В связи с тем, что засушливые условия, проявляющиеся все чаще и интенсивнее в мире, отрицательно сказываются на росте и развитии сельскохозяйственных культур, они представляют большую угрозу для реализации потенциальной продуктивности растений и существующего разнообразия генетических форм. Хотя озимая мягкая пшеница выращивается в разных эколого-географических условиях, ее чувствительность к лимитирующим абиотическим факторам негативно влияет на продуктивность и качество зерна. Урожай пшеницы – комплексный признак, зависящий от генетических, средовых факторов, а также взаимодействия компонентов продуктивности (высота растений, количество продуктивных стеблей, колосков и зерен в колосе, масса одного зерна) со средой (Knezevic et al., 2008). Засуха вызывает уменьшение длины колоса, числа колосьев на растении, сокращает количество дней до цветения. Один из важных компонентов продуктивности пшеницы – масса 1000 зерен – в меньшей степени подвержен влиянию засухи и зависит, главным образом, от генотипа растения, однако некоторые сорта не способны образовать зерна в условиях засухи (Eid, 2009). Цель исследований – изучить вариабельность элементов продуктивности колоса у наиболее перспективных форм пшеницы в условиях засухи 2020 года для выявления генотипов/комбинаций с комплексом ценных признаков. Материалом для исследований служили 23 линии и популяции (F4, F5), и 4 районированных сорта озимой мягкой пшеницы. Изучали ряд элементов продуктивности колоса: длина колоса (мм), количество колосков и количество зерен в колосе, масса одного зерна (мг), масса зерен с одного колоса (г). Данные обработаны методами дисперсионного, корреляционного и кластерного анализов в пакете программ STATISTICA 8. Анализ элементов продуктивности главного колоса пшеницы показал, что длина колоса варьировала в пределах 89,6…108,3 мм, количество колосков в колосе – 18,7…20,3, количество зерен – 51,4…59,0; вес одного зерна – 35,7…42,1 мг; масса зерен с одного колоса – 2,09…2,52 г. Для выявления степени вариабельности и идентификации форм с комплексом хозяйственно ценных признаков применяли кластерный анализ (Nandini et al., 2017). Исследуемые образцы пшеницы продемонстрировали высокую вариабельность, что было установлено с помощью дендрограммы распределения и многомерного сканирования на базе указанных элементов продуктивности. Использование кластерного анализа k-средних показало, что наибольшей дифференцирующей способностью обладает длина колоса. Нами также было установлено, что межкластерная дисперсия намного выше внутрикластерной по всем изученным показателям продуктивности колоса, свидетельствующая о том, что дифференциация (классификация) образцов была успешной. Были идентифицированы 2 кластера, включающие 7 популяций и линий, с наибольшими значениями количества зерен в колосе (60,6-66,4), массы зерна (42,9-44,5 мг) и массы зерна с одного колоса (2,71-2,87 г). Показатели довольно высокие для засушливых условий, каковые имели место в 2020 году. Установлено, что у изученных образцов пшеницы основной элемент продуктивности – масса зерна с одного колоса – коррелировал главным образом с массой зерна (r = 0,69*, p ≤0,05) и количеством зерен в колосе (r = 0,65*), и в меньшей степени – с длиной колоса (r = 0,40*) и количеством колосков в колосе (r = 0,49*). Отметим, что некоторые линии, созданные на базе одинаковых родительских форм, но в реципрокных скрещиваниях, проявили разные уровни указанных элементов колоса, в связи с чем распределились в разные кластеры. Это свидетельствует о том, что родительский фактор является дополнительным источником вариабельности элементов продуктивности. В заключение хотим отметить, что изучение перспективных образцов пшеницы на фоне сильной засухи и применение кластерного анализа на базе хозяйственно-ценных признаков, позволило нам идентифицировать генотипы и комбинации с комплексом ценных свойств, что представляет большой интерес для селекционных программ.

Тhe article provides data on the study of the elements productivity of an spike of soft winter wheat in the conditions of severe drought in 2020 in the Republic of Moldova. With the help of cluster and correlation analyzes, were identified the samples with a complex of important indicators of productivity, as well as the strongest relationships with the main indicator – the mass of grain from one spike.