass. J New Seeds, 2005, 7:
127–139
[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] Samonte S O P, Wilson L T, McClung A M, Medley J C. Tar-
geting cultivars onto rice growing environments using AMMI
and SREG GGE biplot analyses. Crop Sci, 2005, 45: 2414–2424
[24] Zhang Y(张勇 ), He Z-H(何中虎 ), Zhang A-M(张爱民 ).
GGE-biplot for studying paste property of Chinese Spring wheat.
Acta Agron Sin (作物学报), 2003, 29(2): 245–251 (in Chinese
with English abstract)
[25] Blanche S B, Myers G O. Identifying Discriminating Locations
for Cultivar Selection in Louisiana. Crop Sci, 2006, 46: 946–949
[26] Sas-Institute. SAS User’s Guide: Statistics. v.9.0. Cary, NC: SAS
Inst., 2002
[27] Cody R P, Smith J K. Applied Statistics and the SAS Program-
ming Language. 4th edn. New Jersey, USA: Prentice Hall, 1997
[28] Annicchiarico P. Genotype by environment interaction: Challenges
and opportunities for plant breeding and cultivar recommendations.
FAO Plant Production and Protection Paper 174. Rome: Food and
Agriculture Organization of the United Nations, 2002
[29] Guillen-Portal F R, Russell W K, Eskridge K M, Baltensperger D
D, Nelson L A, D’Croz-Mason N E, Johnson B E. Selection en-
vironments for maize in the US Western High Plains. Crop Sci,
2004, 44: 1519–1526