Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Relación entre caracteres morfoagronómicos en híbridos de tomate

Resumen

El objetivo de este trabajo fue identificar y estimar las relaciones entre variables componentes de producción y rendimiento de frutos en tomate. El experimento se realizó con diseño de bloques al azar con un arreglo factorial 2×3×3, correspondiendo a dos híbridos de tomate, tres dosis de boro y calcio, para un total de 18 tratamientos, cuatro repeticiones y 20 plantas por parcela. Se estimaron los coeficientes de correlación de Pearson entre las variables medidas, posteriormente, se seleccionaron aquellos con mayor significancia para la productividad mediante el método Stepwise y la verificación de la multicolinealidad por el número de condiciones y el factor de inflación de la varianza. Las correlaciones de las variables seleccionadas fueron descompuestas en efectos directos e indirectos sobre la productividad de los frutos mediante el análisis de coeficientes de trayectoria. Se encontró una fuerte correlación entre las variables, excluyendo las variables altura, diámetro y masa promedio de los frutos. Por lo tanto, existen relaciones de causa y efecto entre la variable independiente la masa total de frutos y la variable principal de productividad total de frutos, y las variables diámetro y número total de frutos no contribuyeron a aumentar la productividad de tomate.

Palabras clave

Solanum lycopersicum, Coeficientes de trayectoria, Correlacion de Pearson, Multicolinealidad, Stepwise, Nutrición de plantas

PDF (English)

Citas

  1. Alvares, C.A., J.L. Stape, P.C. Sentelhas, J.L.G Moraes, G. Sparovek. 2013. Koppen’s climate classification map for Brazil. Meteorol. Zeitschrift 22, 711–728. doi:10.1127/0941-2948/2013/0507
  2. Anuário brasileiro de hortaliças, 2017. Hortaliças, Cleonice de Carvalho Benno Bernardo Kis. Editora Gazeta, Santa Cruz do Sul.
  3. Bastías, E., C. Alcaraz-López , I. Bonilla, M.C. Martínez-Ballesta , L. Bolaños, M. Carvajal. 2010. Interactions between salinity and boron toxicity in tomato plants involve apoplastic calcium. J. Plant Physiol. 167, 54–60. doi:10.1016/J.JPLPH.2009.07.014
  4. Cruz, C.D., A.J. Regazzi, P.C.S. Carneiro. 2012. Modelos biométricos aplicados ao melhoramento genético, 4th ed. Editora UFV, Viçosa.
  5. Donazzolo, J., V.P. Salla, S.A.Z. Sasso , M.A. Danner, I. Citadin, R.O. Nodari. 2017. Path analysis for selection of feijoa with greater pulp weight. Ciência Rural 47. doi:10.1590/0103-8478cr20161062
  6. Edel, K.H., E. Marchadier, C. Brownlee, J. Kudla, A.M Hetherington. 2017. The Evolution of Calcium-Based Signalling in Plants. Curr. Biol. 27, R667–R679. doi:10.1016/J.CUB.2017.05.020
  7. Fallahi, H.-R., S.H.R. Ramazani, M. Ghorbany, M. Aghhavani-Shajari. 2017. Path and factor analysis of roselle (Hibiscus sabdariffa L.) performance. J. Appl. Res. Med. Aromat. Plants 6, 119–125. doi:10.1016/J.JARMAP.2017.04.001
  8. FAO, 2017. FAO: Food and Agriculture Organization of the United Nations Statistics Division. [WWW Document]. URL http://www.fao.org/faostat/en/#data/QC
  9. González-Fontes, A., M.T. Navarro-Gochicoa, C.J. Ceacero, M.B. Herrera-Rodríguez, J.J. Camacho-Cristóbal, J. Rexach. 2017. Understanding calcium transport and signaling, and its use efficiency in vascular plants, in: Plant Macronutrient Use Efficiency. Elsevier, pp. 165–180. doi:10.1016/B978-0-12-811308-0.00009-0
  10. Kumar, D., R. Kumar, S. Kumar, M.L. Bhardwaj, M.C.Thakur, R. Kumar, K.S. Thakur, B.S. Dogra, A.Vikram, A. Thakur, P. Kumar. 2013. Genetic Variability, Correlation and Path Coefficient Analysis in Tomato. Int. J. Veg. Sci. 19, 313–323. doi:10.1080/19315260.2012.726701
  11. Lúcio, A.D., Storck, L., Krause, W., Gonçalves, R.Q., Nied, A.H., 2013. Relações entre os caracteres de maracujazeiro-azedo. Ciência Rural 43, 225–232. doi:10.1590/S0103-84782013000200006
  12. Moreira, S.O., L.S.A.Gonçalves, R. Rodrigues, C.P. Sudré, A.T. Amaral Júnior, A.M. Medeiros. 2013. Correlações e análise de trilha sob multicolinearidade em linhas recombinadas de pimenta (Capsicum annuum L.). Rev. Bras. Ciencias Agrar. 8, 15–20. doi:10.5039/agraria.v8i1a1726
  13. Olivoto, T., V.Q. de Souza, M. Nardino, I.R. Carvalho, M. Ferrari, A.J. Pelegrin, V.J. Szareski, D. Schmidt. 2017. Multicollinearity in path analysis: A simple method to reduce its effects. Agron. J. 109, 131–142. doi:10.2134/agronj2016.04.0196
  14. R Core Team, 2017. R: A language and environment for statistical computing. R Foundation for Statistical Computing.
  15. Rafiei, F., G.H.A. Saeidi. 2005. GENOTYPIC AND Phenotypic relationships among agronomic traits and yield components in safflower (Carthamus tinctorious l.). Sci. J. Agric. 28, 137–148.
  16. Rios, S. de A., A. Borém, P.E.O. Guimarães, M.C.D. Paes. 2012. Análise de trilha para carotenoides em milho. Rev. Ceres 59, 368–373. doi:10.1590/S0034-737X2012000300011
  17. Rodrigues, G.B., B.G. Marim, D.J.H. Silva, A.P. Mattedi, V. S. Almeida. 2010. Análise de trilha de componentes de produção primários e secundários em tomateiro do grupo Salada. Pesqui. Agropecuária Bras. 45, 155–162. doi:10.1590/S0100-204X2010000200006
  18. Sari, B.G., A.D. Lúcio, C.S. Santana, S.J. Lopes. 2017. Linear relationships between cherry tomato traits. Ciência Rural 47. doi:10.1590/0103-8478cr20160666
  19. Taiz, L., E. Zeiger, I. Moller, A. Murphy. 2017. Fisiologia e desenvolvimento vegetal, 6th ed. Artmed, Porto Alegre.
  20. Toebe, M., A.C. Filho. 2013. Multivariate nonnormality and multicollinearity in path analysis in corn. Pesqui. Agropecu. Bras. 48, 466–477. doi:10.1590/S0100-204X2013000500002
  21. Wright, S., 1923. The theory of path coefficients a reply to nile’s criticism. Genetics 8, 239–255.

Descargas

Los datos de descargas todavía no están disponibles.

Artículos más leídos del mismo autor/a

Artículos similares

1 2 3 4 > >> 

También puede {advancedSearchLink} para este artículo.