Définition des sous-régions et identification du meilleur génotype par zone

Le GGE-biplot génère un polygone en reliant les marqueurs de génotypes plus éloignés de l'origine biplot, de sorte que tous les génotypes sont contenus dans le polygone (Kaya et

al., 2006). La conception polygonale d'un biplot est un moyen efficace pour visualiser les

formes de l'interaction entre le génotype et l'environnement (Yan and Kang., 2003) pour montrer la présence ou l'absence d'un GE croisé qui est utile pour estimer l'existence possible de différents méga environnements (Gauch and Zobel., 1997, Yan et Rajcan., 2002, Yan and Tinker., 2006). Le polygone du GGE biplot de notre étude est présenté par la (Figure 22).

99

Les sommets du polygone sont des marqueurs de génotype qui sont au maximum éloignés du centre du biplot. Les lignes divisant le biplot en secteurs représentent un ensemble d'environnements éventuel.

Si un génotype à un sommet angulaire du polygone tombe dans un secteur avec un marqueur d'environnement (ou Plusieurs marqueurs), cela signifie que la capacité de rendement de ce génotype est la plus élevée dans cet environnement.

Les meilleurs génotypes de chaque secteur sont ainsi pour les sites qui sont dans ce même secteur, de sorte que les sites ayant le même secteur partagent le même ou les mêmes meilleurs génotypes (Yan et al., 2000).

Une autre caractéristique importante de ce biplot est qu'il indique des groupements environnementaux, ce qui suggère l'existence possible de différents méga-environnements.

L’analyse GGE permet d’identifier les génotypes potentielles adaptés à une sous-région et ceux qui présentent une large adaptation. (Yan and Kang., 2003) proposent de relier les marqueurs des cultivars vertex par des segments de droite former un polygone. Les deux premières composantes principales expliquent 84% de la variation totale du GGE (Figure 22). Le polygone tracé forme sept sous régions différentes. Les cinq dernier de sous régions (3 à 7) n’ont pas de sites d’évaluations qui leur est spécifique. La sous régions 1 est représenté par deux sites expérimentaux qui sont E Setif (ITGC 2017/2018) et E El-khroub (ITGC 2017/2018). Par contre la deuxième sous régions 2 est représentée par le site expérimental E Rmada (ITGC Sétif 2018/2019).

Les résultats de la présente étude vont dans même sens que ceux de plusieurs recherches. En ce qui concerne l’identification des sous-régions, les plus contrastées et les plus intéressantes pour la sélection et l’évaluation du matériel végétal. En effet, Yan et al., (2000) utilisent la méthode GGE pour montrer que les zones céréalières canadienne peuvent être groupées, uniquement en deux sous régions comparativement aux quatre sous-région rationnellement reconnues.

Quem et al. (2010) utilisent l’analyse GGE pour grouper les sites d’évaluation en environnements plus ou moins homogène et pour identifier les génotypes qui sont performants dans chaque sous-région et ceux qui montrer une large adaptation à toutes les

100

sous-régions identifiées. Glaz et Kang (2008), utilisant la méthode GGE, identifier des sites dévaluation qui sont redondants pour la sélection de la canne du sucre en Floride.

En Algérie, Bendjama et al. (2014) identifient trois zones ou méga-environnements et les génotypes de blé dur les plus performants par zones. Nouar et al. (2012), utilisent l’analyse GGE pour grouper les sites d’évaluation en environnements plus ou moins homogène et pour déterminer la performance, la stabilité des génotypes de blé dur.

Cependant, une telle séparation des sites en deux méga environnements était quelque peu incohérente. (Annicchiarico et al., 2006) suggèrent que les sites de sélection testés dans la région du nord algérien sont groupés en deux méga environnements complexes, la sous- région A dont fait partie El-khroub et Guelma et la sous-région B qui englobe Sétif et Tiaret. Avec une interaction fréquente GX E entre les sites.

Les génotypes les plus performants par zones se situent aux têtes du polygone. En effet, HD38 (Tichedrett x Express) et HD52 (Tichedrett x Express) sont les meilleurs génotypes dans la sous-région 1 et 2 respectivement (Figure 22). Les lignées HD49, HD74, HD35 et le génotype Exito performent médiocrement sur l’ensemble des sites d’évaluations.

La méthode GGE biplot permet selon (Kang et al., 2006) d’identifier l’adaptation spécifique des génotypes aux environnements tests. Alors que d’autres recherchent ont tablé sur le zonage variétal reposant sur l’adaptation générale et spécifique en essayant d’attribuer des génotypes distincts à des zones particulières. Van Der Berg et al. (2011) identifient quatre méga-environnements et les génotypes à adaptation spécifique et ceux qui montrent une large adaptation. Sharma et al. (2010) utilisent cette technique pour déterminer la performance, la stabilité, et la supériorité des lignées de blé tendre d’hiver conduites sous irrigation, en Inde.

101

Figure 22 : GGE biplot représentant les génotypes performants dans chaque sous-région

"which-won-where"

2.3.5. Performance, stabilité génotypique et le génotype idéal

Le génotype désirable, adapté à la région ciblée, doit avoir une performance et une stabilité élevées, le vecteur AEC est orienté dans le sens de l’augmentation de la performance, ordonnait ainsi les différentes génotypes. La droite orientée dans les deux sens et passe par l’origine, et indicatrice de la variabilité (instabilité des performances) dans les deux directions. Ainsi un génotype dont la droite de projection sur le vecteur AEC est court est plus stable qu’un génotype dont la droite de projection est plus longue (Figure 23).

102

Le GGE biplot classe les génotypes par leur performance moyenne de rendement et leur stabilité dans un certain nombre d’environnements. Un génotype idéal est celui qui est performant et stable.

Les coordonnées du testeur moyen (ATC = Average Tester Cordinates), l’axe X, ou la ligne de performance, traverse l’origine du biplot avec une flèche indiquant l’extrémité positive de l’axe et classe les génotypes en fonction de leur performance. L’axe Y passe par l’origine du graphe et est perpendiculaire à l’axe X est un indicateur de stabilité des génotypes. La performance moyenne et la stabilité des génotypes sont estimées par des projections de leurs marqueurs sur l’axe des abscisses (scores PC2) ; un génotype ayant un long vecteur de projection est plus instable.

Dans notre étude, les lignées les plus performants sont par conséquent, HD52, HD94, HD98, HD92, HD84, HD90 et HD26, ont des performances supérieures à la moyenne et sont situées proche du génotype idéal, matérialisé par un petit cercle (Figure 23).

La comparaison des droites de projection longues sur l’axe AEC et ayant des scores PC2 faibles indique que les lignées HD52, HD94, HD98, HD92, HD84, HD90 sont les plus stables, alors que HD130, HD38 et HD62 est la plus instable à cause de son score PC2 élevé.

Les lignées, HD49, HD74, HD35 et le génotype Exito sont indésirables à cause de leurs scores PC1 négatifs et ont des performances inferieures à la moyenne parce qu’elles se situent en bas de l’axe AEC (Figure 23).

(Kang., 2002) notait que la performance d’un génotype est évaluée par son rendement et sa stabilité et que les sélectionneurs optent pour les génotypes performant dans différents environnements.

103

Figure 23 : GGE biplot représentant le classement des génotypes en fonction de la

performance et de la stabilité.

Le centre des cercles concentriques (Figure 24) représente la position d’un génotype « idéal », défini par une projection sur l’axe de l’environnement moyen qui est égal au plus long vecteur des génotypes ayant des rendements moyens supérieurs à la moyenne et par une projection nulle sur la ligne perpendiculaire (nulle dans tous les environnements).

Dans notre étude, la lignée HD52 qui occupe le centre du cercle parait être le génotype idéal en termes de performance et stabilité. Les lignées HD94, HD98, HD92, HD84 et HD90 qui se trouvent dans le deuxième cercle sont désirables (Figure 24). Yan et Tinker., 2006 notaient que plus un génotype est proche de l’idéal, plus il est désirable. Bien que, le génotype «idéal» peut ne pas exister en réalité, il peut être utilisé comme référence pour l’évaluation des génotypes.

104

Figure 24 : GGE biplot représentant la localisation du génotype idéal.