A factor analytic model was used to characterize data generated with the Hagberg–Perten falling number (FN) method, a measure of wheat (Triticum aestivum L.) quality influenced by genotype‐by‐environment interactions. The FN method detects starch degradation due to the presence of the enzyme α‐amylase in wheat grain such that a low FN indicates high α‐amylase activity and high risk of poor end‐product quality. Because farmers receive severe discounts for low FN, FN data have been collected over multiple years for the Washington State University multilocation variety trials to help farmers and breeders identify lower risk varieties. Analysis of these data to objectively rank varieties is challenging because the dataset is unbalanced and because FN is subject to complex genotype‐by‐environment interactions. Low FN can result from environmental differences at multiple stages in grain development because there are two major causes of α‐amylase accumulation in grain, late‐maturity α‐amylase (LMA) and preharvest sprouting (PHS). A five‐factor analytic model extracted explicit measures of overall performance and of stability in variable environments from historical FN data from the multilocation trial, providing a basis for breeding and planting decisions. Whereas a linear model explained 70.3% of the variation, the five‐factor analytic model accounted for 92.5% of variation in the data. Examination of factor loadings enabled us to separate environments and genotype response to either PHS or LMA, specifically. This is the first application of a factor analytic model to evaluate the end‐use quality trait FN, providing a method to rank varieties for grower decisions and breeder selections.

中文翻译：

---

因子分析模型在多环境试验中评估小麦降落表现和稳定性的应用

使用因子分析模型来表征通过Hagberg–Perten落数（FN）方法（一种小麦（小麦）的测量方法）生成的数据。L.）质量受基因型-环境相互作用的影响。FN方法可检测出小麦籽粒中存在α-淀粉酶，从而导致淀粉降解，因此，FN值低表示α-淀粉酶活性高，最终产品质量差的风险也很高。由于农民因低FN而获得了很大的折扣，因此多年来收集的FN数据用于华盛顿州立大学多地点品种试验，以帮助农民和育种者识别低风险品种。对这些数据进行分析以客观地对品种进行排名具有挑战性，因为数据集不平衡，并且FN受到复杂的基因型-环境相互作用的影响。FN低可能是由谷物发育多个阶段的环境差异引起的，因为谷物中α-淀粉酶积累的两个主要原因是：后期成熟α-淀粉酶（LMA）和收获前发芽（PHS）。五因素分析模型从多地点试验的历史FN数据中提取了显着的总体性能和可变环境中稳定性的度量，为繁殖和种植决策提供了基础。线性模型解释了70.3％的变化，而五因素分析模型则解释了数据中92.5％的变化。因子加载的检验使我们能够分别区分环境和基因型对PHS或LMA的反应。这是首次使用因子分析模型来评估最终使用质量特征FN，从而为种植者的决策和育种者的选择提供了对品种进行排名的方法。五因素分析模型从多地点试验的历史FN数据中提取了显着的总体性能和可变环境中稳定性的度量，为繁殖和种植决策提供了基础。线性模型解释了70.3％的变化，而五因素分析模型则解释了数据中92.5％的变化。因子加载的检验使我们能够分别区分环境和基因型对PHS或LMA的反应。这是首次使用因子分析模型来评估最终使用质量特征FN，从而为种植者的决策和育种者的选择提供了对品种进行排名的方法。五因素分析模型从多地点试验的历史FN数据中提取了显着的总体性能和可变环境中稳定性的度量，为繁殖和种植决策提供了基础。线性模型解释了70.3％的变化，而五因素分析模型则解释了数据中92.5％的变化。因子加载的检验使我们能够分别区分环境和基因型对PHS或LMA的反应。这是首次使用因子分析模型来评估最终使用质量特征FN，从而为种植者的决策和育种者的选择提供了对品种进行排名的方法。五因素分析模型占数据变化的92.5％。因子加载的检验使我们能够分别区分环境和基因型对PHS或LMA的反应。这是首次使用因子分析模型来评估最终使用质量特征FN，从而为种植者的决策和育种者的选择提供了对品种进行排名的方法。五因素分析模型占数据变化的92.5％。因子加载的检验使我们能够分别区分环境和基因型对PHS或LMA的反应。这是首次使用因子分析模型来评估最终使用质量特征FN，从而为种植者的决策和育种者的选择提供了对品种进行排名的方法。