Original Title: Evaluation of some durum wheat genotypes for drought tolerance using stress selection indices
Source: li01.tci-thaijo.org
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការវាយតម្លៃសេណូទីបស្រូវសាលី durum មួយចំនួនសម្រាប់ភាពធន់នឹងគ្រោះរាំងស្ងួតដោយប្រើប្រាស់សន្ទស្សន៍ជម្រើសភាពតានតឹង

ចំណងជើងដើម៖ Evaluation of some durum wheat genotypes for drought tolerance using stress selection indices

អ្នកនិពន្ធ៖ G. Afrooz, N. Sabaghnia, R. Karimizadeh, F. Shekari

ឆ្នាំបោះពុម្ព៖ 2021, Thai Journal of Agricultural Science

វិស័យសិក្សា៖ Agronomy

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហានៃការថយចុះទិន្នផលស្រូវសាលីប្រភេទ durum ដោយសារគ្រោះរាំងស្ងួត ដែលការអភិវឌ្ឍពូជធន់ត្រូវបានរារាំងដោយកង្វះខាតលក្ខណៈវិនិច្ឆ័យប្រកបដោយប្រសិទ្ធភាពក្នុងការជ្រើសរើស។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការវាយតម្លៃលើសេណូទីបស្រូវសាលី durum ចំនួន ១៤ ប្រភេទ ក្រោមលក្ខខណ្ឌមាន និងគ្មានគ្រោះរាំងស្ងួត ដោយប្រើប្រាស់ការរចនាប្លុកដោយចៃដន្យពេញលេញ (RCBD) ដែលមាន ៤ ច្បាប់ចម្លង។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Stress Tolerance Index (STI) & Modified STI (K1STI, K2STI)
សន្ទស្សន៍ភាពធន់នឹងភាពតានតឹង (STI) និងសន្ទស្សន៍ដែលបានកែប្រែ (K1STI, K2STI)
អាចកំណត់សម្គាល់សេណូទីបដែលផ្តល់ទិន្នផលខ្ពស់ទាំងក្នុងលក្ខខណ្ឌមានទឹកគ្រប់គ្រាន់ និងលក្ខខណ្ឌគ្រោះរាំងស្ងួត។ ការគណនាមានភាពស្មុគស្មាញជាងសន្ទស្សន៍ធម្មតា និងទាមទារទិន្នន័យទិន្នផលជាមធ្យមនៃសេណូទីបទាំងអស់។ សន្ទស្សន៍ទាំងនេះមានទំនាក់ទំនងវិជ្ជមានខ្ពស់ជាមួយទិន្នផល ហើយបានកំណត់យ៉ាងជោគជ័យនូវពូជ G3 និង G8 ថាមានភាពធន់និងទិន្នផលខ្ពស់បំផុត។
Stress Susceptibility Index (SSI) & Tolerance (TOL)
សន្ទស្សន៍ភាពងាយរងគ្រោះដោយភាពតានតឹង (SSI) និងភាពអត់ធ្មត់ (TOL)
ងាយស្រួលក្នុងការស្វែងរកពូជដែលមានស្ថិរភាពខ្ពស់ (មានការធ្លាក់ចុះទិន្នផលតិចតួចនៅពេលជួបគ្រោះរាំងស្ងួត)។ ជារឿយៗវាផ្តល់អាទិភាពដល់ពូជដែលផ្តល់ទិន្នផលទាបក្នុងលក្ខខណ្ឌធម្មតា និងមិនស័ក្តិសមសម្រាប់ជ្រើសរើសពូជដែលមានសក្តានុពលទិន្នផលខ្ពស់។ ត្រូវបានរកឃើញថាមិនសូវមានប្រសិទ្ធភាពក្នុងការជ្រើសរើសសេណូទីបដែលមានសមត្ថភាពផ្តល់ទិន្នផលខ្ពស់ក្នុងលក្ខខណ្ឌទាំងពីរនោះទេ។
Geometric Mean Productivity (GMP) & Mean Productivity (MP)
ផលិតភាពមធ្យមធរណីមាត្រ (GMP) និងផលិតភាពមធ្យម (MP)
មានភាពងាយស្រួលក្នុងការគណនា និងមានទំនាក់ទំនងយ៉ាងជិតស្និទ្ធជាមួយទិន្នផលសរុប។ អាចនឹងមិនបែងចែកដាច់ស្រឡះរវាងពូជដែលធន់ និងមិនធន់ ប្រសិនបើភាពខុសគ្នានៃទិន្នផលរវាងលក្ខខណ្ឌទាំងពីរមានកម្រិតខ្លាំងពេក។ មានទំនាក់ទំនងវិជ្ជមានខ្លាំង (correlation) ជាមួយ YP ព្រមទាំង YS និងអាចប្រើប្រាស់ស្របគ្នាជាមួយសន្ទស្សន៍ STI បានយ៉ាងល្អ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានជាមូលដ្ឋានសម្រាប់ការពិសោធន៍កសិកម្មផ្ទាល់នៅទីវាល និងការវិភាគទិន្នន័យស្ថិតិកម្រិតខ្ពស់។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅស្ថានីយពិសោធន៍ Gachsaran ក្នុងប្រទេសអ៊ីរ៉ង់ ដែលមានអាកាសធាតុស្ងួត និងពាក់កណ្តាលស្ងួត ដោយប្រើប្រាស់ពូជស្រូវសាលី (Triticum durum) មកពី ICARDA។ ទោះបីជាកម្ពុជាមានអាកាសធាតុខុសគ្នាក៏ដោយ វិធីសាស្ត្រសន្ទស្សន៍និងការវិភាគទិន្នន័យទាំងនេះ មានតម្លៃខ្លាំងសម្រាប់ការវាយតម្លៃពូជដំណាំក្នុងស្រុក ស្របពេលដែលកម្ពុជាកំពុងប្រឈមនឹងបម្រែបម្រួលអាកាសធាតុ និងគ្រោះរាំងស្ងួតក្នុងរដូវប្រាំង។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រគណនាសន្ទស្សន៍ភាពធន់នឹងភាពតានតឹងនេះ គឺមានប្រយោជន៍ និងអាចយកមកអនុវត្តបានយ៉ាងល្អសម្រាប់ការអភិវឌ្ឍពូជដំណាំនៅប្រទេសកម្ពុជា។

ការអនុវត្តវិធីសាស្ត្រនេះនឹងជួយឱ្យអ្នកស្រាវជ្រាវកម្ពុជាអាចជ្រើសរើសពូជដំណាំដែលធានាបាននូវទិន្នផលខ្ពស់ មិនត្រឹមតែក្នុងរដូវវស្សាប៉ុណ្ណោះទេ ថែមទាំងអាចទប់ទល់នឹងសភាពរាំងស្ងួតបានយ៉ាងប្រសើរ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សារូបមន្តសន្ទស្សន៍ភាពធន់ (Understand Tolerance Indices): ស្វែងយល់ និងបង្កើតគំរូតារាងទិន្នន័យ Microsoft Excel ដើម្បីគណនាសន្ទស្សន៍សំខាន់ៗដូចជា STI, K1STI, K2STI, MP និង GMP ដោយផ្អែកលើរូបមន្តដែលបានបង្ហាញក្នុងឯកសារស្រាវជ្រាវ។
  2. រៀបចំការពិសោធន៍កសិកម្ម (Design Agricultural Experiments): រៀបចំការពិសោធន៍ដំណាំតាមស្តង់ដារ RCBD (Randomized Complete Block Design) ដោយបែងចែកជាពីរលក្ខខណ្ឌ៖ ទី១. ស្រោចស្រពទឹកគ្រប់គ្រាន់ និងទី២. ផ្អាកការស្រោចស្រពនៅវគ្គចេញផ្កា (Stress condition) សម្រាប់ដំណាំគោលដៅ (ឧ. ស្រូវ ឬពោត)។
  3. ការវិភាគទិន្នន័យកម្រិតខ្ពស់ (Data Analysis using Software): រៀនប្រើប្រាស់កម្មវិធីស្ថិតិដូចជា R Studio, SASMinitab ដើម្បីធ្វើការវិភាគ ANOVA, ស្វែងរកទំនាក់ទំនង (Correlation) និងធ្វើការវិភាគសមាសភាគចម្បង (PCA) ដើម្បីមើលពីទំនាក់ទំនងរវាងសន្ទស្សន៍និងទិន្នផល។
  4. ការបែងចែកចង្កោម និងជ្រើសរើសពូជ (Clustering & Genotype Selection): ប្រើប្រាស់ការវិភាគចង្កោម (Cluster Analysis/Dendrogram) ដើម្បីបែងចែកសេណូទីបជាក្រុម (Classes) បន្ទាប់មកជ្រើសរើសក្រុមសេណូទីបណាដែលផ្តល់ទិន្នផលខ្ពស់ក្នុងលក្ខខណ្ឌទាំងពីរ ដើម្បីយកទៅធ្វើការសាកល្បងបន្តនៅតាមវាលស្រែរបស់កសិករ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Genotype (សេណូទីប / ពូជ) សំណុំហ្សែនទាំងមូលដែលមាននៅក្នុងសរីរាង្គមួយ (ឧទាហរណ៍ ពូជស្រូវសាលីនីមួយៗ) ដែលកំណត់លក្ខណៈរូបសាស្ត្រ និងសមត្ថភាពរបស់វាក្នុងការលូតលាស់និងទប់ទល់នឹងមជ្ឈដ្ឋានខាងក្រៅ។ ដូចជា "ប្លង់មេ" នៃការសាងសង់ផ្ទះ ដែលកំណត់ថាតើផ្ទះនោះនឹងមានភាពរឹងមាំកម្រិតណាពេលមានខ្យល់ព្យុះ។
Stress Susceptibility Index (សន្ទស្សន៍ភាពងាយរងគ្រោះដោយភាពតានតឹង) ជារង្វាស់ដែលបង្ហាញពីកម្រិតនៃការធ្លាក់ចុះទិន្នផលរបស់ដំណាំ នៅពេលជួបប្រទះបញ្ហាខ្វះខាតទឹក (គ្រោះរាំងស្ងួត) ធៀបនឹងពេលមានទឹកគ្រប់គ្រាន់ ដែលតម្លៃកាន់តែទាបមានន័យថាដំណាំនោះកាន់តែមិនងាយរងគ្រោះ។ ដូចជាការវាស់ស្ទង់មើលថា សិស្សម្នាក់ធ្លាក់ពិន្ទុប៉ុណ្ណានៅពេលប្រឡងក្នុងបន្ទប់ដែលក្តៅខ្លាំងធៀបនឹងពេលប្រឡងក្នុងបន្ទប់ម៉ាស៊ីនត្រជាក់។
Stress Tolerance Index (សន្ទស្សន៍ភាពធន់នឹងភាពតានតឹង) ជារូបមន្តគណនាដើម្បីស្វែងរកពូជដំណាំណាដែលអាចផ្តល់ទិន្នផលខ្ពស់ ទាំងក្នុងលក្ខខណ្ឌអំណោយផល (មានទឹកគ្រប់គ្រាន់) និងលក្ខខណ្ឌលំបាក (គ្រោះរាំងស្ងួត)។ ដូចជាការស្វែងរកកីឡាករដែលអាចលេងបានល្អ និងរកពិន្ទុបានច្រើន ទាំងក្នុងស្ថានភាពដែលក្រុមមានប្រៀប និងស្ថានភាពដែលក្រុមកំពុងចាញ់ប្រៀប។
Principal Component Analysis (ការវិភាគសមាសភាគចម្បង) ជាវិធីសាស្ត្រស្ថិតិដែលបង្រួមទិន្នន័យមានអថេរច្រើន និងស្មុគស្មាញ ឱ្យមកនៅសល់ត្រឹមអថេរសំខាន់ៗចំនួន២ឬ៣ ដើម្បីងាយស្រួលមើលពីទំនាក់ទំនងនិងនិន្នាការរបស់វានៅលើគំនូសតាង។ ដូចជាការសង្ខេបសៀវភៅ១០០០ទំព័រ មកត្រឹមចំណុចសំខាន់២ទំព័រ ដែលនៅតែរក្សាអត្ថន័យដើមទាំងស្រុងដើម្បីឱ្យគេងាយយល់និងប្រៀបធៀប។
Cluster Analysis (ការវិភាគចង្កោម) ជាបច្ចេកទេសស្ថិតិក្នុងការបែងចែកទិន្នន័យ ឬពូជដំណាំទៅជាក្រុមៗ (ចង្កោម) ដោយផ្អែកលើលក្ខណៈស្រដៀងគ្នារបស់វា ដើម្បីងាយស្រួលជ្រើសរើសនិងវាយតម្លៃ។ ដូចជាការចាត់ថ្នាក់សិស្សក្នុងសាលាទៅតាមចំណង់ចំណូលចិត្តដូចជាអានសៀវភៅ កីឡា ឬសិល្បៈ ឱ្យចូលជាក្រុមដាច់ដោយឡែកពីគ្នា។
Anthesis (វគ្គចេញផ្កា) ជាដំណាក់កាលលូតលាស់របស់រុក្ខជាតិនៅពេលដែលកញ្ចុំផ្ការីកពេញលេញ និងត្រៀមបង្កកំណើត ដែលជាពេលដែលរុក្ខជាតិងាយរងគ្រោះបំផុតប្រសិនបើខ្វះជាតិទឹកឬមានកម្តៅខ្លាំង។ ដូចជាពេលវេលាដែលស្ត្រីកំពុងពពោះ ដែលទាមទារការថែទាំនិងសារធាតុចិញ្ចឹមខ្ពស់បំផុត ហើយងាយរងផលប៉ះពាល់ជាងពេលធម្មតាប្រសិនបើមានបញ្ហាសុខភាព។
Randomized Complete Block Design (ការរចនាប្លុកដោយចៃដន្យពេញលេញ) ជាទម្រង់រៀបចំការពិសោធន៍កសិកម្មដោយបែងចែកដីជាកន្លែងៗ (ប្លុក) និងដាំពូជដំណាំដោយចៃដន្យក្នុងប្លុកនីមួយៗ ដើម្បីកាត់បន្ថយឥទ្ធិពលនៃភាពមិនស្មើគ្នារបស់គុណភាពដីទៅលើលទ្ធផល។ ដូចជាការតម្រូវឱ្យសិស្សប្តូរកន្លែងអង្គុយលាយឡំគ្នានៅគ្រប់កន្លែងក្នុងថ្នាក់រៀនពេលប្រឡង ដើម្បីធានាថាមិនមានអ្នកណាបានពិន្ទុខ្ពស់ដោយសារតែអង្គុយជិតគ្រូជាងគេនោះទេ។
Geometric Mean Productivity (ផលិតភាពមធ្យមធរណីមាត្រ) ជារូបមន្តគណនាមធ្យមភាគនៃទិន្នផលដោយការគុណទិន្នផលក្នុងលក្ខខណ្ឌមានទឹកនិងគ្មានទឹក រួចទាញឫសការេ ដើម្បីកាត់បន្ថយឥទ្ធិពលនៃពូជដែលមានទិន្នផលខុសគ្នាខ្លាំងពេករវាងស្ថានភាពទាំងពីរ។ ដូចជាការវាយតម្លៃសមត្ថភាពរថយន្តដោយវាស់ល្បឿននៅលើផ្លូវកៅស៊ូ និងផ្លូវដីល្បាប់ ដើម្បីរកឡានដែលបើកបរមានស្ថិរភាពទាំងពីរស្ថានភាពជាមធ្យម។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖