Vous êtes sur la page 1sur 8

99

Soumis le : 21 Octobre 2010


Forme rvise accepte le : 13 Fvrier 2011
Email de l'auteur correspondant :
bouzerzourh@yahoo.fr

Nature & Technologie

Analyse de linteraction gnotype x milieux du rendement de lorge


(Hordeum vulgare L.): application des modles AMMI et la rgression
conjointe
Abdelkader Menad1, Nassila Meziani2, Hamenna Bouzerzour3, Amar Benmahammed3
1
2
3

Dpartement de biologie, Universit de Saida

Dpartement de biologie, Universit de Boumerdes

Laboratoire deValorisation des Ressoucres Biologiques Naturelles (LVRBN), Fac. SNV, UFA Stif, 19000

Rsum. Confronte des contraintes dordre climatiques et techniques, la production algrienne dorge est faible et surtout variable dans lespace et le
temps. La slection de varits plus performantes est confronte la prsence dinteraction gnotype x milieux significative qui en rduise lefficacit. La
prsente tude, conduite sur 4 sites Khroub, Stif, Sidi Bel Abbes et Sada, analyse linteraction gnotype x environnements du rendement grain de 12
lignes et cultivars dorge (Hordeum vulgare L.), dorigines diverses. Linteraction est analyse avec les modles de la rgression conjointe et lAMMI. Les
rsultats de lanalyse combine confirment la prsence de linteraction dont 62.9 et 79.8% sont, respectivement, expliqus par la rgression et lAMMI. La
rgression identifie deux zones diffrentes permettant dexploiter positivement linteraction ; la premire reprsente le domaine de recommandation de
Fouara et la seconde celui de la varit Acsad176. Lanalyse AMMI indique que la varit Acsad176 prsente une adaptation gnrale lensemble des
environnements alors que les autres gnotypes prsentent des adaptations spcifiques permettant de valoriser chaque environnement. Ladoption dune
stratgie, qui exploite positivement linteraction sur les sites haut potentiel de production et ladaptation gnrale pour les sites au potentiel relativement
plus faible, permet damliorer le rendement grain de 6%.
Mots cls. Hordeum vulgare L. ; rendement ; interaction ; slection ; rgression ; AMMI ; stress.

1. Introduction
En Algrie, 35 % de la superficie cralire est
consacre la culture de lorge qui est concentre entre
les isohytes 250 et 450 mm. Le rendement de cette
espce est faible et irrgulier, suite aux effets des
contraintes climatiques et aux techniques culturales
appliques qui restent peu performantes [1]. La recherche
vise slectionner des lignes haut potentiel de
rendement et production plus rgulire, peu sensibles
aux variations climatiques dun lieu de production
lautre et dune anne lautre [2, 3]. Cette recherche
passe par lidentification dune architecture gnotypique
qui sharmonise au mieux avec le milieu de production,
grce un rythme de dveloppement appropri et dune
meilleure efficacit dutilisation de leau [4]. En dehors
des espoirs fonds sur la slection assiste par des
marqueurs molculaires, de tels gnotypes restent
difficiles identifier suite la prsence de linteraction
gnotype x environnements (GxE) [1, 3, 5].
En milieux favorables, la slection faite sur la base du
rendement a engendr un progrs gntique qui avoisinait
1% par an pour un potentiel de 70 q/ha [6]. Le mme
Revue Nature & Technologie . n 05/Juin 2011. Pages 99 106

schma de slection, appliqu dans les environnements


contraignants, aboutit des rsultats peu significatifs et
surtout variables dans lespace et le temps [1, 3, 7]. Les
nouvelles slections dorge montrent en gnral une faible
stabilit spatio-temporelle des rendements et les varits
les moins variables ne sont pas les plus productives [8].
Ceccarelli et al., [9] mentionnent que la recherche d'une
large adaptation conduit l'identification de peu de
gnotypes adapts sur de vastes superficies, o la
variation climatique est trs importante. Cette pratique
rduit la diversit gntique et augmente les risques
dobtention de faibles rendements. De plus, elle sous
valorise la spcificit des terroirs vu que les agriculteurs
ne sont pas intresss par des cultivars largement adapts
dans lespace, mais plutt par des cultivars
spcifiquement adapts leurs conditions et utilisations.
De nouveaux outils et mthodes danalyse des
donnes, plus performants, sont dvelopps pour mieux
interprter linteraction GxE et ainsi mieux exploiter les
donnes recueillies. Ltude de linteraction GxE offre, en
effet, lopportunit de slectionner des gnotypes qui
montrent une interaction positive dans certaines localits
et sous certaines conditions environnementales
spcifiques. Comme elle offre aussi lopportunit de
slectionner des gnotypes large adaptation, caractriss

100

Analyse de linteraction gnotype x milieux du rendement de lorge (Hordeum vulgare L.)

par un rendement au dessus de la moyenne et une faible


variation inter sites [9, 10]. Dans ce contexte lutilisation
de la rgression conjointe et de lanalyse AMMI sont des
outils statistiques souvent efficaces pour interprter
linteraction [3, 11, 12]. La prsente contribution a pour
objectif danalyser linteraction GxE du rendement grain
de douze gnotypes dorge (Hordeum vulgare L.) valus
sur 4 sites, en utilisant les modles de la rgression et
lAMMI.

2. Matriel et mthodes
2.1. Dispositif exprimental et variables mesures
Lexprimentation a t mene sur quatre sites,
reprsentant laire o prdomine la culture de lorge avec
20 % de la production nationale. Les sites exprimentaux,
caractriss par un climat variant du subhumide laride,
sont ceux des stations exprimentales de lInstitut
Technique des Grandes Cultures (ITGC) du Khroub,
Stif, Sidi Bel Abbs et Saida. Lessai multi sites a t
ralis avec douze varits dorge dorigines locale,
syrienne et europenne. Le dispositif exprimental, adopt
par site, est le modle des blocs alatoires complets avec
trois rptitions. Lunit exprimentale est une parcelle de
10 m de long sur 1.20 m de large (6 rangs espacs de 0.20
m). 100 kg ha-1 d'azote, sous forme d'ure, ont t
appliqus en dbut de la priode de croissance active de la
vgtation, au mois de mars. Le contrle des mauvaises
herbes est effectu chimiquement par application de
l'herbicide Gand Star, raison de 12.0 g ha-1, aprs
lapplication de la fertilisation azote. La fertilisation
phosphate est applique avant le semis raison de 100
kg ha-1 de super phosphate 46%. Parmi les variables
mesures seul le rendement grain fait lobjet danalyse
dans le prsent article.
2.2. Analyses des donnes
Les donnes du rendement grain ont fait lobjet dune
analyse de la variance par site pour dduire leffet
gnotype et identifier les meilleurs gnotypes par site,
dont la moyenne de rendement est incluse dans
lintervalle du rendement maximal moins la plus petite
diffrence significative au seuil de 5%. Une analyse de la
variance combine des donnes des qui montrent un effet
gnotype significatif a t faite selon le modle :
Yijk = + Gi + Lj + (G x L)ij + eijk
o Yijk est le rendement du gnotype i sur le site j et la
rptition k, est la grande moyenne, Gi est leffet moyen
du gnotype i, lj est leffet moyen du site j, (G x L)ij est
linteraction du gnotype i sur le site j, et eijk est lerreur
pondrale [11].
Pour dcomposer linteraction (GxL)ij, en vue
didentifier les gnotypes large adaptabilit et

ventuellement les gnotypes haut rendement ayant une


adaptation spcifique, les modles de la rgression
conjointe et de lanalyse des effets additifs et de
linteraction multiplicative (AMMI) ont t utiliss. La
rgression a t applique selon la mthode dcrite par
Finlay et Wilkinson [13], dans laquelle leffet (G x L)ij a
t subdivis en deux composantes biLj et dij, qui
reprsentent, respectivement, la rgression linaire du
rendement du gnotype i sur lindice du milieu du site j et
la dviation de la rgression. La pente b a t dtermine
pour chaque gnotype ainsi que la contribution de ce
dernier linteraction (G x L)ij et sa dviation de la
rgression. Cette dernire reprsente la variance di
dEberhart et Russel [14], qui est une mesure de la
stabilit du gnotype considr. Linteraction (G x L)ij a
t aussi subdivis selon le modle AMMI dcrit entre
autres par Zobel et al.,, [11] : (G x L)ij = nninj +rij,
o est la somme des n =1, 2 n axes de lanalyse en
composantes principales (PCA) intgrant le modle, n est
la valeur propre de laxe n, uni est le vecteur propre du
gnotype i sur laxe n, vnj est le vecteur propre du site j
sur laxe n, et rij est la rsiduelle de linteraction. Les
analyses ont t faites avec le logiciel Irristat, en utilisant
la procdure cross site analysis qui donne
simultanment les rsultats de lanalyse AMMI et celle de
la rgression conjointe [15]. Pour comparer les paramtres
statistiques mesurant la stabilit, le coefficient de
corrlation de rang de Spearman (rs) a t calcul avec le
logiciel Past [16].
3. Rsultats et discussion
3.1. Performances de rendement par site et inter sites
Lanalyse de la variance du rendement grain, par site,
indique un effet gnotype significatif 5%, pour
lensemble des localits (Tableau 1). Ceci est une
indication de la variabilit gntique suffisante,
exploitable en slection sur chaque site. La moyenne de
rendement des douze gnotypes varie de 1.0 t ha-1, valeur
mesure chez le cultivar Jador, sur le site de Sada, 6.0 t
ha-1, rendement du gnotype Fouara, sur le site du
Khroub. Les meilleurs gnotypes par site, dont le
rendement est gal ou suprieur au rendement maximal
dduit de la plus petite diffrence significative au seuil de
5%, sont donns au tableau 1. Acsad176 et Rahma sont
classs parmi les meilleurs gnotypes dans trois sites sur
quatre, alors que Fouara, Sada, Tichedrett et Rihane
figurent parmi les meilleurs gnotypes dans deux sites sur
quatre (Tableau 1). Le fait, que chaque site identifie un
jeu spcifique de gnotypes performants, est une
indication de la prsence de linteraction gnotype x
localits (GxL) significative. Lanalyse combine du
rendement de lensemble des localits confirme la
prsence dune interaction GxL hautement significative
(Tableau 2).

Revue Nature & Technologie . n 05/Juin 2011

Le modle additif de lanalyse de la variance montre


un effet site hautement significatif, expliquant 80.4% de
la variation totale des traitements, avec 6.4% seulement
des degrs de libert (Tableau 2). Leffet moyen
gnotype, qui est le centre dintrt de lanalyse, nest pas
significatif. Linteraction explique 13.2% de la somme
des carrs des carts de leffet traitement avec 70% des
degrs de libert (Tableau 2). Ces rsultats indiquent que
la variation inter sites est trs leve. Cette variation

101

gnre des changements de classement des performances


gnotypiques ce qui fait, quen moyenne, on nobserve
pas deffet gnotype. Ce type danalyse de la variance
conduit le plus souvent tirer la conclusion que chaque
site doit tre analys sparment suite sa spcificit. La
gnralisation des rsultats plus dun site, voire une
rgion entire, nest pas possible alors quelle est
gnralement dun grand intrt pour le slectionneur [3,
7, 17].

Tableau 1. Carrs moyens des cartes de lanalyse de la variance du rendement grain obtenu par site, effet moyen site et gnotypes se
classant en premire position pour le rendement grain par localit
Source de
Localits
Variation
ddl
Khroub
Setif
Sidi Bel Abbs
Sada
Gnotype
11
0.275
0.118
0.011
0.025
Bloc
2
2.991**
0.218**
0.296**
0.321**
Erreur
22
0.512
0.060
0.037
0.0300
CV (%)
16.8
11.7
6.5
13.2
RDT/localit (t ha-1)
4.253
2.091
2.99
1.31
Meilleurs
Fouara
Acsad176
Acsad176
Acsad176
Gnotypes
Saida
Plaisant
Barberousse
Rahma
Par site
Tichedrett
Rahma
Fouara
Rihane
Tina
Rahma
Rihane
Saida
Tichedrett
** effet significatif au seuil de 1%. = gnotype dont le rendement par site [rendement max 1ppds5%]

Tableau 2. Analyse de la variance combine du rendement grain


(g m-2) des diffrentes localits
Source de variation
Localit (L)
Bloc /L
Gnotype (G)
GXL
Rsiduelle

ddl
3
8
11
33
88

CMEa
574.08**
1.07ns
12.47ns
8.60**
1.6

R(%)
80.4
--13.2
--

a= x 103 , ddl= degrs de libert, CME= carrs moyens des carts,


R(%)= pourcentage de la SCE expliqu par rapport au total traitement
et SCE G x L

3.2. La rgression conjointe


Dans de telles situations, Annichiarico et al., [7]
suggrent dutiliser la rgression conjointe pour modliser
le comportement gnotypique sur les sites tests et par l
mme sur lensemble des environnements possibles.
Lapplication de ce modle linteraction GxL explique
62.9% de la somme des carrs des carts de linteraction
(Tableau 3). La dviation de la rgression est non
significativement diffrente de la rsiduelle de lanalyse
de la variance combine. Ceci indique que lessentiel de
la SCE de linteraction est explique par la rgression. Le
modle linaire est donc bien adapt dans ce cas (Tableau
3). Lhtrognit des rgressions est significative
suggrant des coefficients de rgression diffrent les uns
des autres. Le comportement des gnotypes varie donc
Revue Nature & Technologie . n 05/Juin 2011. Pages 99 106

selon les environnements. Lanalyse des pentes


individuelles des gnotypes confirme ces diffrents
comportements (Tableau 4, Figure 1). En effet Bahia se
caractrise par une pente significativement infrieure
lunit, alors que Fouara, Sada et Tichedrett prsentent
des pentes significativement suprieures lunit. Le reste
des gnotypes valus ont des pentes qui ne dvient pas
significativement de lunit (Tableau 4).
Tableau 3. Analyse de la rgression conjointe du rendement
grain (g m-2)
Source de variation
ddl
CMEa
R(%)
Htrognit de la rgression 11
16.18**
62.9
Dviation de la rgression
22
4.79
---a= x 103 , ddl= degrs de libert, CME= carrs moyens des carts,
R(%)= pourcentage de la SCE expliqu par rapport au total traitement
et SCE G x L

Bahia est spcifiquement adapte aux zones


caractrises par de fortes contraintes abiotiques, suite
aux valeurs de la pente et de lordonne lorigine.
Fouara prsente une moyenne de rendement inter sites
leve, associe une pente significativement suprieure
lunit et une ordonne lorigine ngative. Cette
varit est adapte spcifiquement aux zones dont le
potentiel de production est relativement plus lev
(Tableau 4).

102

Analyse de linteraction gnotype x milieux du rendement de lorge (Hordeum vulgare L.)

Tableau 4. Moyennes gnotypiques (Yi.), coordonnes sur lIPC1 (score), coefficients de rgression (b), et ordonnes
lorigine (a) du rendement grain (g m-2) des 12 gnotypes valus dans 4 localits
Gnotypes/Sites
Yi.
score
b
a
Plaisant
246.8
-3.07
0.77*
43.01
Tina
267.4
2.85
1.07*
-18.78
Bgonia
263.6
-0.42
0.97*
6.89
Jador
217.0
-5.27
0.68*
37.04
Bahia
210.9
-7.77
0.49+
81.22
Fouara
306.0
9.40
1.65**
-130.67
Rahma
295.1
-0.40
0.94*
46.33
Acsad176
301.1
-0.89
0.88*
68.21
Barberousse
235.0
-5.42
0.73*
41.71
Sada
288.2
6.06
1.47**
-100.84
Rihane03
279.3
1.71
1.06*
-1.23
Tichedrett
280.0
3.21
1.27**
-56.11
Khroub
425.3
14.5
--Sidi Bel Abbs
292.9
-4.6
--Stif
209.1
-4.9
--Saida
131.3
-6.1
--+, *, ** = coefficient de rgression significativement infrieure 1, non significativement diffrent de 1 et significativement suprieur 1 respectivement.

Figure 1. Comportement prdictif des gnotypes valus pour le rendement selon le modle de la rgression conjointe.

Revue Nature & Technologie . n 05/Juin 2011

Les droites prdictives des rendements mettent en


relief deux zones diffrentes. Lune favorable, comportant
les sites de Sidi Bel Abbs et du Khroub, reprsente le
domaine de recommandation de Fouara. La seconde zone,
moins favorable lexpression du rendement, intgre les
sites de Saida et Stif, elle reprsente le domaine de
recommandation de la varit Acsad176, qui a une
moyenne de rendement plus leve que celles de Rahma
et Tina (Tableau 4, Figure 1). Le choix de ces deux
varits pour les deux zones contrastes est une manire
dexploiter positivement linteraction GxL. Les quatre
sites dvaluation ont t regroups, sur la base des
prvisions de ce modle, en deux zones diffrentes,
chacune avec son gnotype spcifique.
3.3. Lanalyse AMMI
La premire composante principale (IPCA1) du modle
AMMI explique 79.80% de la somme des carrs des
carts de linteraction. La rsiduelle du modle est non
significativement diffrente de lerreur pondre (Tableau
5). Ces rsultats indiquent que les scores des gnotypes et
des sites sur la premire composante principale de
linteraction (IPCA1) expliquent la presque totalit de
linteraction prsente dans la matrice des donnes du
rendement soumises lanalyse. Le biplot AMMI1 de
lIPCA1 et des effets moyens gnotype et localit montre
clairement comment chaque gnotype forme son
rendement (effet additif seulement ou additif +
multiplicatif) et quelle localit il est plus adapt (Figure
2).
Tableau 5. Analyse de variance du rendement grain (g m-2)
selon le modle AMMI1
Source de variation
IPC1
Rsiduelle

ddl
13
20

CMEa
17.42**
2.84

R(%)
79.8
---

a= x 103 , ddl= degrs de libert, CME= carrs moyens des carts,


R(%)= pourcentage de la SCE expliqu par rapport au total traitement
et SCE G x L ; ICP1= premire composante principale de linteraction

Selon Zobel et al., [11] les gnotypes, qui ont de


faibles scores sur lIPCA1, contribuent faiblement
linteraction, et ce fait se caractrisent par une adaptation
gnrale. Par contre ceux qui ont des scores levs,
positifs ou ngatifs, prsentent de fortes interactions. Ils
sont spcifiquement adapts lenvironnement qui a le
score de mme signe. Le graphe AMMI1 indique que les
localits Khroub (KHR) et Saida (SAI), suite leurs
scores levs, discriminent mieux entre les performances
des diffrents gnotypes valus et sont une source
significative de contribution linteraction. Par contre les
sites de Stif (SET) et Sidi Bel Abbes (SBA) contribuent
nettement moins linteraction. De part leur position le
long de laxe des effets moyens, Fouara a le meilleur
rendement et Bahia le plus faible rendement, en moyenne

103

des 4 localits (Figure 2). Acsad176, Rahma et Sada


diffrent peu du point de vue effet moyen, mais
contribuent diffremment linteraction, vu leurs
positions le long des axes IPCA1 et effet moyen. Suite
leurs positions toutes proches de lorigine, Acsad176,
Tichedrett, Rahma, Rihane03, Tina, Bgonia et Plaisant
prsentent une adaptation gnrale lensemble des
localits (Figure 2). Dans ce groupe adaptation
gnrale, Acsad176 a leffet moyen le plus lev. Il est
donc le plus recommand pour lensemble des sites,
comme nouvelle varit pour la grande culture et aussi
comme tmoin, pour ladaptation gnrale, au niveau des
essais comparatifs de rendement. Suite sa grande
sensibilit au gel tardif [18], Acsad176 pourrait tre
remplac par Rahma (Figure 2). Fouara et Sada
ragissent la variation des lieux, elles prsentent une
adaptation spcifique au site du Khroub, alors que Bahia
et Jador prsentent une adaptation spcifique aux
localits Sada et Stif (Figure 2).
Le biplot AMM1 suggre trois alternatives possibles
pour le slectionneur. La premire alternative est
dadopter le choix dun gnotype performant et
adaptation gnrale comme Acsad176. La deuxime
alternative est dutiliser positivement linteraction, par le
choix du gnotype spcifiquement adapt aux sites haut
potentiel de production associ au choix de gnotype
large adaptation pour les localits faible potentiel de
production. En effet les diffrences entre gnotypes sont
plus marques sur les sites haut potentiel que sur les
sites faible potentiel de rendement (Figure 2). Dans ce
cas de figure, on retient Fouara pour le site du khroub,
Acsad176 pour les autres localits qui formeront ainsi une
rgion aux potentialits plus ou moins similaires (Figure
2). La troisime alternative est daffecter chaque site son
gnotype spcifique. Sous ce scnario on retient Fouara
pour Khroub, Acsad176 pour Sidi Bel Abbs, Jador pour
Stif et Bahia pour Sada (Figure 2).
Selon Zobel et al., [11] le modle AMMI1 dcompose
la variable analyse en deux termes : leffet additif +
linteraction. Leffet additif est estim par : Yi. + Y.j Y..
Linteraction est estime par le produit des scores
GIPCA1 x LIPCA1. Yi., Y.j, Y.., GIPCA1 et LIPCA1
reprsentent respectivement leffet moyen gnotype,
leffet moyen localit, la grande moyenne, le score du
gnotype et le score de la localit sur lIPCA1.
Lestimation des rendements attendus pour les diffrentes
stratgies de slection indique que ladoption dune
stratgie, qui exploite positivement linteraction sur les
sites haut potentiel de production et ladaptation
gnrale pour les sites au potentiel relativement plus
faible, permet damliorer le rendement de 6%. La
stratgie dadoption de gnotypes adaptation spcifique
par site ne permet quun gain de rendement grain de 3.6%
(Tableau 6). Il est intressant de remarquer que la
slection des gnotypes adapts aux sites haut potentiel
de rendement associ la slection des gnotypes large

104

Analyse de linteraction gnotype x milieux du rendement de lorge (Hordeum vulgare L.)

Tableau 6. Rendements et gains de rendements attendus (g m-2) selon trois stratgies de slection possibles: adaptation
gnrale, adaptation spcifique et combinaison des deux.
Stratgie
Site
Gnotype
Rendement
Moyenne
indice
Adaptation
KHR
Acsad176
448.8
Gnrale
SBA
Acsad176
288.1
SET
Acsad176
202.9
SAI
Acsad176
135.5
301.3
100.0%
Adaptation
KHR
Fouara
602.9
Gnrale +
SBA
Acsad176
333.4
Spcifique
SET
Acsad176
202.9
SAI
Acsad176
135.5
317.8
105.8%
Adaptation
KHR
Fouara
602.9
Spcifique
SBA
Acsad176
333.4
SET
Jaidor
187.2
SAI
Bahia
124.9
312.1
103.6%

Figure 2. Biplot AMMI1 reprsentant la relation entre les scores de lIPCA1 et les effets moyens gnotype et localit du
rendement grain des 12 gnotypes valus

105

Revue Nature & Technologie . n 05/Juin 2011

adaptation pour les environnements faible potentiel de


rendement aboutit aux mmes conclusions que lanalyse
faite sur la base des rsultats du modle de la rgression
linaire.
3.4. Stabilit du rendement
La stabilit du rendement est perue en termes de
rduction de la frquence des faibles rendements. Cest un
objectif de slection trs important dans les
environnements contraignants [18]. Le coefficient de
rgression (b) et la variance inter- sites sont gnralement
utiliss pour mesurer la stabilit agronomique [19].Les
scores de lIPCA1 sont aussi utiliss pour approcher la
stabilit du rendement dun gnotype donn [11, 20]. Le
coefficient de corrlation de rang de Pearson (rs) indique
des liaisons significatives entre ces trois paramtres et

avec la moyenne du rendement grain (Tableau 7). La


nature de ces corrlations indique que les gnotypes
performances se distinguent globalement par des valeurs
leves de la pente, du score IPCA1 et de la variance inter
sites. Ces rsultats suggrent que la stabilit nest pas lie
aux performances de rendement et que les gnotypes au
rendement lev sont relativement peu stables. Lorsquon
privilgie la stabilit de la production, pour rduire des
risques de rendements nuls, sous stress, il faut
slectionner des gnotypes moins performants. Dans ce
contexte, Ceccarelli et al., [9] font remarquer que le
rendement potentiel est souvent ngativement corrl
avec la tolrance. Les gnotypes trs productifs souffrent
une plus grande rduction du rendement sous stress
hydrique comparativement aux gnotypes au rendement
modr.

Tableau 7. Coefficients de corrlation de Spearman (rs) entre les diffrents


du rendement grain (Yi.) des 12 gnotypes dorge valus dans 4 localits.
Paramtres
Yi.
b
Yi.
1.00
b
0.74**
1.00
IPCA1
0.77**
0.99**
**
S
0.73
0.99**

paramtres mesurant la stabilit et les moyennes


IPCA1

1.00
0.97**

1.00

*, ** = rs significatif au seuil de 5 et 1% respectivement

Fellah et al., [21] trouvent une relation ngative entre


l'adaptation, mesure par la tolrance au stress thermique
et le rendement grain. Les varits tolrantes produisent
moins en absence de stress comparativement aux varits
sensibles. L'inverse est vrai en prsence de stress, avec un
cart de rendement entre environnement, plus lev chez
les gnotypes sensibles que chez les gnotypes tolrants.
L'amplitude de l'cart est du surtout aux bonnes
performances des gnotypes sensibles sous conditions
optimales et non leurs performances sous stress
hydrique qui restent trs proches de celles des varits
tolrantes.
4. Conclusion
Les modles de la rgression et lAMMI, utiliss pour
ltude de linteraction gnotype x localits du rendement
grain ont permis didentifier les varits Acsad176 et
Rahma comme tant des varits large adaptation et la
varit
Fouara

adaptation
spcifique
aux
environnements favorables reprsents dans cette tude
par le site du Khroub. Ladoption dune stratgie, qui
exploite positivement linteraction sur les sites haut
potentiel de production et ladaptation gnrale sur les
sites au potentiel relativement plus faible, permet
damliorer le rendement grain de 6%.

Rfrences

[1] Benmahammed A., A. Djekoun, H. Bouzerzour, KL Hassous.


Dirassat Journal of Agricultural Sciences 32 (2005) 239-247
[2] Bahlouli F., H. Bouzerzour , A. Benmahammed. Pakistan Journal of
Agronomy 4 (2005) 360-365.
[3] Kadi Z., F. Ajel, H. Bouzerzour. Advance in Environmental
Biology 4 (2010) 34-40.
[4] Richards, R.A., G.J. Rebetzke, A.G. Condon, A.F. Van Herwaarden.
Crop Sci. 42 (2002) 111121.
[5] Campbell, B.T.,Baenzinger, P.S., Eskridge, K.M., Budak, H., Streck,
N.A., Weiss, A., Gill, K.S., Erayman, M. Crop Sci. 44 (2004) 620-627.
[6] Condon, A.G., Richards, R.A., Rebetzke, G.J., Journal of
Experimental Botany, 55 (2004) 2447-2460.
[7] Annicchiarico P., Z. Abdellaoui, M. Kelkouli, H. Zerargui. Journal
of Agricultural Science, 143 (2005) 57-67
[8] Bouzerzour H., A. Djekoun, A. Benmahammed, K.L Hassous.
Cahiers d'Agriculture 8 (1998)133-137.
[9] Ceccarelli, S., Grando, S., Impiglia, A. Euphytica 103 (1998) 307
318.
[10] Sinebo, W. Field Crops Research 92 (2005) 3552.
[11] Zobel, R.W., M.J. Wright, H.G. Gauch.. Agron. J. 80( 1988) 388
393
[12] Fan, X.M., M. S. Kang, H. Chen, Y. Zhang, J. Tan, C. Xu. Agron.
J. 99 (2007) 220228.
[13] Finlay, K.W., G.N.Wilkinson. Aust. J. Agric. Res. 14 (1963) 742
754.
[14] Eberhart, S.A., W. A. Russell. Crop Sci. 6 (1966) 3640
[15] Annicchiarico, P. FAO Plant Production and Protection Paper
N 174 (2002) FAO, Rome.
[16] Hammer, O., D.A.T. arper, P.D. Ryan. Palaeontologia electronica, 4
(2001) 1-9.

106

Analyse de linteraction gnotype x milieux du rendement de lorge (Hordeum vulgare L.)

[17] Annicchiarico, P., F. Bellah, T. Chiari. Eur. J. Agronomy 24 (2006)


70- 81.
[18] Bouzerzour H., A. Benmahammed, N. Benkharbache, K.L.
Hassous. Revue Recherche Agronomique (INRAA) 10 (2002) 4558.
.

[19] Lin, C.S., M.R. Binns, L.P. Lefkovitch. Crop Sci., 26 (1986) 894 900.
[20] Mohammadi, R., M. Armion, A. Shaban, A. Daryaei. Asian
Journal of Plant Sciences 6 (2007) 1261-1268.
[21] Fellah, A., H. Bouzerzour, A. Benmahammed, A. Djekoun.
Actes de lIAV HII, 64 (2002) 35-42.