利用主成分分析法評價6個燕麥品種

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、營養(yǎng)價值高和適應(yīng)性強的生物學(xué)特點[1]，在青海全省范圍內(nèi)被廣泛種植和利用。近年來，飼草種植技術(shù)推廣部門不斷推廣以燕麥為主的各種飼草種植，各級農(nóng)牧業(yè)主管部門推進以“糧改飼”、飼草料基地建設(shè)等飼草種植補貼項目，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，極大地保護了廣大農(nóng)牧民的牲畜財產(chǎn)和生態(tài)畜牧業(yè)生產(chǎn)少受損失，廣大農(nóng)牧民逐漸意識到飼草種植的重要性和迫切性：平時補飼、災(zāi)時抗災(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年田間試驗數(shù)據(jù)，利用主成分分析（principai component analysis）對6 個燕麥品種的葉長、葉寬、莖粗度、株高4 個單株經(jīng)濟性狀進行研究，以期對6個燕麥品種的優(yōu)劣進行評價。

本研究種植燕麥試驗地位于青海省海北州牧科所（原二分廠），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）。試驗地土壤類型為黑鈣土，土壤有機質(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

試驗選用青引2 號、青引3 號、林納、青海444、加燕2 號和白燕11 號6 個燕麥品種，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月下旬在試驗地播種，每個試驗品種種植面積25 m2（長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6 個試驗品種隨機選取10個植株測定葉長、葉寬、莖粗度、株高4 個單株經(jīng)濟性狀數(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原始變量通過線性組合提煉出少數(shù)彼此獨立的新變量（主成分）的多元統(tǒng)計分析方法[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)通過降維簡化成幾個彼此之間互不關(guān)聯(lián)而又能充分反映原有信息量的少數(shù)綜合因子，從而使研究過程和結(jié)果變得簡單化。本研究采用IBM SPSS Statistics 22 進行主成分分析的相關(guān)運算，得出計算結(jié)果并進行分析。

2 結(jié)果與分析

2019年7月下旬，6 個燕麥試驗品種生育期進入初花期，對葉長、葉寬、莖粗度、株高4 個單株經(jīng)濟性狀數(shù)據(jù)進行測定，并計算平均值，如表1所示。利用IBM SPSS Statistics 22 軟件對6 個燕麥試驗品種的4 個經(jīng)濟性狀數(shù)據(jù)進行標準化值(Z)計算，并進行主成分分析，主要結(jié)果見表2～表4。表3中根據(jù)主成分特征值大于0.5 的原則進行主成分的抽取，共抽取了2 個主成分，第1 個主成分對總方差的貢獻率為71.641%，第2 個主成分對總方差的貢獻率為21.319%，2 個主成分累計貢獻率達92.960%，這說明抽取的2 個主成分基本上可以反映出原始試驗數(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 個主成分上有較高的載荷，這說明第1 個主成分主要反映了葉寬、莖粗度、株高3 個生產(chǎn)性狀指標的信息；同理，第2 個主成分主要反映了葉長1 個生產(chǎn)性狀指標的信息。

利用表3、表4中2 個主成分的基礎(chǔ)特征值和載荷數(shù)值，計算得出2 個主成分的特征向量，如表4所示。根據(jù)2 個主成分的特征向量和4 個經(jīng)濟性狀數(shù)據(jù)值，分別計算6 個燕麥試驗品種在每個主成分上的賦值F1、F2，進而根據(jù)表3中2 個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，計算主成分綜合賦值并排序，如表5所示。

表1 6 個燕麥試驗品種主要生產(chǎn)性狀

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

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

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

表5 6 個燕麥試驗品種主要生產(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6個燕麥試驗品種的經(jīng)濟性狀數(shù)據(jù)進行標準化值和主成分分析，并對主成分賦值進行排序，青引2 號燕麥表現(xiàn)最好，加燕2 號燕麥次之，林納燕麥最差，這與試驗實際情況基本符合。利用主成分分析法評價燕麥品種，對不同經(jīng)濟性狀的數(shù)據(jù)進行無綱化處理后利用標準化值進行計算，摒棄了不同經(jīng)濟性狀之間量綱不同帶來的差異，可以有效減少系統(tǒng)誤差，提高試驗的準確性。