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.