Abstract Introduction. In tomato breeding programs, obtaining new genotypes requires the evaluation of genetic materials in different environments. Objective. To identify tomato genotypes with better adaptability and stability in the province of Los Santos, Panama. Materials and methods. This research was carried out in 5 environments in the province of Los Santos, Panama, during 2022-2023 agricultural cycle. Fifteen genotypes were planted under a randomized complete block design with 3 replications. The data obtained were analyzed by analysis of variance at the level of each environment and combined using the residual maximum likelihood methodology (REML). The genotype-by-environment interaction was estimated by GGE-SReg Biplot analysis. Results and discussion. The analysis revealed a significant interaction between the genotypes and the environments studied, the first 2 axes of the principal components of the interaction explained 70.96% of the total variation. The GGE Biplot through Polygon (which, won, where) allowed the identification of 3 potential environmental groups. The group of mutants T7.RB-50-EN44-13, R1.15-17-18-LV14-2 and R3.10-79-81-LV7-1 were determined as the most outstanding for their stability and performance. The study on the discrimination capacity and representativeness of the environments identified El Ejido and Villa Lourdes as the most discriminating environments while Tres Quebradas was the most representative and the closest to the ideal target environment. Conclusion. The GGE-SReg Biplot analysis allowed an efficient analysis of the genotype-by-environment interaction, which makes it a very efficient tool to identify superior genotypes with good adaptability and stability to the region of interest.

Resumen Introducción. En los programas de fitomejoramiento de tomate, la obtención de nuevos genotipos requiere evaluar los materiales genéticos en diferentes ambientes. Objetivo. Identificar los genotipos de tomate con mejor adaptabilidad y estabilidad en la provincia de Los Santos, Panamá. Materiales y métodos. Esta investigación se desarrolló en 5 ambientes de la provincia de Los Santos, Panamá, en el ciclo agrícola 2022-2023. Se sembraron 15 genotipos bajo un diseño de bloques completos al azar con 3 repeticiones. Los datos obtenidos fueron analizados mediante un análisis de varianza a nivel de cada ambiente y combinado con la metodología de máxima verosimilitud residual (REML). La interacción genotipo por ambiente se estimó a través el análisis Biplot GGE-SReg. Resultados y discusión. Los análisis revelaron una interacción significativa entre los genotipos y los ambientes estudiados, los 2 primeros ejes de los componentes principales de la interacción explicaron el 70,96% de la variación total. El Biplot GGE a través del polígono (cuál, ganó, dónde) permitió identificar 3 grupos ambientales potenciales. Se determinó el grupo de los mutantes T7.RB-50-EN44-13, R1.15-17-18-LV14-2 y R3.10-79-81-LV7-1 como los más sobresalientes por su estabilidad y rendimiento. El estudio sobre la capacidad de discriminación y representatividad de los ambientes identificaron al El Ejido y Villa Lourdes como los entornos más discriminantes mientras que Tres Quebradas fue el más representativo y el más cercano al ambiente ideal objetivo. Conclusión. El análisis Biplot GGE-SReg permitió hacer un análisis eficiente de la interacción genotipo por ambiente, lo que lo convierte en una herramienta muy eficiente para identificar genotipos superiores con una buena adaptabilidad y estabilidad a la región de interés.

El objetivo de este estudio fue seleccionar el estadístico más óptimo para estimar la precisión del experimento, así como evaluar el estimado del coeficiente de variación utilizado frecuentemente como una medida para estimar la validez de los ensayos. Para el análisis se incluyeron 406 experimentos; realizados en la Estación Experimental El Ejido y campo de productores colaboradores de la Región de Azuero, Panamá, del período comprendido entre los años 2000-2013. A cada experimento se le calculó los distintos componentes de la varianza o cuadrados medios (CM), así como el coeficiente de variación (CV), repetitividad, rango, diferencia mínima significativa (DMS), error estándar (EE), coeficiente de determinación (R²) de los tratamientos y residuo. Se encontró que el CV estuvo más relacionado que la repetitividad con la media general del experimento (índice de correlación de 0,57 vs 0,24), por lo que le resta robustez para indicar precisión experimental. El aumento del número de repeticiones de experimentos con igual CM del error redujo el EE y aumentó la precisión. La repetitividad del experimento estuvo altamente asociada a los R² tanto de los tratamientos (0,93) como del error (0,87), lo contrario se presentó para el CV (0,23 y 0,23, respectivamente). Al relacionar ambos estadísticos con el cociente DMS/Rango se encontró que la repetitividad estuvo altamente correlacionada (R²=0,76) con este cociente, mientras que el CV presentó un R² de 0,18. Este resultado sugiere que la repetitividad es un mejor indicador que el CV, de buena precisión experimental.

The objective of this study was to select the most optimal statistic to estimate the experimental accuracy and to assess the Coefficient of Variation often used to estimate the validity of experiments. For the analysis, 406 trials were included; from research conducted at El Ejido Experimental Station and at cornfields of contributing producers of Azuero Region, Panama, during 2000-2013. To each trial it was calculated the various components of variance or Mean Square (MS), Coefficient of Variation (CV), Repeatability, Rank, Least Significant Differences (LSD), Standard Error (SE), Coefficient of determination (R²) of treatment and residual. We found that the CV is more related than repeatability with the overall mean of the experiment (correlation index of 0.57 vs. 0.24), thus being less robust to indicate experimental accuracy. Increasing the number of repetitions of experiments with the same MS Error reduced the SE and increased accuracy. The repeatability of the experiment was highly related to both treatments R² (0.93) and the unexplained fraction model (0.87), in contrast with the CV (0.23 and 0.23, respectively). When repeatability and CV were linked to the DMS/Range ratio, it was found that repeatability is highly correlated (R² = 0.76) with this ratio, while the CV provided an R² of 0.18. This result suggests that the repeatability is a better indicator than the CV for good experimental accuracy.

Identificación de ambientes representativos y discriminatorios para seleccionar genotipos de arroz mediante el Biplot GGE. El objetivo del presente estudio fue identificar ambientes representativos y discriminatorios para seleccionar genotipos de arroz mediante el Biplot GGE. Se recurrió a la base de datos del proyecto de arroz periodo 2001-2009. Se analizaron: rendimiento de grano (toneladas/hectárea) y la proporción de granos enteros, de manera individual, y mediante un índice de selección (rendimiento + granos enteros). La información fue analizada mediante el programa Biplot GGE. A cada Biplot generado se le determinó la distancia en milímetros entre localidades verdaderas y la ideal; posteriormente las distancias fueron estandarizadas. Además se estimó la capacidad discriminatoria y representatividad de las localidades. A excepción de Alanje, las localidades más apropiadas para rendimiento (Soná, Barú), no fueron las mismas para granos enteros (Tonosí, Barú, Divisa). El índice de selección identificó las localidades apropiadas para seleccionar (Tonosí, Alanje, Calabacito, Soná, Barú). Todas las localidades fueron efectivas en su capacidad discriminatoria para rendimiento. Se encontraron diferencias en representatividad, siendo Calabacito y Changuinola, las de mayor y menor representatividad, respectivamente. Las localidades presentaron similar capacidad discriminatoria y representatividad para granos enteros. Al integrar rendimiento más granos enteros, se hizo posible separar las localidades más discriminatorias (Remedios, Ta- nara, Alanje) y las más representativas (Calabacito, Tonosí, Barú). Las implicaciones prácticas de este trabajo es que nos permitirá priorizar la investigación en aquellas localidades más apropiadas para identificar genotipos superiores.

Identification of representative and discriminatory environments to select genotypes using GGE Biplot. The objective of this work was to identify representative and discriminatory environments to select rice genotypes using the Biplot GGE technique. The rice data base of the Rice Project 2001-2009 was used. Garin yield and proportion of whole grains, individually and by the use of a selection index (yield + whole grains) were analyzed using Biplot GGE. Every Bi- plot generated was analyzed for distance in mm. between real localities and the ideal; distances were later standardized. In addition, the discriminatory capacity and representativity of each locality were determined. With the exception of Alan- je, the localities more appropriate for higher yields (Soná, Barú), were not the same for the obtention of more whole grains (Tonosí, Barú, Divisa). The selection index identified appropriate locations for select (Tonosí, Alanje, Calabacito, Soná, Barú). All localities were effective in their discriminatory capacity for yield. Differences in representativity were observed, with Calabacito and Changuinola occupying the highest and lowest positions, respectively. All localities showed similar discriminatory capacity and representativity for whole grains. Integrating yield and more whole grains it became posible to separate more discriminatory (Remedios, Tanara, Alanje) and more representative (Calabacito, Tonosí, Barú) locations. The practical implication of this work is that it allows us to prioritize research in localities more appro- priate for the identification of superior genotypes.

The objective of this work was to evaluate three methods to identify mega‑environments, in order to optimize the use of the genetic potential of rice cultivars during the selection process and to make recommendations for commercial plantations in Panama. Experimental data were obtained from the test performance, between 2006 and 2008, for early maturing cultivars. To achieve the stratification of environments and define mega‑environments, the winner genotype method by the AMMI1 model, GGE biplot model and cluster by Ward's method supplemented by GGE biplot were used. The three methods used identified two mega‑environments, where the outstanding cultivars were Fedearroz 473 e Idiap 145‑05. There was 100% coincidence in the grouping of the cluster x the GGE biplot, with 95.2% coincidence between the AMMI1 x cluster and GGE biplot x AMMI1. The most stable genotype, in both mega‑environments, was the Idiap 145‑05 cultivar, which indicates its broad and specific adaptive capacity. The adaptive capacity of the superior genotypes and not the agroclimatic conditions of the assessed localities was responsible for defining the mega‑environments.

El objetivo de este trabajo fue evaluar tres métodos para identificar mega‑ambientes, para optimizar el uso del potencial genético de los cultivares de arroz, durante el proceso de selección, y para hacer recomendaciones sobre siembras comerciales en Panamá. Los datos experimentales fueron obtenidos de los ensayos de productividad de cultivares precoces realizados entre 2006 y 2008. Para lograr la estratificación de los ambientes y definir los mega‑ambientes, se utilizaron los métodos del genotipo vencedor mediante el modelo AMMI1, el modelo biplot GGE y el de conglomerado por el método de Ward, complementado con el biplot GGE. Los tres métodos utilizados identificaron dos mega‑ambientes, donde los cultivares sobresalientes fueron Fedearroz 473 e Idiap 145‑05. Hubo una coincidencia de 100% en el agrupamiento del conglomerado x el biplot GGE, mientras que entre conglomerado x AMMI1 y biplot GGE x AMMI1 fue de 95,2%. El genotipo más estable, en ambos mega‑ambientes, fue el cultivar Idiap 145‑05, lo que indica capacidad de adaptación amplia y específica. La capacidad adaptativa de los genotipos superiores y no las condiciones agroclimáticas de las localidades evaluadas fue responsable de la definición de los mega‑ambientes.

Adaptabilidad y estabilidad de 20 variedades de maíz, Panamá. El objetivo de este trabajo fue determinar la adaptabilidad y estabilidad de variedades de maíz en Panamá. Durante el periodo de setiembre del 2007 a enero del 2008, se evaluaron ensayos uniformes de rendimiento en seis localidades con ambientes contrastantes en Panamá. El material genético de este ensayo consistió de nueve intéticos QPM y once de grano normal, provenientes del CIMYT. Se utilizó un diseño experimental de bloques completos al azar con tres repeticiones, las parcelas experimentales consistieron de dos surcos de 5,0 m de largo, separadas a 0,75 m. El análisis de varianza combinado mostró diferencias estadísticas significativas entre ambos grupos (normal vs QPM) y dentro de cada grupo para el rendimiento y las otras variables de importancia económica y genética. Por otro lado, se encontró que la interacción genotipo por ambiente fue significativa para el rendimiento de grano indicando una respuesta diferencial de los genotipos. El análisis combinado de las medias de rendimiento mostró que entre los sintéticos normales se destacaron el SA-N6-07, SA-N8-07 y SA-N7- 07 con promedios superiores a las 4,0 t/ha, mientras que en los QPM sobresalieron el SA-Q14-07 y SA-Q12-07 con rendimientos de 3,98 y 3,63 t/ha. Todos estos sintéticos superaron tanto al testigo de grano normal (Guararé-8128) como al testigo QPM (SA-Q5-06) que tuvieron rendimientos de 2,93 y 3,36 t/ha, respectivamente. El modelo Biplot GGE-SREG, identificó los sintéticos SA-N6-07, SA-Q14- 07, SA-N4-07 y SA-N10-07 como los de mejor estabilidad; adicional los dos primeros fueron los mejores en rendimiento para cada tipo de grano.

Adaptability and stability of 20 corn varieties in Panama. The objective of this work was to determine the adaptability and stability of 20 corn varieties in Panama. From Sep tember 2007 to January 2008, uniform yield tests were evaluated in six locations with contrasting environments in Panama. The genetic material consisted of nine QPM synthetics and eleven with normal grains, all from CIMYT. The experimental design employed was complete randomized blocks with three replications. The experimental plots were two 5-m long rows with 0,75 m between rows. The combined analysis of variance showed statistically significant differences between the two groups (synthetic vs. normal) for yield and other economically and genetically important variables within groups. On the other hand, the interaction genotype X environment was significant for grain yield, indicating differential responses of the genotypes. The combined analysis of the mean yields showed that among the normal synthetics, SA-N6-07, SA-N8-07 and SA-N7- 07 exhibited outstanding yield with means higher than 4,0 t/ha, whereas within the QPM, SA-Q14-07 and SA-Q12-07 yielded 3,98 and 3,63 t/ha. The yield of a all these synthetics surpassed the normal grain control (Guararé-8128) and the QPM control (SA-Q5-06) which yielded 2.93 and 3.36 t/ha, respectively. The Biplot GGE-SREG model identified the synthetics SA-N6-07, SA-Q14-07 and SA-N10-07 with the highest stability; additionally, the first two were the best yielding varieties within each group.