این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تولید محصولات زراعی و باغی، جلد ۱۳، شماره ۴۷، صفحات ۵۲۹-۵۴۳
عنوان فارسی ارزیابی روش‌های گروه‌بندی ژنوتیپ های کلزا با استفاده از تجزیه تابع تشخیص خطی فیشر
چکیده فارسی مقاله تجزیه تابع تشخیص یکی از روش‌های تجزیه آماری چند متغیره است که از آن می‌توان برای آزمون صحت نتایج حاصل از تجزیه خوشه‌ای استفاده نمود. در این مطالعه، صحت گروه‌بندی روش‌های مختلف تجزیه خوشه‌ای بر پایه روش‌های مختلف استاندارد کردن داده‌ها و معیارهای متفاوت فاصله با تجزیه تابع تشخیص مورد ارزیابی قرار گرفتند. هم‌چنین برای تأیید نتایج از T2 هتلینگ، پلات CCC و تجزیه واریانس چند متغیره استفاده گردید. بدین منظور، 8 ژنوتیپ کلزا در قالب طرح بلوک های کامل تصادفی با سه تکرار در مؤسسه تحقیقات برنج کشور (رشت) در سال 85-1384 کشت شدند و 14 صفت در آنها مورد ارزیابی قرار گرفت. تجزیه واریانس طرح بلوکی اختلاف معنی داری را بین ژنوتیپ ها از نظر کلیه صفات مورد مطالعه نشان داد. مقایسه میانگین بین ژنوتیپ ها نیز نشان داد که ژنوتیپ Hyola401 از نظر عملکرد دانه و بسیاری از صفات بررسی شده برتر از سایر ژنوتیپ ها بود. براورد ضریب تغییرات فنوتیپی و ژنوتیپی نشان داد که اکثر صفات دارای تنوع زیادی در جمعیت می باشند. تجزیه تابع تشخیص نشان داد که معیار فاصله اقلیدسی بهتر از سایر معیارهای فاصله بود و گروه‌بندی مطلوبی بر اساس آن به‌دست آمد. هم‌چنین تمام روش‌های استاندارد کردن داده‌ها گروه‌بندی مشابهی به‌وجود آوردند و بهتر از استاندارد نکردن داده‌ها بودند. بر اساس ارزیابی دندروگرام‌های روش‌های مختلف تجزیه خوشه‌ای مشخص شد که روش‌های متوسط فاصله بین گروه ها (UPGMA)، دورترین همسایه‌ها و حداقل واریانس "وارد" بهتر از سایر روش‌ها بودند و ژنوتیپ ها را در سه گروه دسته بندی کردند. تجزیه تابع تشخیص خطی فیشر نشان داد که روش‌های UPGMA و حداقل واریانس "وارد" با انجام صحت گروه‌بندی در حدود 5/87 درصد، مناسب‌تر از سایر روش‌های تجزیه خوشه ای بودند، با این حال تجزیه تشخیص ژنوتیپ ها را در دو گروه قرار داد. آزمون های T2 هتلینگ، پلات CCC و تجزیه واریانس چند متغیره نیز نتایج حاصل از تجزیه تشخیص را مورد تأیید قرار دادند. به این ترتیب، به‌نظر می رسد که استفاده از معیار فاصله اقلیدسی بر اساس داده‌های استاندارد شده و انجام تجزیه خوشه‌ای با روش‌های حداقل واریانس "وارد" و یا UPGMA گروه بندی بهتری از ژنوتیپ‌ها ارائه دهد، اما توصیه می شود برای تأیید نتایج و تعیین گروه های واقعی از تجزیه تابع تشخیص استفاده گردد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Evaluation of Different Grouping Methods of Rapeseed Genotypes Using Fisher’s Linear Discrimination Function Analysis
چکیده انگلیسی مقاله Discrimination function analysis is a method of multivariate analysis that can be used for determination of validity in cluster analysis. In this study, Fisher’s linear discrimination function analysis was used to evaluate the results from different methods of cluster analysis (i.e. different distance criteria, different cluster procedures, standardized and un-standardized data). Furthermore, Hotelling T2, CCC plot and multivariate analysis of variance were used to support the results. To achieve the goals, 8 rapeseed genotypes were planted in a randomized complete block design with three replications in Rice Research Institute of Iran, Rasht, durin 2005-2006, and 14 characteristics were measured. Analysis of variance based on the randomized complete block design showed significant differences between genotypes for all the studied traits. Comparison of means between genotypes indicated that the genotype Hyola401 for grain yield and most of the measured characteristics was better than the other genotypes. Evaluation of phenotypic and genotypic coefficient of variations showed that most of the traits had high variability in the population. Discrimination function analysis showed that the Euclidean distance criterion was better than others and a desirable clustering was obtained by this criterion. Also, all of the data standardization methods produced similar clusters and were better than un-standardized data. Based on evaluation of dendrograms derived from different methods of cluster analysis determined that the UPGMA, complete linkage and Ward’s minimum variance methods were better than the other methods, and grouped the genotypes into three clusters. Fisher’s linear discrimination function analysis showed that UPGMA and Ward's minimum variance methods with clustering validity of 87.5 percent, was more suitable than other cluster analysis methods however, discrimination analysis grouped genotypes into two clusters. Tests of Hotelling T2, CCC plot and multivariate analysis of variance supported the results from the discrimination function analysis. It seems that the UPGMA and Ward's minimum variance procedures based on Euclidean distance criterion of standardized data function better in grouping genotypes, yet, the use of discrimination function analysis is recommended to confirm the results and determine the actual groups.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله بابک ربیعی | b rabiei


مهدی رحیمی | m rahimi


نشانی اینترنتی http://jcpp.iut.ac.ir/browse.php?a_code=A-10-348-2&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/737/article-737-337580.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده عمومی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات