پژوهشکده فناوری تولیدات گیاهی، پژوهشگاه افضلی پور، دانشگاه شهید باهنر کرمان و همکاری انجمن ژنتیک ایران مجله ژنتیک و به‌نژادی گیاهی 3060-7965 2 3 2025 09 25 Evaluation of the efficiency of classical and spatial approaches in estimating genotypic effects and selecting maize hybrids in preliminary multi‑environment trials بررسی کارایی رویکردهای کلاسیک و مکانی در برآورد اثر ژنوتیپی و انتخاب هیبریدهای ذرت در آزمایش‌های چندمحیطی مقدماتی 111 138 5695 10.22103/gpb.2025.5695 FA محمدرضا شیری دانشیار، بخش تحقیقات اصلاح ذرت و گیاهان علوفه‌ای، موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران. 0000-0002-1993-5581 افشار استخر استادیار، بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران. مرتضی اشراقی نژاد استادیار، بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی جنوب کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، جیرفت، ایران. Journal Article 2025 06 05 <strong>Objective</strong><br />This study was conducted to evaluate the efficiency of different spatial correction methods and their impact on multi-environment analyses in maize breeding programs. Maize, as one of the most strategic crops, plays a crucial role in food security and livestock feed supply. Therefore, the selection of high-yielding and stable hybrids is a primary objective in breeding programs. However, spatial heterogeneity in field experiments can increase experimental error and reduce the accuracy of genotype effect estimation, an issue that becomes even more critical in multi-environment analyses.<br /><strong>Materials and Methods</strong><br />In this study, 102 new maize hybrids along with three check cultivars were evaluated across three environments (Karaj, Jiroft, and Shiraz) using an alpha-lattice design with two replications. Data analysis was performed using a two-stage approach, in which weights derived from the inverse of the prediction error variance of the spatial models were incorporated into the multi-environment analysis to account for heterogeneity in observation precision. In the first stage, to address spatial heterogeneity, data from each environment were analyzed separately using three models: SpATS (Spatial Analysis of Trials with Splines), the first-order separable autoregressive model (AR1×AR1), and their combination (SpATS + AR1×AR1). In the second stage, multi-environment analysis was conducted using the Factor Analytic model to investigate the structure of genotype × environment interaction (GEI). Additionally, WAASB and WASSBY indices were calculated to assess genotype stability and performance.<br /><strong>Results</strong><br />The results showed that the SpATS model, due to its high ability to capture large-scale spatial variation, significantly reduced prediction error compared to raw data and other models. In contrast, the AR1×AR1 model provided only limited improvement, and its combination with SpATS did not show a significant advantage over using SpATS alone. Although the alpha-lattice design partially controlled spatial variation, the application of spatial models, particularly SpATS, resulted in greater improvement in estimation accuracy and genotype ranking.<br />Multi-environment analysis revealed that the GEI exhibited a structured, interpretable pattern, and that the environments differed in their ability to discriminate among genotypes. Based on the WASSBY index, which integrates yield and stability, hybrids H31, H23, H22, H27, and H53 were identified as superior genotypes. Despite the superiority of these five hybrids, to maintain genetic diversity and provide opportunities for future breeding, approximately 20% of the top-performing genotypes based on yield and stability indices were advanced to the next stage of the breeding program.<br /><strong>Conclusion</strong><br />Overall, the findings of this study indicate that the use of spatial models, particularly SpATS, combined with multi-environment analysis based on the factor analytic model provides a precise and reliable framework for improving genotype selection. This approach can significantly enhance decision-making efficiency in maize breeding programs. <strong>هدف</strong>: این پژوهش با هدف بررسی کارایی روش‌های مختلف تصحیح مکانی و تأثیر آن‌ها بر تحلیل‌های چندمحیطی در برنامه‌های به‌نژادی ذرت انجام شد. ذرت به‌عنوان یکی از محصولات استراتژیک کشاورزی، نقش مهمی در تأمین امنیت غذایی و خوراک دام دارد و انتخاب هیبریدهای پرمحصول و پایدار از اهداف اصلی برنامه‌های به‌نژادی آن است. با این حال، ناهمگنی‌های مکانی در آزمایش‌های مزرعه‌ای می‌توانند موجب افزایش خطا و کاهش دقت برآورد اثرات ژنوتیپی شوند، که این مسئله به‌ویژه در تحلیل‌های چندمحیطی اهمیت بیشتری پیدا می‌کند.<br /><strong>مواد و روش‌ها</strong>: در این مطالعه، ۱۰۲ هیبرید جدید ذرت به‌همراه سه رقم شاهد در سه محیط کرج، جیرفت و شیراز در قالب طرح آلفا-لاتیس با دو تکرار ارزیابی شدند. تحلیل داده‌ها در قالب یک رویکرد دو مرحله‌ای انجام گرفت. در مرحله اول، برای تصحیح ناهمگنی‌های مکانی، داده‌های هر محیط به‌طور جداگانه با استفاده از سه مدل شامل (Spatial Analysis of Trials with Splines) SpATS، مدل خودرگرسیو AR1×AR1 و ترکیب این دو تحلیل شدند. در مرحله دوم، به‌منظور بررسی ساختار برهم‌کنش ژنوتیپ × محیط، تحلیل چندمحیطی با استفاده از مدل Factor Analytic انجام شد و شاخص‌های WAASB و  WASSBY برای ارزیابی پایداری و عملکرد ژنوتیپ‌ها محاسبه گردید.<br /><strong>نتایج</strong>: نتایج نشان داد که مدل SpATS با توانایی بالا در مدل‌سازی تغییرات مکانی بزرگ‌مقیاس، نسبت به داده‌های خام و سایر مدل‌ها باعث کاهش قابل توجه خطای پیش‌بینی شد. در مقابل، مدل AR1×AR1 بهبود محدودی ایجاد کرد و ترکیب آن با SpATS  نیز برتری معنی‌داری نسبت به استفاده از SpATS به‌تنهایی نداشت. همچنین مشخص شد که اگرچه طرح آلفا-لاتیس بخشی از تغییرات مکانی را کنترل می‌کند، اما استفاده از مدل‌های مکانی به‌ویژه SpATS موجب بهبود بیشتر دقت برآوردها و رتبه‌بندی ژنوتیپ‌ها می‌شود. تحلیل چندمحیطی نشان داد که برهم‌کنش ژنوتیپ × محیط دارای ساختاری منظم و قابل تفسیر است و محیط‌ها از نظر توان تفکیک ژنوتیپ‌ها متفاوت هستند. بر اساس شاخص WASSBY که ترکیبی از عملکرد و پایداری است، هیبریدهای H31 ،H23 ،H22 ،H27 و H53 را به‌عنوان ژنوتیپ‌های برتر معرفی کرد. با وجود برتری این پنج هیبرید، به‌منظور حفظ تنوع ژنتیکی و ایجاد فرصت‌های اصلاحی در مراحل بعدی، حدود ۲۰ درصد از ژنوتیپ‌های برتر بر اساس عملکرد و شاخص‌های پایداری به ادامه برنامه به‌نژادی وارد شدند.<br /><strong>نتیجه‌گیری</strong>: در مجموع، نتایج این پژوهش نشان داد که استفاده از مدل‌های مکانی به‌ویژه SpATS در کنار تحلیل چندمحیطی مبتنی بر مدل Factor Analytic، چارچوبی دقیق و قابل اعتماد برای بهبود انتخاب ژنوتیپ‌ها فراهم می‌کند و می‌تواند کارایی تصمیم‌گیری در برنامه‌های به‌نژادی ذرت را به‌طور قابل‌توجهی افزایش دهد. https://gpb.uk.ac.ir/article_5695_dfea0768cc6ba51dd20c7224016b0bd7.pdf