全 文 ：中国生态农业学报 2013年 10月 第 21卷 第 10期
Chinese Journal of Eco-Agriculture, Oct. 2013, 21(10): 1241−1248


* 国家转基因生物新品种培育重大专项(2012ZX08013015, 2012ZX08013016)和农业部农作物区域试验项目(012022911108)资助
许乃银(1966—), 男, 博士, 研究员, 主要从事棉花区域试验和生态研究。E-mail: naiyin@126.com
收稿日期: 2013−05−27 接受日期: 2013−07−15
DOI: 10.3724/SP.J.1011.2013.30534
基于 GGE双标图和马克隆值选择的棉花区域
试验环境评价*
许乃银 1 李 健 1 张国伟 1 周治国 2
(1. 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 南京 210014;
2. 南京农业大学/农业部作物生长调控重点开放实验室 南京 210095)
摘 要 棉纤维马克隆值是与纤维成纱品质密切相关的重要品质指标, 也是长江流域棉花品质改良的主要制
约因子。选择利用对目标环境代表性强的试验点进行区域试验布局有助于提高马克隆值育种效率和节省试验
成本。GGE 双标图是进行试验点代表性评价和选择最有效的统计和图形展示工具, 已经在多种作物区域试验
中用于品种稳定性和试验环境相似性分析, 但在基于马克隆值选择的棉花区域试验环境评价中应用报道较
少。本文采用 GGE 双标图方法对 2000—2010 年期间 27 组长江流域国家棉花区域试验中的 15 个试验环境基
于马克隆值选择的鉴别力、代表性和理想指数进行综合评价与分析。结果表明: 各试验环境依理想度指数优
劣排序为荆州市>黄冈市>南通市>九江市>岳阳市>射洪县>常德市>安庆市>武汉市>南阳市>南京市>慈溪市>
襄阳市>简阳市>盐城市; 从中筛选出最理想试验环境为湖北省荆州市, 较理想试验环境为湖北省黄冈市、江苏
省南通市和江西省九江市, 这些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; 而位于江浙沿海棉区的江苏省盐城市和浙江省慈溪市不适宜作为针对长江流域的马
克隆值选择与推荐环境。本研究充分展示了 GGE双标图在区域试验环境评价方面的应用效果, 也为以长江流
域棉区为目标环境的广泛适应性和特殊适应性品种的马克隆值选择和应用提供理论依据。
关键词 棉花(Gossypium hirsutum L.) 马克隆值 GGE双标图 鉴别力 代表性 区域试验环境
中图分类号: S562.03 文献标识码: A 文章编号: 1671-3990(2013)10-1241-08
Evaluation of regional cotton trial environments based on cotton fiber
micronaire selection by using GGE biplot analysis
XU Nai-Yin1, LI Jian1, ZHANG Guo-Wei1, ZHOU Zhi-Guo2
(1. Institute of Industrial Crops, Jiangsu Academy of Agricultural Sciences; Key Laboratory of Cotton and Rapeseed,
Ministry of Agriculture, Nanjing 210014, China; 2. Nanjing Agricultural University; Key Laboratory of Crop Growth
Regulation, Ministry of Agriculture, Nanjing 210095, China)
Abstract Cotton fiber micronaire is an important fiber trait which is directly related to yarn quality. This element of quality is the
main limiting factor in cotton fiber quality improvement in the Yangtze River Valley. The optimal arrangement of a regional trial
scheme is based on representative trial location identification. This is critical in enhancing both micronaire selection efficiency and
regional trial cost-savings. Biplot GGE analysis has been the most useful statistical and visual tool for trial location evaluation and
representative location selection, and it has been extensively adopted in cultivar stability and trial location similarity analysis in
several crops. So far, however, little has been done in terms of cotton regional trial location evaluation based on fiber micronaire
selection. The objective of this study was to single out ideal trial locations in cotton micronaire selection using biplot GGE
analysis. The method was applied to 27 independent sets of cotton variety regional trials in 15 trail locations in the Yangtze River
Valley in 2000−2010. Based on the evaluation variables of desirability indexes for fiber micronaire selection, the order of the 15 trial
locations was Jingzhou City > Huanggang City > Nantong City > Jiujiang City > Yueyang City > Shehong City > Changde City > Anqing
City > Wuhan City > Nanyang City > Nanjing City > Cixi City > Xiangyang City > Jianyang City > Yancheng City. Jingzhou City of Hubei
1242 中国生态农业学报 2013 第 21卷


Province was the most ideal trial location, while Huanggang City of Hubei Province, Nantong City of Jiangsu Province and Jiujiang
City of Jiangxi Province were the ideal trial locations. It implied that these locations were the most effective for eurytopic cotton
cultivar selection and regional test points of optimal cultivar identification based on cotton fiber micronaire in the Yangtze River
Valley. On the other hand, the cotton trial locations in Jiangsu and Zhejiang provincial coastal fields (Yancheng and Cixi) were not
suitable for cotton fiber micronaire selection in the Yangtze River Valley. This article has fully demonstrated the efficiency of biplot
GGE application in regional trial environment evaluation and therefore laid the theoretical basis for decision-making regarding fiber
micronaire selection in regional/national cotton trials schemes in the Yangtze River Valley.
Key words Cotton (Gossypium hirsutum L.), Micronaire, Biplot GGE analysis, Discriminating ability, Representativeness,
Regional trial environment
(Received May 27, 2013; accepted Jul. 15, 2013)
棉纤维马克隆值是纤维细度和成熟度的综合
指标, 纤维过细、成熟度不足的棉纤维马克隆值低,
而纤维过粗、成熟度好的纤维马克隆值高, 因而马
克隆值过高或过低对成纱质量均有不利影响。棉纤
维发育过程受到生态环境和栽培管理因子的强烈
影响, 相同棉花基因型在不同生态条件下种植的马
克隆值表现出显著差异 [1], 说明马克隆值存在显著
的基因型与环境互作, 是对生态环境敏感的性状之
一。在品种评价和环境评价中必须重视并研究应用
马克隆值的基因型与环境互作效应。
GGE(genotype + genotype-by-environment interaction)
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[2−3], 目前已经广泛用于燕麦[4−8]、玉
米[9−10]、红花[11]、高粱[12]、向日葵[13]、甘蔗[14−15]、
豆类[16−17]和麦类[18−21]等作物的品种稳定性分析和品种
生态区探索, 在试验环境评价方面也有一定的应用基
础[5,22−24], 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[26]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。许乃
银等[27−28]报道了基于棉花纤维比强度选择的棉花品种
生态区划分和试验环境评价, 但目前关于马克隆值选
择的试验环境评价的相关研究尚少见报道。
本研究采用 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、理想指数和理想距离, 对
试验环境进行综合评价, 为棉纤维马克隆值性状的
选择与应用, 以及棉花区域试验中理想试验环境筛
选提供理论依据。
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
环境为研究对象, 即安庆市、南阳市、黄冈市、荆州
市、武汉市、襄阳市、常德市、岳阳市、南京市、南
通市、盐城市、九江市、简阳市、射洪县和慈溪市等
试验点(各试验点依次缩写为 AQ、NY、HG、JZ、WH、
XY、CD、YY、NJ、NT、YC、JJ、JY、SH和 CX, 下
同)。各试验环境的经度、纬度、海拔高度、土壤类
型和降雨量等详见许乃银等[28]报道。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 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。
试验以营养钵育苗移栽方式为主。肥料施用量
为: 基肥 N、P2O5和 K2O约 165 kg·hm−2、79 kg·hm−2、
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 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
条件下棉花的长势喷施适量化学调节剂, 确保棉花稳
健生长。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, 晒干后进行室内考种, 轧花后
的皮棉作为测试纤维品质的样品。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(Uster Technologies AG Wilstrasse 11 CH-8610 Uster/
Switzerland)进行检测。
1.2 统计分析方法
1.2.1 马克隆值的方差分析
试验采用统计软件包 SAS v.9.0 的广义混合线
性模型程序[29−30]分别对长江流域 27 组区域试验中
的马克隆值性状进行方差分析。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[31]。同时, 计算对各组试验的遗传
第 10期 许乃银等: 基于 GGE双标图和马克隆值选择的棉花区域试验环境评价 1243


力(h2), 以评价区域试验对品种总体鉴别效率[26,32]。
1.2.2 GGE双标图的数学模型
两维 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[3]。为便于图形表达,
一般仅选用前两个 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:
1 1 1 2 2 2ger e g e g e ge gerY μ β λ γ δ λ γ δ ρ ε= + + + + + (1)
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。参
数 11 1 1g eλ γ λ δ和 被分别定义为品种 g和地点 e的第
1 个 GGE 主成分得分, 简称为 IPCA1或 PC1。第 2
个主成分的表达方式类推。
1.2.3 GGE双标图分析
采用 GGE双标图分析方法[33]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 GGE 双标图中试验环
境到“理想”试验环境的距离[2]。试验环境的鉴别力用
GGE 双标图中试验环境向量的长度表示, 向量越长
则鉴别力越强; 在遗传力校正的 GGE双标图中近似
等于遗传力平方根( H )。代表性用试验环境向量与
平均环境轴夹角的余弦值表示, 近似等于遗传相关
系数(r)。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[33]。
参照 Baxevanos 等[26]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 , 从而对试验环境的鉴别
力、代表性和理想指数等进行综合评价。
2 结果与分析
2.1 马克隆值的变异分析
在马克隆值的表型变异来源中(表 1), 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)在各组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
表 1 2000－2010年 27组长江流域棉花区域试验纤维马克隆值方差分析和主成分分析参数估计
Table 1 Parameters of ANOVA and PC analysis of fiber micronaire datasets in 27 sets of national cotton regional trials in the
Yangtze River Valley from 2000 to 2010
自由度
df
占 SSTRMT的百分率
Percent of SSTRMT (%)
解释变异
Variation explained (%)
试验
Trial
G E GE E G GE PC1 PC2 PC1+PC2
遗传力
Heritability
(h2, %)
2000 9 14 126 35.9 35.0 29.1 58.7 13.0 71.7 94.1
2001 9 14 123 59.6 15.3 25.0 45.5 22.6 68.1 88.2
2002 9 14 126 52.8 13.8 33.4 37.4 19.6 57.0 82.8
2003a 7 14 98 70.5 9.3 20.2 46.1 17.9 64.0 84.5
2003b 8 15 110 71.4 11.6 17.0 48.5 17.4 65.9 89.2
2004a 8 14 112 48.2 27.1 24.7 60.0 16.8 76.8 93.5
2004b 8 14 112 53.3 20.1 26.6 50.7 16.6 67.3 90.5
2005a 9 14 126 60.9 21.1 18.1 59.2 18.9 78.1 93.9
2005b 9 14 126 69.0 4.2 26.8 36.4 23.3 59.7 54.4
2005c 9 14 126 70.6 10.7 18.8 52.3 15.8 68.1 87.4
2006a 10 14 140 63.2 14.1 22.7 46.9 21.1 68.0 88.4
2006b 9 14 126 54.6 14.7 30.7 45.7 22.0 67.7 85.1
2006c 9 14 126 58.3 18.7 23.0 59.2 13.4 72.6 91.2
2007a 9 14 126 48.1 31.9 20.0 67.1 14.3 81.4 95.5
2007b 10 14 140 53.4 12.3 34.3 36.5 22.2 58.7 79.9
2007c 9 14 126 64.0 11.0 25.0 34.8 16.5 51.3 83.9
2008a 10 14 140 68.0 10.2 21.7 45.4 19.2 64.6 84.9
2008b 10 14 140 45.2 25.1 29.7 57.9 16.3 74.2 91.6
2008c 11 14 154 60.6 15.5 23.9 50.7 16.5 67.2 89.0
2009a 10 14 140 59.4 20.3 20.4 62.7 9.4 72.1 92.8
2009b 10 14 140 66.9 15.4 17.7 57.8 14.1 71.9 91.8
2009c 9 14 126 61.4 7.6 31.0 28.9 18.9 47.8 70.9
2009d 9 14 126 50.3 24.2 25.5 62.4 11.2 73.6 92.5
2010a 9 14 126 62.5 18.9 18.6 54.3 12.2 66.5 92.9
2010b 9 14 126 60.1 26.1 13.8 77.7 7.0 84.7 96.2
2010c 9 14 126 60.4 21.0 18.6 60.8 17.3 78.1 93.7
2010d 9 14 126 63.2 16.7 20.1 50.9 16.1 67.0 91.4
(1) E、G、GE、PC1、PC2分别代表试验环境主效、基因型主效、环境与基因型互作效应、主成分分析第 1主成分得分和第 2主成分
得分。(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, 未在表中列出。(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 a、b、c、d 等小写字母以示区别, 如“2007b”表示 2007 年实施的第 2
组区试, 余类推。(1) E, G, GE, PC1, and PC2 stand for environment main effect, genotype main effect, environment and genotype interaction, the
first and second principal component score, respectively. (2) The F criterion of G, GE, and E effects are significant at 0.01 level in all datasets,
and are omitted in the table. (3) Different data sets of regional trial is named with the year when the trial was implemented, and small letter a, b, c,
d, etc. following the year show different sets of the same year. e.g. “2007b” stands for the second set of trial implemented in 2007, and so on.

1244 中国生态农业学报 2013 第 21卷


59.0%, 变幅为 35.9%~71.4%。基因型主效应(G)平
均占处理总变异平方和的 17.5%, 变幅为 4.2%~
35.0%。基因型与环境互用效应(GE)平均占处理总变
异平方和的 23.6%, 变幅为 13.8%~34.3%。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)之间所占总变异的比例差异极显著。环境主效
应(E)在各组试验中占处理总变异的比例都最高, 可
见环境效应(E)为马克隆值变异的主要来源, 但其比
例明显小于在产量性状中所占的比例[34]。基因型与
环境互作效应(GE)在 20 组试验中大于基因型主效
应(G), 占试验总数的 74.1%, 说明马克隆值性状变
异中基因型与环境互作效应(GE)占的变异比例显著
大于基因型效应(G), 这也表明基于马克隆值选择研
究和应用基因型与环境互作效应的重要性。
GGE双标图分析的前两个主成分得分(PC1+PC2)
解释总变异的比例体现了双标图分析的可靠性和精
确度[32]。马克隆值 GGE双标图分析的平均拟合度为
68.3%, 其中只有 11组试验在 70%以上, 有 5组试验
的拟合度在 60%以下, 说明总体拟合度一般。另一方
面, 由于各组试验的遗传力(h2)较高, 其中 26 组试验
的遗传力在 70.0%以上, 变幅为 54.4%~96.2%, 只有
试验“2005b”的遗传力低于 70%, 这说明长江流域棉
花品种区域试验总体上对品种的马克隆值性状的鉴
别效果较高。
2.2 基于 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 GGE双标图表达方式
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, 并对目标环境具有较强的代表
性[33]。基于 2000年长江流域棉花区域试验马克隆值
选择的 GGE 双标图的“鉴别力与代表性”功能图中
的小圆圈代表“平均环境”, 即各试验环境坐标的平
均值(图 1)。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
environment cordinate)[2,32]。各试验环境向量的长度及
其与环境轴的夹角大小分别代表试验环境的鉴别力和
代表性, 向量长度与鉴别力呈正比, 而夹角大小与代表
性呈反比。图 1 表明, 襄阳市(XY)、武汉市(WH)、常
德市(CD)和九江市(JJ)等试验环境的鉴别力强, 而射洪
县(SH)、简阳市(JY)和黄冈市(HG)等试验环境的鉴别力
相对较弱。安庆市(AQ)、岳阳市(YY)、南阳市(NY)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, 而襄阳市(XY)、武汉市(WH)、慈溪市(CX)和简
阳市(JY)等试点的代表性差。当然, 试验环境的综合评
价需要建立在对多年数据分析的基础上, 1 年区试数据
分析通常只能用来展示 GGE 双标图的表达方式[32]。

图 1 2000年长江流域棉花区域试验纤维马克隆值 GGE
双标图的“鉴别力与代表性”功能图
Fig. 1 “Discrimination and representativeness” view of GGE
biplot based on fiber micronaire in the national cotton regional
trials in the Yangtze River Valley in 2000
图中 AQ、NY、HG、JZ、WH、XY、CD、YY、NJ、NT、
YC、JJ、JY、SH和 CX分别代表安庆市、南阳市、黄冈市、荆
州市、武汉市、襄阳市、常德市、岳阳市、南京市、南通市、盐
城市、九江市、简阳市、射洪县和慈溪市等试验点。带*的 Xu244、
Sk103、Sm3等为品种名。The test location code of AQ, NY, HG, JZ,
WH, XY, CD, YY, NJ, NT, YC, JJ, JY, SH and CX stands for An-
qing, Nanyang, Huanggang, Jingzhou, Wuhan, Xiangyang, Changde,
Yueyang, Nanjing, Nantong, Yancheng, Jiujiang, Jianyang, She-
hong and Cixi, respectively. Xu244, Sk103, Sm3, etc, with asterisks
are tested cultivars.

2.2.2 试验环境的评价参数
2000 年长江流域国家棉花区域试验环境评价参数
列于表 2, 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 , 即常德市>九
江市>武汉市>岳阳市>南通市>安庆市>南阳市>襄
阳市>荆州市>射洪县>盐城市>黄冈市>简阳市>南
京市>慈溪市。
2.3 基于多组试验 GGE双标图分析的试验环境评价
试验环境的评价需要对多组试验进行 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 GGE 双标图分析是多组试验分
析的前提和基础。2000—2010 年期间 27 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 3。
2.3.1 试验环境鉴别力评价
各试验环境对参试品种马克隆值遗传差异的
鉴别能力存在较大差异 , 其中慈溪市显著优于襄
阳市、南阳市、盐城市和简阳市 , 黄冈市显著优
第 10期 许乃银等: 基于 GGE双标图和马克隆值选择的棉花区域试验环境评价 1245


表 2 2000年长江流域国家棉花区域试验基于纤维马克隆值选择的环境评价参数
Table 2 Standardized trial location evaluation parameters based on the purpose of cotton micronaire selection of Yangtze River
Valley 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 0.913 0.998 0.911 0.778
常德 CD 1.337 0.989 1.322 0.284
慈溪 CX 1.454 0.636 0.925 1.851
黄冈 HG 0.573 0.870 0.498 1.413
九江 JJ 1.154 0.992 1.145 0.460
简阳 JY 0.661 0.827 0.547 1.438
荆州 JZ 0.871 0.954 0.831 1.004
南京 NJ 0.517 0.890 0.460 1.451
南通 NT 1.428 0.924 1.320 0.741
南阳 NY 0.801 0.997 0.798 0.940
射洪 SH 0.875 0.909 0.795 1.048
武汉 WH 0.987 0.991 0.978 0.691
襄阳 XY 1.156 0.879 1.016 0.952
盐城 YC 1.289 0.833 1.074 1.229
岳阳 YY 0.984 0.994 0.978 0.721

表 3 基于棉纤维马克隆值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 fiber micronaire selection in the national
cotton trials in the Yangtze River Valley from 2000 to 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 1.016±0.39abcd 0.793±0.28abc 0.819±0.40abcd 0.965±0.34bc
常德 CD 0.948±0.36abcd 0.814±0.36abc 0.820±0.38abcd 0.971±0.34bc
慈溪 CX 1.188±0.50a 0.609±0.52d 0.764±0.57bcd 1.245±0.60a
黄冈 HG 1.162±0.57ab 0.860±0.20ab 0.999±0.50ab 0.902±0.32bc
九江 JJ 1.009±0.32abcd 0.869±0.17ab 0.879±0.33abc 0.897±0.31bc
简阳 JY 0.847±0.30d 0.788±0.41bc 0.732±0.39cd 1.007±0.40bc
荆州 JZ 1.107±0.45abc 0.930±0.10a 1.028±0.43a 0.800±0.29c
南京 NJ 0.957±0.39abcd 0.776±0.34bc 0.773±0.42bcd 1.008±0.36bc
南通 NT 1.049±0.48abcd 0.849±0.22ab 0.917±0.50abc 0.937±0.44bc
南阳 NY 0.906±0.26cd 0.879±0.22ab 0.787±0.31abcd 0.976±0.37bc
射洪 SH 0.942±0.30abcd 0.830±0.31abc 0.827±0.39abcd 0.940±0.33bc
武汉 WH 1.013±0.46abcd 0.707±0.44cd 0.792±0.53abcd 1.066±0.48ab
襄阳 XY 0.930±0.36bcd 0.829±0.22abc 0.755±0.34bcd 1.045±0.35ab
盐城 YC 0.892±0.50cd 0.573±0.49d 0.597±0.46d 1.252±0.44a
岳阳 YY 1.033±0.48abcd 0.878±0.15ab 0.864±0.26abc 0.991±0.32bc
同列数据后不同小写字母表示在 0.05水平上差异显著。Different small letters in the same column mean significant different at 5% level.

于南阳市、盐城市和简阳市, 荆州市显著优于简阳
市, 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, 可将试验环境的鉴别力
划分为 3类: 1)强鉴别力试验环境, 即慈溪市, 列各
试验环境的第 1名, 并与 4个试验环境差异显著; 2)
较强鉴别力试验环境, 包括黄冈市、荆州市、南通
市、岳阳市、安庆市、武汉市、九江市、南京市、
常德市和射洪县 , 依次列于慈溪市试验环境之后 ,
但差异不显著; 3)弱鉴别力试验环境, 包括襄阳市、
南阳市、盐城市、简阳市试验环境, 其鉴别力显著
差于强鉴别力试验环境。各试验环境对马克隆值选
择差异的鉴别能力强弱顺序依次为 : 慈溪市>黄冈
市>荆州市>南通市>岳阳市>安庆市>武汉市>九江
市>南京市>常德市>射洪县>襄阳市>南阳市>盐城
市>简阳市。
2.3.2 试验环境代表性评价
对各试验环境基于马克隆值选择对目标试验环
境的代表性分析表明, 各试验环境可划分为 4 类:
1)代表性最好的试验环境为荆州市, 对长江流域目
标环境的代表性最强; 2)代表性较好的试验环境包
1246 中国生态农业学报 2013 第 21卷


括南阳市、岳阳市、九江市、黄冈市、南通市、射
洪县、襄阳市、常德市、安庆市, 其代表性依次列
于荆州市之后, 但差异未达显著水平; 3)代表性一般
的试验环境包括简阳市、南京市、武汉市, 其代表
性显著弱于荆州市试验环境; 4)代表性差的试验环
境包括慈溪市和盐城市, 代表性显著弱于除武汉市
以外的其他所有试验环境。各试验环境基于马克隆
值选择对目标环境的代表性优劣顺序依次为: 荆州
市>南阳市>岳阳市>九江市>黄冈市>南通市>射洪
县>襄阳市>常德市>安庆市>简阳市>南京市>武汉
市>慈溪市>盐城市。
2.3.3 试验环境综合评价
基于马克隆值选择的试验环境理想指数是鉴别
力和代表性的综合评价指标, 各试验环境可据此划
分为: 1)最理想试验环境, 荆州市试验环境, 居各试
验环境的第 1 位, 理想指数明显优于其他试验环境;
2)理想试验环境, 黄冈市、南通市和九江市, 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, 包括岳阳市、射洪县、常德市、安庆
市、武汉市、南阳市、南京市、慈溪市、襄阳市、
简阳市; 4)不理想试验环境为盐城市试验环境, 与其
余试验环境间的差异明显。各试验环境基于马克隆
值选择的综合理想指数优劣次序为 : 荆州市>黄冈
市>南通市>九江市>岳阳市>射洪县>常德市>安庆
市>武汉市>南阳市>南京市>慈溪市>襄阳市>简阳
市>盐城市。离优度指数是双标图各试点图标到理
想试点图标的标准化欧氏距离, 表示试验环境的综
合理想程度 , 距理想试点距离越小 , 则试点越理
想。各试验环境依离优度指数的排序与理想指数的
差异不大。
3 讨论与结论
纤维马克隆值在长江流域棉区、黄河流域棉区
和西北内陆棉区间差异显著, 西北内陆棉区的马克
隆值较低, 纤维粗细适中, 明显优于长江流域棉区
和黄河流域棉区[35]。长江流域棉区纤维马克隆值较
高, 纤维表现多数较粗。长江流域棉花品种的麦克
隆值分属 A级、B级和 C级的比例大致为 9.6%、50%
和 40.4%[36], 可见长江流域棉区纤维品质存在的主
要问题是麦克隆值偏高。由于长江流域各生态亚区
间的气象和土壤因子对棉纤维形成过程的影响存在
明显的差异 , 基因型与环境的互作效应十分显著 ,
应当针对各生态区纤维马克隆值与环境的互作特点,
因地制宜地采取不同的耕作栽培措施, 以弥补自然
生态环境的不足, 使马克隆值等主要纤维品质指标
充分而协调地发展。
纤维马克隆值的遗传基础比较复杂, 按多基因模
型分析纤维遗传效应的结果表明, 基因的加性效应和
非加性效应都可能存在, 它可以由显性基因也可以由
隐性基因控制, 因而目前对其遗传本质的认识和研究
不足, 其遗传力低于纤维长度与纤维强度[37]。也有研
究表明, 马克隆值与铃期有效积温和日最高温度呈
正比, 增加日均温和延长日照时数使马克隆值下降,
较高夜均温会促进马克隆值提高[38]。本研究发现在
纤维马克隆值的表型变异中试验环境主效仍占主导
地位 , 而基因型与环境互作效应大于基因型主效 ,
说明马克隆值性状仍受环境变化的强烈影响, 同时
基因型与环境互作效应的作用也很重要。在充分研
究基因型与环境互作模式的基础上, 探索和筛选对
纤维比强度差异鉴别力强, 对目标环境代表性好的
试验环境作为马克隆值性状的选择环境, 对提高马
克隆值的选择效率将起到促进作用。同时 , 应用
GGE双标图方法对各试验环境的鉴别力、代表性、
理想指数和理想距离等进行了综合分析和评价, 对
长江流域棉花区域试验点的理想度指数优劣排序为
荆州市>黄冈市>南通市>九江市>岳阳市>射洪县>
常德市>安庆市>武汉市>南阳市>南京市>慈溪市>
襄阳市>简阳市>盐城市, 并从中筛选出最理想试验
环境荆州市, 理想试验环境黄冈市、南通市和九江
市, 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, 而位
于江浙沿海棉区的江苏盐城市和浙江慈溪市不适宜
作为针对长江流域的马克隆值选择与推荐环境。本
研究充分展示了 GGE 双标图在区域试验环境评价
方面的应用效果, 也为以长江流域棉区为目标环境
的广泛适应性和特殊适应性品种的马克隆值选择和
应用提供理论依据。
参考文献
[1] 张丽娟, 周治国, 熊宗伟, 等. 麦克隆值的气象生态模型研
究[J]. 中国农学通报, 2007, 23(3): 127–132
Zhang L J, Zhou Z G, Xiong Z W, et al. Model of meteorology
and zoology on microafis[J]. Chinese Agricultural Science
Bulletin, 2007, 23(3): 127–132
[2] Yan W K. GGE biplot—A windows application for graphical
analysis of multienvironment trial data and other types of
two-way data[J]. Agronomy Journal, 2001, 93(5): 1111–1118
[3] Yan W, Kang M S. GGE biplot analysis: A graphical tool for
breeders, geneticists, and agronomists[M]. Boca Raton, FL:
CRC Press, 2003
[4] 彭远英, 颜红海, 郭来春, 等. 燕麦属不同倍性种质资源抗
旱性状评价及筛选[J]. 生态学报, 2011, 31(9): 2478–2491
Peng Y Y, Yan H H, Guo L C, et al. Evaluation and selectio-
non drought-resistance of germplasm resources of Avena spe-
cies with different types of ploidy[J]. Acta Ecologica Sinica,
第 10期 许乃银等: 基于 GGE双标图和马克隆值选择的棉花区域试验环境评价 1247


2011, 31(9): 2478–2491
[5] 张志芬, 付晓峰, 刘俊青, 等. 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[J]. 作物学报, 2010,
36(8): 1377–1385
Zhang Z F, Fu X F, Liu J Q, et al. Yield stability and test-
ing-site representativeness in national regional trials for oat
lines based on GGE-biplot analysis[J]. Acta Agronomica Si-
nica, 2010, 36(8): 1377–1385
[6] Yan W K, Fetch J M, Frégeau-Reid J, et al. Genotype ×
location interaction patterns and testing strategies for oat in
the Canadian prairies[J]. Crop Science, 2011, 51(5): 1903–
1914
[7] Yan W K, Hunt L A, Sheng Q H, et al. Cultivar evaluation and
mega-environment investigation based on the GGE biplot[J].
Crop Science, 2000, 40(3): 597–605
[8] Yan W K, Pageau D, Frégeau-Reid J, et al. Oat mega-
environments and test-locations in Quebec[J]. Canadian
Journal of Plant Science, 2011, 91(4): 1–7
[9] Badu-Apraku B, Oyekunle M, Obeng-Antwi K, et al.
Performance of extra-early maize cultivars based on GGE
biplot and AMMI analysis[J]. The Journal of Agricultural
Science, 2012, 150(4): 473–483
[10] Fan X M, Kang M S, Chen H M, et al. Yield stability of maize
hybrids evaluated in multi-environment trials in Yunnan,
China[J]. Agronomy Journal, 2007, 99(1): 220–228
[11] Jamshidmoghaddam M, Pourdad S S. Genotype ×
environment interactions for seed yield in rainfed winter
safflower (Carthamus tinctorius L.) multi-environment trials
in Iran[J]. Euphytica, 2013, 190(3): 357–369
[12] Rakshit S, Ganapathy K N, Gomashe S S, et al. GGE biplot
analysis to evaluate genotype, environment and their
interactions in sorghum multi-location data[J]. Euphytica,
2012, 185(3): 465–479
[13] 孙敏, 蒋文敏, 李慧英, 等. 应用 GGE 双标图进行向日葵
杂交种产量稳定性分析 [J]. 黑龙江农业科学 , 2010(9):
11–13
Sun M, Jiang W M, Li H Y, at al. Analysis of stable-produc-
tion character by GGE biplot on sunflower hybrids[J].
Heilongjiang Agricultural Sciences, 2010(9): 11–13
[14] 罗俊, 张华, 邓祖湖, 等. 应用 GGE 双标图分析甘蔗品种
(系)的产量和品质性状[J]. 作物学报, 2013, 39(1): 142–152
Luo J, Zhang H, Deng Z H, et al. Analysis of yield and quality
traits in sugarcane varieties (lines) with GGE-biplot[J]. Acta
Agronomica Sinica, 2013, 39(1): 142–152
[15] Ramburan S, Zhou M, Labuschagne M T. Investigating test
site similarity, trait relations and causes of genotype×
environment interactions of sugarcane in the Midlands region
of South Africa[J]. Field Crops Research, 2012, 129: 71–80
[16] 周长军, 田中艳, 李建英, 等. 双标图法分析大豆多点试验
中品系产量稳定性及试点代表性[J]. 大豆科学, 2011, 30(2):
318–321
Zhou C J, Tian Z Y, Li J Y, et al. GGE-biplot analysis on yield
stability and testing-site representativeness of soybean lines
in multi-environment trials[J]. Soybean Science, 2011, 30(2):
318–321
[17] Spjvastava R K, Rathore A, Vales M I, et al. GGE biplot
based assessment of yield stability, adaptability and
mega-environment characterization for hybrid pigeonpea
(Cajanus cajan)[J]. The Indian Journal of Agricultural Sci-
ences, 2012, 82(11): 20–25
[18] 常磊, 柴守玺. GGE 双标图在我国旱地春小麦稳产性分析
中的应用[J]. 中国生态农业学报, 2010, 18(5): 988–994
Chang L, Chai S X. Application of GGE biplot in spring
wheat yield stability analysis in rainfed areas of China[J].
Chinese Journal of Eco-Agriculture, 2010, 18(5): 988–994
[19] Sharma R C, Rajaram S, Alikulov S, et al. Improved winter
wheat genotypes for Central and West Asia[J]. Euphytica,
2013, 190(1): 19–31
[20] Tsehaye Y, Bjørnstad Å, Abay F. Phenotypic and genotypic
variation in flowering time in Ethiopian barleys[J]. Euphytica,
2012, 188(3): 309–323
[21] Sharma R C, Morgounov A I, Braun H J, et al. Yield stability
analysis of winter wheat genotypes targeted to semi-arid
environments in the international winter wheat improvement
program[J]. International Journal of Plant Breeding, 2012,
6(1): 7–13
[22] Yan W K. GGE biplot vs. AMMI graphs for genotpe-
by-environment data analysis[J]. Journal of the Indian Society
of Agricultural Statistics, 2011, 65(2): 1–10
[23] Glaz B, Kang M S. Location contributions determined via
GGE biplot analysis of multienvironment sugarcane
genotype-performance trials[J]. Crop Science, 2008, 48(3):
941–950
[24] Samonte S O P, Wilson L T, Mcclung A M, et al. Targeting
cultivars onto rice growing environments using AMMI and
SREG GGE biplot analyses[J]. Crop Science, 2005, 45(6):
2414–2424
[25] Blanche S B, Myers G O. Identifying discriminating locations
for cultivar selection in Louisiana[J]. Crop Science, 2006,
46(2): 946–949
[26] Baxevanos D, Goulas C, Rossi J, et al. Separation of cotton
cultivar testing sites based on representativeness and
discriminating ability using GGE biplots[J]. Agronomy
Journal, 2008, 100(5): 1230–1236
[27] 许乃银, 张国伟, 李健, 等. 长江流域棉花纤维比强度选择
的理想试验环境筛选[J]. 棉花学报, 2013, 25(2): 121–128
Xu N Y, Zhang G W, Li J, et al. Identifying ideal test
environments for cotton fiber strength selection in the
Yangtze River Valley[J]. Cotton Science, 2013, 25(2):
121–128
[28] 许乃银, 张国伟, 李健, 等. 基于 GGE 双标图和比强度选
择的棉花品种生态区划分 [J]. 中国生态农业学报 , 2012,
20(11): 1500–1507
Xu N Y, Zhang G W, Li J, et al. Investigation of cotton
mega-environment based on fiber strength selection and GGE
biplot[J].Chinese Journal of Eco-Agriculture, 2012, 20(11):
1500–1507
[29] Sas-Institute. SAS user’s guide: Statistics. v.9.0[M]. Cary, NC:
SAS Inst., 2002
[30] Cody R P, Smith J K. Applied statistics and the SAS
programming language[M]. 4th ed. New Jersey, USA:
Prentice-Hall, Inc., 1997
[31] Anothai J, Patanothai A, Pannangpetch K, et al. Multi- envi-
ronment evaluation of peanut lines by model simulation with
1248 中国生态农业学报 2013 第 21卷


the cultivar coefficients derived from a reduced set of observed
field data[J]. Field Crops Research, 2009, 110(2): 111–122
[32] 严威凯 . 双标图分析在农作物品种多点试验中的应用[J].
作物学报, 2010, 36(11): 1805–1819
Yan W K. Optimal use of biplots in analysis of multi-location
variety test data[J]. Acta Agronomica Sinica, 2010, 36(11):
1805–1819
[33] Yan W K, Holland J B. A heritability-adjusted GGE biplot for
test environment evaluation[J]. Euphytica, 2010, 171(3):
355–369
[34] 许乃银, 张国伟, 李健, 等. 基于 HA-GGE 双标图的长江
流域棉花区域试验环境评价[J]. 作物学报 , 2012, 38(12):
2229–2236
Xu N Y, Zhang G W, Li J, et al. Evaluation of cotton regional
trial environments based on HA-GGE biplot in the Yangtze
River valley[J]. Acta Agronomica Sinica, 2012, 38(12):
2229–2236
[35] 纪从亮 , 邹芳刚 . 现代中国高品质棉[M]. 北京: 中国农业
科学技术出版社, 2009
Ji C L, Zou F G. Modern high quality cotton in China[M].
Chinese Agricultural Science and Technology Press, 2009
[36] 许乃银, 陈旭升, 狄佳春, 等. 长江流域棉花纤维品质的区
域特征研究[J]. 棉花学报, 2003, 15(4): 221–226
Xu N Y, Chen X S, Di J C, et al. Studies on the regional
characteristics of cotton fiber quality in Yangtze Valley[J].
Cotton Science, 2003, 15(4): 221–226
[37] 朱绍琳 , 陈旭升 , 易福华 , 等 . 棉铃生物学[M]. 北京 : 中
国农业科技出版社, 1994: 66–144
Zhu S L, Chen X S, Yi F H, et al. Cotton boll biology[M].
Beijing: China Agricultural Science and Technology Press,
1994: 66–144
[38] 马富裕, 朱艳, 曹卫星, 等. 棉纤维品质指标形成的动态模
拟[J]. 作物学报, 2006, 32(3): 442–448
Ma F Y, Zhu Y, Cao W X, et al. Modeling fiber quality forma-
tion in cotton[J]. Acta Agronomica Sinica, 2006, 32(3):
442–448

JJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJ
《遗传》杂志简介
欢迎订阅 欢迎网上注册投稿 欢迎刊登广告
《遗传》杂志是中国遗传学会和中国科学院遗传与发育生物学研究所主办、科学出版社出版的学术期刊, 中文核心期
刊、中国精品科技期刊, 已被美国医学索引(MEDLINE)、生物学数据库(BIOSIS)、生物学文摘(BA)、化学文摘(CA)、俄罗
斯文摘杂志(AJ)以及 NCBI、CABI等 20多种国内外重要检索系统与数据库收录。刊登内容包括遗传学、发育生物学、基
因组学、分子进化、遗传工程以及生物技术等领域有创新性的研究论文、新技术新方法、学科热点问题的综述以及学术
动态等。读者对象为基础医学、农林牧渔、生命科学领域的科研与教学人员、研究生、大学生、中学生物学教师等。
2011年 12月《遗传》获得中国科学技术信息研究所颁发的“中国精品科技期刊证书”；2013年 1月获得“2012中国
国际影响力优秀学术期刊”证书。
《遗传》(ISSN 0253-9772, CN11-1913/R)为月刊, 全年 12期。国内邮发代号 2-810, 国外发行代号 M62。定价 80元,
全年 960元。
地址: 北京安定门外大屯路中国科学院遗传与发育生物学研究所编辑室 邮政编码: 100101
电话: 010-64807669 传真: 010-64807786 E-mail: yczz@genetics.ac.cn http://www.chinagene.cn

JJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJ
《中国南方果树》2014年征订启事
《中国南方果树》是农业部主管、中国农业科学院柑桔研究所主办的国家级专业性技术类期刊。全国中文核心期
刊。主要报道我国南方地区栽培的所有果树作物的创新性研究成果, 反映国内南方果树科技动态, 介绍新的实用技术和
先进经验, 扶持培养果树科技人才, 推动和促进我国果树学科的发展, 为我国南方果树产业发展提供技术支持。
本刊设置研究论文、研究简报和技术交流三大板块。栏目有品种与资源、栽培生理与技术、贮运物流与加工技术、
病虫害防治、产业经济等。本刊所刊载的研究论文和试验报告均是作者原创性高新技术或实用生产技术研究成果, 具有
创新性、先进性、实用性、时效性以及对生产管理和物流营销活动的重要指导作用, 是我国果业行业权威、实用、科学
的科技传播媒介和工具性参考资料。
本刊为双月刊, 国内外公开发行。16开本, 正文 96页, 逢单月 25日出版。每期定价 5元, 全年 30元。全国各地邮局(所)
均可订阅, 邮发代号 78-13。漏订者可随时通过邮局或银行汇款到编辑部邮购, 平寄免收邮寄费, 挂号每期加收 3元。
编辑部电话: (023)68349196, 68349197; E-mail: nfgs@cric.cn; 广告部电话/传真: (023)68349198; 广告专用 E-mail:
wsl@cric.cn。在线投稿网址: http://tsg.cric.cn; 中国果业网: http://www.zhggy.com。
通信地址: 重庆市北碚区歇马镇柑桔研究所 邮编: 400712 收件人: 中国南方果树
开户行: 农行重庆北碚歇马支行 户名: 中国农业科学院柑桔研究所 账号: 31-091201040002333 “汇款附言栏务必写明用途”