利用主成分分析法評(píng)價(jià)6個(gè)燕麥品種

趙曉軍

青海省海北州草原工作站，青海海北810299

燕麥（Arena sativaL.）屬禾本科早熟禾亞科燕麥屬植物，具有鮮草產(chǎn)量高、營(yíng)養(yǎng)價(jià)值高和適應(yīng)性強(qiáng)的生物學(xué)特點(diǎn)[1]，在青海全省范圍內(nèi)被廣泛種植和利用。近年來(lái)，飼草種植技術(shù)推廣部門(mén)不斷推廣以燕麥為主的各種飼草種植，各級(jí)農(nóng)牧業(yè)主管部門(mén)推進(jìn)以“糧改飼”、飼草料基地建設(shè)等飼草種植補(bǔ)貼項(xiàng)目，特別是在2019年初青海省青南地區(qū)發(fā)生特大雪災(zāi)之后，以燕麥為主的青干草、青貯飼草在抗災(zāi)保畜工作中作用巨大，極大地保護(hù)了廣大農(nóng)牧民的牲畜財(cái)產(chǎn)和生態(tài)畜牧業(yè)生產(chǎn)少受損失，廣大農(nóng)牧民逐漸意識(shí)到飼草種植的重要性和迫切性：平時(shí)補(bǔ)飼、災(zāi)時(shí)抗災(zāi)。在這種情況下，如何因地制宜地選擇燕麥等飼草品種，顯得尤為重要。本文根據(jù)筆者2019年田間試驗(yàn)數(shù)據(jù)，利用主成分分析（principai component analysis）對(duì)6 個(gè)燕麥品種的葉長(zhǎng)、葉寬、莖粗度、株高4 個(gè)單株經(jīng)濟(jì)性狀進(jìn)行研究，以期對(duì)6個(gè)燕麥品種的優(yōu)劣進(jìn)行評(píng)價(jià)。

本研究種植燕麥試驗(yàn)地位于青海省海北州牧科所（原二分廠(chǎng)），地理位置為100°59′E、北緯36°54′E，屬高原大陸性氣候[2]。2019年全年降水量405.4 mm，年平均氣溫8.6 ℃，最熱月均溫17.6 ℃，最冷月均溫-9.7 ℃，極端最高溫度24.7 ℃，極端最低溫度-25.4 ℃，無(wú)霜期95 d，初霜期9月11日，終霜期5月29日，年積溫（≥0 ℃）1 882 ℃，年有效積溫（≥10 ℃）1 285 ℃（2019年氣象資料由海北州氣象站提供）。試驗(yàn)地土壤類(lèi)型為黑鈣土，土壤有機(jī)質(zhì)、堿解氮、速效磷、速效鉀含量分別為：38.35 g/kg、2.58 mg/kg、1.36 mg/kg、21.69 mg/kg，土壤pH 為8.21。

1 材料與方法

1.1 研究材料

試驗(yàn)選用青引2 號(hào)、青引3 號(hào)、林納、青海444、加燕2 號(hào)和白燕11 號(hào)6 個(gè)燕麥品種，燕麥種子由青海省畜牧獸醫(yī)科學(xué)院提供。

1.2 研究方法

1）研究數(shù)據(jù)采集。2019年4月下旬在試驗(yàn)地播種，每個(gè)試驗(yàn)品種種植面積25 m2（長(zhǎng)5 m×寬5 m），播種方式為人工條播，行距30 cm，播種深度2～3 cm，播種量為10 kg/666.67 m2，播種前施底肥64%磷酸二銨10 kg/666.67 m2，拔節(jié)期追施46%尿素5 kg/666.67 m2。初花期對(duì)6 個(gè)試驗(yàn)品種隨機(jī)選取10個(gè)植株測(cè)定葉長(zhǎng)、葉寬、莖粗度、株高4 個(gè)單株經(jīng)濟(jì)性狀數(shù)據(jù)，取平均數(shù)備用。

2）研究數(shù)據(jù)分析。主成分分析是指利用降維的思想將多個(gè)原始變量通過(guò)線(xiàn)性組合提煉出少數(shù)彼此獨(dú)立的新變量（主成分）的多元統(tǒng)計(jì)分析方法[3]。在研究中，主成分分析將復(fù)雜的具有關(guān)聯(lián)性的多維數(shù)據(jù)通過(guò)降維簡(jiǎn)化成幾個(gè)彼此之間互不關(guān)聯(lián)而又能充分反映原有信息量的少數(shù)綜合因子，從而使研究過(guò)程和結(jié)果變得簡(jiǎn)單化。本研究采用IBM SPSS Statistics 22 進(jìn)行主成分分析的相關(guān)運(yùn)算，得出計(jì)算結(jié)果并進(jìn)行分析。

2 結(jié)果與分析

2019年7月下旬，6 個(gè)燕麥試驗(yàn)品種生育期進(jìn)入初花期，對(duì)葉長(zhǎng)、葉寬、莖粗度、株高4 個(gè)單株經(jīng)濟(jì)性狀數(shù)據(jù)進(jìn)行測(cè)定，并計(jì)算平均值，如表1所示。利用IBM SPSS Statistics 22 軟件對(duì)6 個(gè)燕麥試驗(yàn)品種的4 個(gè)經(jīng)濟(jì)性狀數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化值(Z)計(jì)算，并進(jìn)行主成分分析，主要結(jié)果見(jiàn)表2～表4。表3中根據(jù)主成分特征值大于0.5 的原則進(jìn)行主成分的抽取，共抽取了2 個(gè)主成分，第1 個(gè)主成分對(duì)總方差的貢獻(xiàn)率為71.641%，第2 個(gè)主成分對(duì)總方差的貢獻(xiàn)率為21.319%，2 個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)92.960%，這說(shuō)明抽取的2 個(gè)主成分基本上可以反映出原始試驗(yàn)數(shù)據(jù)中92.960%的數(shù)據(jù)信息，符合主成分分析用于屬于數(shù)據(jù)降維分析的基本思路。

從2 個(gè)主成分的載荷矩陣可以看出（表4），葉寬、莖粗度、株高在第1 個(gè)主成分上有較高的載荷，這說(shuō)明第1 個(gè)主成分主要反映了葉寬、莖粗度、株高3 個(gè)生產(chǎn)性狀指標(biāo)的信息；同理，第2 個(gè)主成分主要反映了葉長(zhǎng)1 個(gè)生產(chǎn)性狀指標(biāo)的信息。

利用表3、表4中2 個(gè)主成分的基礎(chǔ)特征值和載荷數(shù)值，計(jì)算得出2 個(gè)主成分的特征向量，如表4所示。根據(jù)2 個(gè)主成分的特征向量和4 個(gè)經(jīng)濟(jì)性狀數(shù)據(jù)值，分別計(jì)算6 個(gè)燕麥試驗(yàn)品種在每個(gè)主成分上的賦值F1、F2，進(jìn)而根據(jù)表3中2 個(gè)主成分的特征值所占主成分特征值之和的比例為權(quán)重F，計(jì)算主成分綜合賦值并排序，如表5所示。

表1 6 個(gè)燕麥試驗(yàn)品種主要生產(chǎn)性狀

表2 6 個(gè)燕麥試驗(yàn)品種主要生產(chǎn)性狀數(shù)據(jù)相關(guān)系數(shù)矩陣

表3 6 個(gè)燕麥試驗(yàn)品種主要生產(chǎn)性狀數(shù)據(jù)解釋的總方差

表4 6 個(gè)燕麥試驗(yàn)品種主要生產(chǎn)性狀數(shù)據(jù)主成分載荷矩陣及特征向量

表5 6 個(gè)燕麥試驗(yàn)品種主要生產(chǎn)性狀數(shù)據(jù)主成分賦值及排序

3 討 論

本研究利用IBM SPSS Statistics 22 軟件對(duì)6個(gè)燕麥試驗(yàn)品種的經(jīng)濟(jì)性狀數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化值和主成分分析，并對(duì)主成分賦值進(jìn)行排序，青引2 號(hào)燕麥表現(xiàn)最好，加燕2 號(hào)燕麥次之，林納燕麥最差，這與試驗(yàn)實(shí)際情況基本符合。利用主成分分析法評(píng)價(jià)燕麥品種，對(duì)不同經(jīng)濟(jì)性狀的數(shù)據(jù)進(jìn)行無(wú)綱化處理后利用標(biāo)準(zhǔn)化值進(jìn)行計(jì)算，摒棄了不同經(jīng)濟(jì)性狀之間量綱不同帶來(lái)的差異，可以有效減少系統(tǒng)誤差，提高試驗(yàn)的準(zhǔn)確性。