Yield components are widely recognized as drivers of wheat (Triticum aestivum L.) yield across environments and genotypes. In this study, we used a hierarchical Bayesian approach to model wheat grain yield in Oklahoma on an eco-physiological basis using yield component traits thousand kernel weight (TKW) and nonyield biomass (NYB). The Bayesian approach allowed us to quantify uncertainties around the parameter values rather than obtaining a single value estimate for a parameter. The main objectives of this study were to (a) explain wheat yield as a function of component traits TKW and NYB, and thereby examine the implications for source-sink balance; and (b) assess their association with weather conditions during key stages of wheat development. A secondary objective was to introduce Bayesian estimation for eco-physiological modeling. Fifteen wheat genotypes planted in three locations in Oklahoma (Altus, Chickasha, and Lahoma) were evaluated across three harvest years (2017 to 2019), whereby the combination of location and year defined an environment. Results indicate that the environment explained a greater proportion of the variability in yield than genotypes or than genotype × environment (G × E) interaction; however, evidence for G × E was substantial. Yield was expected to increase with increasing TKW and NYB, which would suggest a source limitation to achieve potential yield. Yet, the contribution of early reproductive stage weather variables to the relationship between yield and NYB pointed in the direction of sink strength being compromised. In summary, our approach provides evidence for source-sink co-limitation in grain yield of this sample of hard red winter wheat genotypes.

中文翻译：

---

使用分级贝叶斯分析的冬小麦产量和产量成分的生态生理模型

产量成分被广泛认为是小麦的驱动因素（Triticum aestivumL.) 跨环境和基因型的产量。在本研究中，我们使用分级贝叶斯方法在生态生理基础上使用产量成分性状千粒重 (TKW) 和非产量生物量 (NYB) 对俄克拉荷马州的小麦籽粒产量进行建模。贝叶斯方法使我们能够量化参数值周围的不确定性，而不是获得参数的单个值估计。本研究的主要目的是 (a) 将小麦产量解释为组成性状 TKW 和 NYB 的函数，从而检验对源库平衡的影响；(b) 在小麦发育的关键阶段评估它们与天气条件的关联。次要目标是为生态生理建模引入贝叶斯估计。在俄克拉荷马州的三个地点（Altus、Chickasha、和 Lahoma）在三个收获年（2017 年至 2019 年）进行了评估，其中位置和年份的组合定义了一个环境。结果表明，环境比基因型或基因型×环境（G×E）相互作用解释了更大比例的产量变异性；然而，G × E 的证据确凿。预计产量将随着 TKW 和 NYB 的增加而增加，这表明实现潜在产量的来源受限。然而，早期繁殖阶段天气变量对产量和 NYB 之间关系的贡献表明汇强度受到损害。总之，我们的方法为硬红冬小麦基因型样本的谷物产量的源汇共同限制提供了证据。其中位置和年份的组合定义了一个环境。结果表明，环境比基因型或基因型×环境（G×E）相互作用解释了更大比例的产量变异性；然而，G × E 的证据确凿。预计产量将随着 TKW 和 NYB 的增加而增加，这表明实现潜在产量的来源受限。然而，早期繁殖阶段天气变量对产量和 NYB 之间关系的贡献表明汇强度受到损害。总之，我们的方法为硬红冬小麦基因型样本的谷物产量的源汇共同限制提供了证据。其中位置和年份的组合定义了一个环境。结果表明，环境比基因型或基因型×环境（G×E）相互作用解释了更大比例的产量变异性；然而，G × E 的证据确凿。预计产量将随着 TKW 和 NYB 的增加而增加，这表明实现潜在产量的来源受限。然而，早期繁殖阶段天气变量对产量和 NYB 之间关系的贡献表明汇强度受到损害。总之，我们的方法为硬红冬小麦基因型样本的谷物产量的源汇共同限制提供了证据。结果表明，环境比基因型或基因型×环境（G×E）相互作用解释了更大比例的产量变异性；然而，G × E 的证据确凿。预计产量将随着 TKW 和 NYB 的增加而增加，这表明实现潜在产量的来源受限。然而，早期繁殖阶段天气变量对产量和 NYB 之间关系的贡献表明汇强度受到损害。总之，我们的方法为硬红冬小麦基因型样本的谷物产量的源汇共同限制提供了证据。结果表明，环境比基因型或基因型×环境（G×E）相互作用解释了更大比例的产量变异性；然而，G × E 的证据确凿。预计产量将随着 TKW 和 NYB 的增加而增加，这表明实现潜在产量的来源受限。然而，早期繁殖阶段天气变量对产量和 NYB 之间关系的贡献表明汇强度受到损害。总之，我们的方法为硬红冬小麦基因型样本的谷物产量的源汇共同限制提供了证据。这将表明实现潜在产量的来源限制。然而，早期繁殖阶段天气变量对产量和 NYB 之间关系的贡献表明汇强度受到损害。总之，我们的方法为硬红冬小麦基因型样本的谷物产量的源汇共同限制提供了证据。这将表明实现潜在产量的来源限制。然而，早期繁殖阶段天气变量对产量和 NYB 之间关系的贡献表明汇强度受到损害。总之，我们的方法为硬红冬小麦基因型样本的谷物产量的源汇共同限制提供了证据。