田效琴, 李 卓**, 李浩杰, 柴 靚, 張錦芳, 陳紅琳, 劉永紅

?

基于投影尋蹤模型的甘藍(lán)型油菜產(chǎn)量因素評價*

田效琴1,2, 李 卓1,2**, 李浩杰1, 柴 靚1, 張錦芳1, 陳紅琳2,3, 劉永紅1,2

(1. 四川省農(nóng)業(yè)科學(xué)院作物研究所 成都 610066; 2. 南方丘區(qū)節(jié)水農(nóng)業(yè)研究四川省重點實驗室 成都 610066; 3. 四川省農(nóng)業(yè)科學(xué)院土壤肥料研究所 成都 610066)

明確油菜產(chǎn)量因素對產(chǎn)量的貢獻(xiàn)對于有目的地選擇油菜優(yōu)良組合具有重要意義, 而常用的評價油菜產(chǎn)量因素貢獻(xiàn)大小的分析方法限制較多。為此, 本研究以正常生長的12份早熟和38份晚熟甘藍(lán)型油菜組合為材料, 利用基于加速遺傳算法的投影尋蹤模型分別定量評價了早、晚熟油菜組合產(chǎn)量因素對產(chǎn)量的貢獻(xiàn), 并將其與灰色關(guān)聯(lián)度分析、主成分分析結(jié)果進(jìn)行了對比分析, 討論了各分析方法對產(chǎn)量因素貢獻(xiàn)評價的準(zhǔn)確性。結(jié)果表明, 早熟組合產(chǎn)量貢獻(xiàn)最大的3項指標(biāo)依次為主序有效角果數(shù)>有效分枝部位>二次有效分枝數(shù), 貢獻(xiàn)率分別達(dá)到36.79%、24.02%和11.33%; 晚熟組合產(chǎn)量貢獻(xiàn)最大的3項指標(biāo)依次為每角粒數(shù)>千粒重>有效分枝部位, 貢獻(xiàn)率分別達(dá)到29.81%、17.52%和14.75%。有效分枝部位對不同熟期組合產(chǎn)量均有較大貢獻(xiàn); 除此之外, 早熟組合產(chǎn)量的形成還較多依賴于生育前期的有效分枝數(shù)與有效角果數(shù), 晚熟組合產(chǎn)量的形成則較多依賴于生育后期的每角粒數(shù)與千粒重。基于投影尋蹤模型的油菜產(chǎn)量因素評價能較準(zhǔn)確地判斷油菜實際產(chǎn)量, 并在利用各種分析方法評價油菜產(chǎn)量因素對產(chǎn)量的貢獻(xiàn)中發(fā)現(xiàn), 灰色關(guān)聯(lián)度分析和主成分分析比投影尋蹤模型評價準(zhǔn)確性低。從油菜產(chǎn)量因素評價及產(chǎn)量預(yù)測綜合考慮, 基于投影尋蹤模型的油菜產(chǎn)量因素評價及產(chǎn)量預(yù)測具有最高的準(zhǔn)確性, 可以優(yōu)先作為甘藍(lán)型油菜良種選育及產(chǎn)量預(yù)測的一種分析方法。

投影尋蹤; 油菜產(chǎn)量預(yù)測; 產(chǎn)量因素; 高維數(shù)據(jù)

油菜(L.)是十字花科(Cruciferae)蕓薹屬()植物, 是重要的油料作物之一, 也是重要的蛋白質(zhì)作物、能源作物[1]。培育高產(chǎn)新品種一直是油菜育種的重要目標(biāo)。有研究指出, 油菜群體產(chǎn)量的形成與單株產(chǎn)量有密切關(guān)系[2], 而單株產(chǎn)量又是多個產(chǎn)量因素共同作用的結(jié)果, 各因素對產(chǎn)量的影響大小各不相同[3]。因此, 在多個性狀中找出其對產(chǎn)量影響的主次關(guān)系, 在一定的栽培條件下, 利于有目的地選育適合當(dāng)?shù)厣a(chǎn)的優(yōu)良組合。

目前, 已有研究證明每角粒數(shù)、千粒重、有效角果數(shù)、主序有效角果數(shù)、有效分枝部位、株高、有效分枝數(shù)對油菜產(chǎn)量有較大影響, 但將以上諸多因素影響程度大小進(jìn)行排序時, 研究結(jié)果卻存在較大差異, 甚至同種研究方法對相同因素分析的結(jié)果都有差異。形成這種情況的原因有很多, 其中分析方法是原因之一。目前, 常用的分析方法有相關(guān)分析[3]、灰色關(guān)聯(lián)度分析[4]、主成分分析[5]和通徑分析等[6]。黃益國等[7]利用相關(guān)分析和通徑分析研究不同熟期油菜品種農(nóng)藝性狀與產(chǎn)量的關(guān)系, 結(jié)果表明, 早熟品種產(chǎn)量與主花序長、主花序角果數(shù)、單株有效角果數(shù)、千粒質(zhì)量顯著相關(guān), 對早熟油菜品種產(chǎn)量直接影響最大的是千粒重, 對中熟油菜品種產(chǎn)量直接影響最大的是株高。靳力爭等[8]利用灰色系統(tǒng)理論中的關(guān)聯(lián)度分析法對構(gòu)成白菜型油菜單株產(chǎn)量的5個主要性狀進(jìn)行分析, 結(jié)果表明, 產(chǎn)量與相關(guān)性狀的關(guān)聯(lián)序為最大葉柄寬>莖基部直徑>腰部直徑>最大葉長>葉片數(shù)。倪正斌等[9]對12個甘藍(lán)型油菜品種的11個農(nóng)藝性狀進(jìn)行了相關(guān)分析和主成分分析。結(jié)果表明油菜產(chǎn)量與一次分枝數(shù)、二次分枝數(shù)、全株角果數(shù)均呈顯著正相關(guān), 第1主成分主要與角果數(shù)有關(guān), 第2、3主成分主要與角果性狀有關(guān)。從前人研究可以看出, 相關(guān)分析只能分析兩兩關(guān)系; 灰色關(guān)聯(lián)度分析需要事先對各項指標(biāo)的最優(yōu)值進(jìn)行現(xiàn)行確定; 主成分分析和通徑分析前提都要求數(shù)據(jù)結(jié)構(gòu)屬于線性關(guān)系。本文嘗試應(yīng)用投影尋蹤模型方法對油菜產(chǎn)量因素進(jìn)行定量評價, 以期得到更加切合實際的結(jié)果。

投影尋蹤模型方法是直接由樣本數(shù)據(jù)驅(qū)動的探索性數(shù)據(jù)分析方法, 它是對一個維隨機向量, 尋找一個(<)(1~3維)維投影矩陣, 使定義在某個維分布函數(shù)集合F上的實值函數(shù)(投影指標(biāo)), 滿足(1,2, …,Ax)=()=Max, 即能反映原高維數(shù)據(jù)結(jié)構(gòu)或特征, 然后根據(jù)該投影值分析高維數(shù)據(jù)的結(jié)構(gòu)特征。從原理上可以看出利用此模型定量評價無需對樣本數(shù)據(jù)作正態(tài)假定或其他模型假定, 能充分利用高維數(shù)據(jù)的所有信息, 使低維數(shù)據(jù)結(jié)構(gòu)完全反映原始高維數(shù)據(jù)結(jié)構(gòu), 也無需人為假定各因子之間的相互關(guān)系, 是對非線性多指標(biāo)因素進(jìn)行定量評價的一種方法, 所得結(jié)果準(zhǔn)確、穩(wěn)健[10-11]。該模型最早由Kruskal在20世紀(jì)70年代初提出并進(jìn)行試驗[12-13], 已在環(huán)境[14]、農(nóng)業(yè)[15-20]、大氣[21]、地球物理[22]、水利[23]等復(fù)雜工程系統(tǒng)的優(yōu)化、預(yù)測及評價過程中得到了成功應(yīng)用, 而在作物農(nóng)藝性狀與產(chǎn)量關(guān)系或產(chǎn)量預(yù)測方面還鮮見報道。

本文用基于加速遺傳算法的投影尋蹤模型評價早、晚熟油菜組合產(chǎn)量因素, 并對其綜合表現(xiàn)效果進(jìn)行實例驗證, 以期克服傳統(tǒng)方法的條件限制, 彌補傳統(tǒng)方法對復(fù)雜系統(tǒng)分析精確度較低、難以定量分析等的不足, 能夠更切合實際、定量、準(zhǔn)確地分析各產(chǎn)量因素對油菜產(chǎn)量形成的影響, 既是油菜產(chǎn)量因素分析的論述, 也是該領(lǐng)域分析評價新方法的嘗試與補充。本研究可為作物良種選育提供新的思路和方法, 對栽培措施優(yōu)化和產(chǎn)量預(yù)測亦具有應(yīng)用價值。

1 材料與方法

1.1 試驗概況

供試材料為油菜新組合(由兩個不同油菜品系或品種配制的第1代雜交種), 其中早熟組合12份(全生育期200 d)、晚熟組合38份(全生育期215 d)。試驗于2015年10月—2016年5在四川省農(nóng)業(yè)科學(xué)院簡陽基地(四川省簡陽市玉成鄉(xiāng))進(jìn)行。試驗地前作夏玉米(L.), 肥力中等, 土壤類型為紫色土, 土壤的有機質(zhì)含量為16.1 g?kg-1, 堿解氮為25.42 mg?kg-1, 速效磷為6.76 mg?kg-1, 速效鉀為86.63 mg?kg-1。

1.2 試驗設(shè)計

以不同組合為處理因素, 各組合間采用隨機區(qū)組設(shè)計, 3次重復(fù), 小區(qū)面積3 m×6 m, 9行區(qū), 密度111 000 株?hm-2。大田播種, 試驗地周圍設(shè)4行保護(hù)行, 于10月初進(jìn)行人工點播。其他管理措施同常規(guī)。

1.3 測定指標(biāo)與方法

1.3.1 測定指標(biāo)

測定株高、有效分枝部位、主序長、有效分枝數(shù)(一次、二次)、有效角果數(shù)(主序、一次、二次)、每果粒數(shù)、千粒重和單株產(chǎn)量, 油菜成熟時, 每小區(qū)隨機取10株進(jìn)行室內(nèi)考種。其中, 株高為子葉節(jié)至全株最高部分長度; 有效分枝部位為子葉節(jié)至第一個有1個以上有效角果的分枝數(shù)長度; 主序長為最后一個有1個以上有效角果的分枝至最后一個含有1粒以上飽滿或欠飽滿種子的角果長度; 有效分枝數(shù)為有1個以上有效角果的分枝數(shù); 有效角果數(shù)為含有1粒以上飽滿或欠飽滿種子的角果數(shù); 每果粒數(shù)為主序隨意摘取10個正常莢角, 一次和二次分枝數(shù)上隨意摘取10個正常莢角, 計算平均每角飽滿或欠飽滿的種子粒數(shù); 千粒重為曬干(含水量不高于10%)、純凈的種子內(nèi), 用對角線、四分法或分樣器等方法取樣3份, 分別稱量1 000粒種子的重量, 取3個樣本的平均值; 單株產(chǎn)量為實稱單株產(chǎn)量。

1.3.2 投影尋蹤原理及方法

投影尋蹤技術(shù)原理: 將高維數(shù)據(jù)通過某種組合, 投影到低維(1~3維)子空間上, 通過優(yōu)化投影函數(shù), 尋找出能反映原高維數(shù)據(jù)結(jié)構(gòu)或特征的投影向量, 在低維空間上對數(shù)據(jù)結(jié)構(gòu)進(jìn)行分析, 以達(dá)到研究和分析高維數(shù)據(jù)的目的[24]。評價模型的實現(xiàn)方法如下[25-27]:

1.3.2.1 樣本指標(biāo)值歸一化處理

設(shè)第個樣本的第個指標(biāo)為*(i,j){*(i,j)|1, 2, …,;1, 2, …,}, 其中和分別為樣本個數(shù)(樣本容量)和指標(biāo)個數(shù)。為消除各指標(biāo)量綱和統(tǒng)一各指標(biāo)值的變化范圍, 可采用下式進(jìn)行極值歸一化處理:

正向指標(biāo):(i,j)=[*(i,j)-xmin]/[xmax-xmin] (1)

逆向指標(biāo):(i,j)=1-[xmax-*(i,j)]/[xmax-xmin] (2)

式中:xmax和xmin為第個指標(biāo)值的最大值和最小值,(i,j)為規(guī)范化后的值。

1.3.2.2 構(gòu)造投影指標(biāo)函數(shù)()

投影尋蹤方法就是把維數(shù)據(jù){(i,j)|=1, 2, …,}綜合成以={1,2,3, …,a}為投影方向的一維投影值Z。

式中:a為單位長度向量。確定投影特征值Z的關(guān)鍵是找到反映高維數(shù)據(jù)特征結(jié)構(gòu)的最佳投影方向。為了構(gòu)造投影指標(biāo)函數(shù), 要求投影值Z的散布特征應(yīng)為: 局部(樣本內(nèi))投影點盡可能密集, 最好凝聚成若干個點團(tuán), 而在整體(樣本間)上投影點團(tuán)之間盡可能散開。因此, 投影指標(biāo)函數(shù)可以表達(dá)成:

Q=S×D(4)

式中:S為投影值Z的標(biāo)準(zhǔn)差,D為投影值Z的局部密度, 即:

式中:E為個Z的平均值;為局部密度的窗口半徑;(i,j)表示樣本之間的距離,(i,j)=|Z-Z|;()為一單位階躍函數(shù), 當(dāng)≥0時, 其值為1, 反之則為0。

1.3.2.3 優(yōu)化投影指標(biāo)函數(shù)

S越大樣本越分散,D越大分類越顯著。因此構(gòu)造一個投影指標(biāo)函數(shù)Q, 作為優(yōu)選投影方向的依據(jù), 當(dāng)指標(biāo)函數(shù)達(dá)到極值時, 即可獲得最優(yōu)投影方向。

最大化目標(biāo)函數(shù):

Max:Q=S×D(7)

約束條件:

這是一個以{a|=1, 2, …,}為優(yōu)化變量的復(fù)雜非線性優(yōu)化問題, 運用模擬生物優(yōu)勝劣汰規(guī)則的加速遺傳算法[28]來進(jìn)行優(yōu)化求解。

把由1.3.2.3中求得的最佳投影方向*代入式(3)中計算各樣本的投影值*。本文中以12份早熟和38份晚熟油菜組合為樣本點, 計算出的投影值可作為農(nóng)藝性狀綜合表現(xiàn)指數(shù), 對農(nóng)藝性狀綜合表現(xiàn)指數(shù)與實際產(chǎn)量進(jìn)行比較評價模型的優(yōu)良。

1.4 數(shù)據(jù)統(tǒng)計

數(shù)據(jù)處理和灰色關(guān)聯(lián)度分析在Mcirosoft Excel中進(jìn)行, 方差分析和主成分分析在SPSS 17.0軟件中進(jìn)行, 基于加速遺傳算法的投影尋蹤模型在Matlab 7.1中進(jìn)行。

2 結(jié)果與分析

對12份早熟和38份晚熟油菜組合產(chǎn)量和產(chǎn)量因素分別進(jìn)行數(shù)據(jù)整理和方差分析。如表1所示, 大部分油菜組合產(chǎn)量因素和產(chǎn)量差異顯著。從總體上看, 不同油菜組合之間都存在單個或多個產(chǎn)量因素差異顯著。

表1 供試早熟(早)和晚熟(晚)油菜組合材料的單株產(chǎn)量及其產(chǎn)量因素

Table 1 Yield per plant and yield factors of the tested early-maturing (E) and later-maturing (L) materials of rape

試驗材料Tested material株高(x1)Height(cm)有效分枝部位(x2)Effective branching position (cm)主序長(x3)Length of main inflorescence (cm)有效分枝數(shù)Effective branches有效角果數(shù)Effective pods每角粒數(shù)(x9)Seeds per silique千粒重(x10)1000-grain weight (g)單產(chǎn)Yield per plant (g) 一次(x4)Primary二次(x5)Second主序(x6)Main inflorescence一次枝(x7)Primary tiller二次枝(x8)Secondtiller 早1 E1223.00±3.17defgh113.13±2.91cd71.27±0.76defghijklm7.73±0.31cdefgh4.60±0.40c93.20±3.08bcdefg274.60±3.22bcdef39.07±1.14c22.40±0.60a3.937±0.434ijklmno35.44±0.89a 早2 E2218.77± 2.15efghij104.50±1.95fghijklm69.67±1.47efghijklmn7.33±0.31cdefgh1.67±0.23lmn81.40±2.31klmnopqr219.53±2.23ijklmnop9.20±1.06hijklmno18.53±0.83efghij4.044±0.399hijklmno22.82±0.79nop 早3 E3222.97± 2.67defgh111.20±1.56cdef71.43±2.05defghijklm7.53±0.50cdefgh1.47±0.12mno98.60±1.91abc268.67±13.15bcdef5.67±1.40jklmno16.80±1.64hijk4.309±0.150 fghijkl29.22±0.68cdefg 早4 E4217.33± 2.89ghij103.40±2.12ghijklm68.05±0.94fghijklmno7.40±0.53cdefgh2.60±0.40ghijk86.00±1.04efghijklmno278.60±11.09bcd14.13±1.90ghijklm18.80±0.58defghi3.725±0.163lmnop26.32±0.83fghijklmn 早5 E5223.27±3.06defgh112.83±1.96cde67.87±1.81hijklmno6.87±0.46efgh2.33±0.31hijkl88.60±2.75defghijklm213.87±8.02klmnop20.73±2.50efgh16.69±0.54hijk3.640±0.162mnop23.12±1.06mnop 早6 E6217.87±6.00efghij103.73±1.68ghijklm66.47±2.00klmno7.67±0.46cdefgh2.07±0.12ijklm84.40±1.59ghijklmnop251.53±12.59bcdefghi12.13±1.79hijklmno19.28±1.22cdefghi3.825±0.236jklmnop26.33±0.90fghijklmn 早7 E7233.63±2.93a105.80±4.34efghijk72.70±1.95cdefghijk7.07±0.31efgh4.07±0.23cd86.27±2.41efghijklmno260.53±5.56bcdefg29.33±4.80cde17.87±0.65fghij4.281±0.295 fghijkl29.31±0.83cdefg 早8 E8225.47±3.82cdef125.57±1.99a63.13±2.19o6.87±0.50efgh2.80±0.20fghi88.87±6.47defghijklm229.33±9.98ghijklmno17.93±3.92fghi19.47±1.30bcdefghi3.321±0.122p19.76±1.55q 早9 E9219.87±2.32efghij97.53±3.89mnopq70.33±0.23defghijklmn7.53±0.58cdefgh4.53±0.23c80.53±0.46klmnopqr256.60±10.49bcdefgh31.67±5.49cd19.97±0.37bcdefg3.731±0.153lmnop27.52±0.80efghijk 早10 E10216.92±1.99ghijk91.67±0.83qr66.10±1.67klmno8.73±0.31bc5.60±0.35b74.73±1.47qr282.73±16.72b49.40±5.70b17.73±0.31fghij3.994±0.141ijklmno28.63±0.61cdefghi 早11 E11230.87±3.36abc107.87±2.83defghi73.87±1.40bcdefgh7.07±0.42efgh1.73±0.31klmn89.73±4.28defghijkl229.07±4.39ghijklmno12.47±4.91hijklmn17.51±0.84fghijk3.959±0.069ijklmno26.42±1.09fghijklm 早12 E12221.10±1.91defghi108.17±2.29defghi70.20±2.07defghijklmn7.33±0.31cdefgh1.00±0.17nopq86.07±4.69 efghijklmno245.00±17.44defghijkl8.53±1.94ijklmno19.53±1.03bcdefgh3.642±0.246mnop23.92±0.45lmnop 晚1 L1224.00±3.17defgh119.47±2.31b65.27±2.30mno6.93±0.31efgh0.40±0.10pqr102.20±4.21a250.20±6.88bcdefghij1.07±0.70no21.00±1.22abcde4.436±0.447efghi28.41±1.18cdefghi 晚2 L2218.33±2.25efghij117.73±2.31bc67.67±0.83hijklmno7.33±0.31cdefgh1.87±0.23jklmn87.20±7.07defghijklmno260.27±14.11bcdefg15.33±3.80ghijk17.27±1.21fghijk4.052±0.055 hijklmno23.86±1.13lmnop 晚3 L3212.57±2.57jklmn95.13±3.41nopqr73.47±2.08bcdefgh6.33±0.42hi0.07±0.12r80.07±0.95lmnopqr207.07±7.46nop0.13±0.23o16.53±0.12ijk5.013±0.109bcd23.98±1.30lmnop 晚4 L4227.67±3.10bcd105.43±2.47fghijkl75.23±3.15abcdef7.20±0.20defgh2.73±0.42fghij91.93±3.72cdefghi262.87±22.44bcdefg17.40±2.95fghij17.07±0.99ghijk3.546±0.141op23.11±1.67mnop 晚5 L5213.87±3.30ijklm103.57±1.54ghijklm71.00±0.20defghijklm6.80±0.40efgh0.47±0.06pqr82.80±0.53 ijklmnopq245.00±3.98defghijkl3.67±0.58klmno16.60±0.14hijk4.980±0.023bcd23.44±1.43mnop 晚6 L6213.53±2.31ijklm108.70±6.27defgh65.27±3.00mno7.80±0.40cdefgh0.73±0.23opqr100.47±1.14ab276.00±19.26bcdef5.20±2.11jklmno14.93±0.48k4.577±0.077defgh23.10±0.90mnop 晚7 L7213.73±1.86ijklm97.47±1.55mnopq73.00±1.11bcdefghi7.20±0.20defgh3.00±0.20efgh82.33±2.01jklmnopq211.47±7.22lmnop32.60±6.88cd18.47±0.72defghi4.198±0.103 ghijklm25.30±1.48ijklmno 晚8 L8231.80±1.22ab113.47±3.93cd70.67±1.70defghijklm7.20±0.35defgh2.47±0.38ghijkl89.87±1.21defghijk201.20±7.08op14.40±2.36ghijklm18.40±1.25fghij4.289±0.267 fghijkl24.15±1.28lmnop 晚9 L9225.83±3.25cde91.63±2.84qr76.90±1.10abcd8.60±0.40bcd3.33±0.12efg87.00±0.87defghijklmno280.60±12.15bc26.67±3.53def17.47±1.16fghijk4.116±0.220 hijklmn28.48±1.19cdefghi 晚10 L10224.43±0.93defg109.73±0.64defg70.60±1.22defghijklm6.87±0.46efgh2.00±0.35ijklm87.40±1.44defghijklmn198.87±5.61op13.73±2.47ghijklm21.13±1.29abcd4.102±0.070 hijklmno28.24±0.66defghi 晚11 L11202.20±1.59pqr79.77±1.54s77.90±1.32abc5.27±0.50j2.67±0.42fghij73.33±1.70r168.40±11.98q17.27±1.55fghij16.80±0.53hijk5.080±0.131bc27.60±1.52efghij 晚12 L12205.57±2.50nopqr78.87±1.33s75.03±1.59abcdef7.73±0.23cdefgh3.33±0.12efg90.93±2.14cdefghij280.87±11.92bc30.80±3.70cd19.93±1.01bcdefg3.771±0.032lmnop30.14±1.52cde

表1 (續(xù))

試驗材料Tested material株高(x1)Height(cm)有效分枝部位(x2)Effective branching position (cm)主序長(x3)Length of main inflorescence (cm)有效分枝數(shù)Effective branches有效角果數(shù)Effective pods每角粒數(shù)(x9)Seeds per silique千粒重(x10)1000-grain weight (g)單產(chǎn)Yield per plant (g) 一次(x4)Primary二次(x5)Second主序(x6)Main inflorescence一次枝(x7)Primar tiller二次枝(x8)Second tiller 晚13 L13212.20±1.64jklmn101.40±2.46hijklmn72.23±1.10cdefghijkl6.93±0.64efgh1.67±0.42lmn91.60±0.60 cdefghij203.73±13.27op10.07±4.84hijklmno18.27±0.64fghij4.378±0.246 fghijk24.44±1.13klmno 晚14 L14213.53±2.32ijklm100.77±1.80ijklmno69.20±2.75fghijklmno6.47±0.42fghi0.67±0.12opqr80.20±3.90lmnopqr216.07±12.41jklmnop3.07±1.68lmno17.47±0.46fghijk4.457±0.087 efghi23.51±1.49mnop 晚15 L15207.60±2.60mnopq88.10±2.33r74.67±3.33abcdefg7.40±0.20cdefgh2.40±0.20hijkl92.67±2.20bcdefgh265.87±16.75bcdef11.73±3.93hijklmno17.47±0.69fghijk4.237±0.123 ghijkl28.17±1.59defghi 晚16 L16208.60±0.20lmnopq90.27±2.70r71.30±2.87defghijklm8.00±0.80cdef2.47±0.31gh95.20±3.34abcde308.40±7.08a14.93±4.56ghijkl18.07±1.17fghij4.224±0.088 ghijkl28.47±1.34cdefghi 晚17 L17217.47±0.99fghij92.97±1.50pqr72.87±2.30cdefghij7.07±0.92efgh2.40±0.40hijkl94.40±0.87abcdef265.53±3.42bcdef15.73±1.01ghijk21.80±0.53ab3.762±0.110lmnop31.54±1.12bcd 晚18 L18220.70±0.95defghi93.50±1.95pqr72.40±0.91cdefghijkl9.20±0.53b4.40±0.80c101.27±0.20a250.73±17.50bcdefghij39.07±8.02c19.20±1.25cdefghi3.791±0.055lmnop30.39±1.15cde 晚19 L19222.33±2.44defgh113.67±1.21cd68.47±3.70fghijklmno7.67±0.61cdefgh3.67±0.42de78.07±1.62nopqr225.27±15.28hijklmnop32.87±5.43cd18.60±0.60efghi3.616±0.152nop23.23±1.02mnop 晚20 L20218.27±2.34efghij98.47±1.53lmnopq71.10±2.77defghijklm7.33±0.31cdefgh2.60±0.72ghijk88.27±3.72defghijklm189.47±16.32p20.47±0.42efgh18.13±0.31fghij4.165±0.059hijklmn24.76±1.41jklmno 晚21 L21216.13±0.83hijkl98.60±0.72klmnopq69.60±3.36efghijklmn6.67±0.31efghi1.47±0.31mno80.13±2.02lmnopqr230.60±7.80ghijklmno14.53±4.61ghijklm21.53±1.10abc3.970±0.066ijklmno28.26±1.09defghi 晚22 L22206.50±1.85mnopq89.61±4.01r71.33±1.22defghijklm8.07±0.12cde2.33±0.42hijkl83.80±3.41hijklmnopq277.80±6.07bcde17.13±2.72fghij16.73±0.76hijk4.175±0.105 ghijklmn24.17±0.74lmnop 晚23 L23218.93±1.10efghij107.60±2.84defghi65.73±1.55lmno10.73±0.95a3.20±0.52efgh83.60±1.80hijklmnopq242.73±15.25efghijklm24.13±3.01defg17.93±0.95fghij4.129±0.140 hijklmn25.90±0.96ghijklmn 晚24 L24221.27±1.96defghi107.90±2.72defghi68.57±2.36fghijklmno7.53±0.42cdefgh1.13±0.12nop81.00±2.80klmnopqr212.73±13.39klmnop8.60±3.49ijklmno17.27±0.81fghijk4.109±0.126 hijklmno23.61±1.18mnop 晚25 L25216.07±1.80hijkl100.73±2.12ijklmno73.07±2.32bcdefghi6.47±0.46fghi1.13±0.06nop95.07±4.69abcde213.80±18.63klmnop5.47±1.63jklmno22.27±0.64a3.807±0.147klmnop29.90±1.14cde 晚26 L26215.90±1.14hijkl116.53±2.00bc63.20±3.08o6.60±0.53efghi1.00±0.20nopq83.47±2.86hijklmnopq201.40±11.88op7.73±3.67ijklmno18.00±1.25fghij3.775±0.377lmnop20.88±1.30pq 晚27 L27209.00±2.27lmnop107.33±2.16defghi66.53±2.12jklmno6.60±0.35efghi0.73±0.23opqr95.80±3.46abcd241.47±10.71fghijklmn5.67±1.15jklmno16.00±1.22jk5.550±0.407a24.39±1.51klmno 晚28 L28199.73±2.34r78.70±3.40s70.50±1.73defghijklm7.13±0.70efgh6.40±0.40a79.87±7.05lmnopqr220.80±14.84ijklmnop57.80±13.42a17.93±0.23fghij4.803±0.151cdef31.72±1.11bc 晚29 L29184.20±2.43s90.53±1.70r73.10±2.69bcdefghi5.47±0.31ij0.20±0.35qr77.80±2.46opqr158.67±12.78q0.53±0.31no17.53±1.33fghijk4.581±0.163 defgh23.41±1.93mnop 晚30 L30209.67±1.96klmno106.53±5.83defghij63.20±2.69o7.27±0.46defgh2.47±0.12ghijkl85.53±1.72fghijklmno209.13±11.94mnop20.93±5.32efgh17.27±1.04fghijk4.729±0.223cdefg23.50±0.63mnop 晚31 L31221.47±1.10defghi98.00±2.09mnopq80.13±0.81a6.40±0.53ghi1.87±0.42jklmn100.80±4.39ab224.53±21.62hijklmnop5.67±3.06jklmno17.60±1.40fghijk4.395±0.059 fghij28.60±1.19cdefghi 晚32 L32212.50±3.41jklmn101.47±2.89hijklmn76.17±3.40abcde6.67±0.61efghi3.07±0.12efg88.27±5.02defghijklm200.47±6.90op49.20±6.47b18.00±0.87fghij4.296±0.091 fghijkl27.09±1.04efghijkl 晚33 L33216.20±0.80hijkl90.37±2.93r78.97±1.56ab6.27±0.76hi0.80±0.10opqr85.20±1.44fghijklmno198.27±9.99op2.87±1.03lmno17.73±0.70fghij5.275±0.033ab28.89±0.42cdefgh 晚34 L34218.07±3.58efghij99.60±3.42jklmnop71.60±2.09defghijklm7.07±0.58efgh0.53±0.15pqr95.60±2.95abcd202.07±3.83op2.53±0.99mno17.93±0.50fghij5.569±0.162a29.70±1.10cdef 晚35 L35205.13±4.70opqr93.67±1.22opqr64.07±3.33no6.67±0.42efghi0.53±0.31pqr78.40±2.96nopqr216.20±7.08jklmnop4.00±2.12klmno15.93±0.90jk4.515±0.038 defghi22.33±1.16op 晚36 L36201.83±1.31qr94.63±1.93nopqr66.17±2.58jklmno7.00±0.20efgh1.73±0.31klmn75.53±3.30pqr195.80±8.72op8.20±2.25ijklmno19.20±0.92cdefghi4.569±0.093 defgh25.75±1.54hijklmno 晚37 L37203.67±3.41opqr80.00±2.55s72.73±1.92cdefghijk7.93±0.46cdefg3.47±0.23def80.53±2.01klmnopqr247.33±14.13cdefghijk36.53±5.94c20.00±0.35bcdef4.605±0.066 defgh33.41±1.07b 晚38 L38199.40±7.03r76.80±1.11s78.20±1.93abc7.13±0.31efgh1.00±0.35nopq88.33±2.73defghijklm244.07±10.65defghijklm5.53±3.06jklmno17.67±0.99fghij4.917±0.237bcde29.16±1.86cdefgh

同列不同小寫字母表示不同油菜品種在0.05水平差異顯著。Different lowercase letters in the same column mean significant differences among different rape materials at 0.05 level.

2.1 基于投影尋蹤模型的油菜產(chǎn)量因素分析

2.1.1 產(chǎn)量因素優(yōu)化排序

將表1中前10個常見產(chǎn)量因素指標(biāo)值按照式(1)和式(2)進(jìn)行歸一化處理, 結(jié)果如表2所示, 其中除有效分枝部位為逆向指標(biāo)外, 其余均為正向指標(biāo)。

表2 供試早熟(早)和晚熟(晚)油菜組合材料的產(chǎn)量因素歸一化處理結(jié)果

采用加速遺傳算法分別求解12份早熟和38份晚熟油菜組合最優(yōu)投影方向矢量, 首先根據(jù)式(4)-(6)計算z的標(biāo)準(zhǔn)差S、z的局部密度D和投影指標(biāo)函數(shù)Q, 對數(shù)據(jù)建立投影尋蹤模型。采用Matlab 7.1語言編程實現(xiàn)。優(yōu)化投影尋蹤模型時參數(shù)設(shè)置如下: 選定種群數(shù)為400, 交叉概率P=0.8, 變異率P=0.1,=0.05, 迭代3次, 加速循環(huán)10次。

投影指標(biāo)用式(7)計算, 在滿足目標(biāo)函數(shù)max Q和約束條件下, 經(jīng)過尋優(yōu)運算, 12份早熟油菜組合最大指標(biāo)函數(shù)值為1.630 8, 10個產(chǎn)量指標(biāo)的輸出最佳的投影方向向量為:*=(0.082 0, 0.508 3, 0.022 1, 0.202 4, 0.239 9, 0.778 6, 0.017 3, 0.033 0, 0.092 8, 0.140 1)。38份晚熟油菜組合最大指標(biāo)函數(shù)值為15.503 5, 10個產(chǎn)量指標(biāo)的輸出最佳的投影方向向量為:*=(0.037 3, 0.359 0, 0.179 1, 0.160 1, 0.232 7, 0.204 6, 0.078 9, 0.030 6, 0.725 8, 0.426 6), 反映了各指標(biāo)在影響油菜產(chǎn)量上所占的比重(圖1)。

投影尋蹤模型中, 最佳投影方向各分量的大小實質(zhì)上反映了各評價指標(biāo)對油菜產(chǎn)量的影響程度, 值越大則對應(yīng)的評價指標(biāo)對油菜產(chǎn)量的影響程度越大。從圖1中可以看出, 早熟組合產(chǎn)量貢獻(xiàn)最大的3項指標(biāo)依次為主序有效角果數(shù)>有效分枝部位>二次有效分枝數(shù), 貢獻(xiàn)率分別為36.79%、24.02%和11.33%; 晚熟組合產(chǎn)量貢獻(xiàn)最大的3項指標(biāo)依次為每角粒數(shù)>千粒重>有效分枝部位, 貢獻(xiàn)率分別為29.81%、17.52%和14.75%。說明有效分枝部位對早、晚熟油菜產(chǎn)量均有較大貢獻(xiàn), 且早熟組合的產(chǎn)量形成還體現(xiàn)在生育前期決定的有效分枝數(shù)與有效角果數(shù)上, 晚熟組合的產(chǎn)量形成則體現(xiàn)在生育后期決定的每角粒數(shù)與千粒重上?？赡茉蚴窃缡旖M合營養(yǎng)生長天數(shù)和生殖生長天數(shù)均較晚熟組合短, 早熟組合只有在營養(yǎng)生長期間先形成足夠的有效分枝數(shù)和有效角果數(shù)才能在后期生殖生長階段提供充足的庫,以保證籽粒變大、變多, 而晚熟組合在營養(yǎng)生長期間已形成了一定量有效分枝數(shù)和有效角果數(shù), 有足夠的庫供給生殖生長的籽粒變大、變多, 則后期籽粒的數(shù)量和質(zhì)量成了影響產(chǎn)量的重要因子。

圖1 早熟(A, B)和晚熟(C, D)油菜組合材料產(chǎn)量影響指標(biāo)的最優(yōu)投影方向(A, C)和影響百分比(B, D)

1、2、3、4、5、6、7、8、9和10分別表示株高、有效分枝部位、主序長、一次有效分枝數(shù)、二次有效分枝數(shù)、主序有效角果數(shù)、一次枝有效角果數(shù)、二次枝有效角果數(shù)、每角粒數(shù)和千粒重。1,2,3,4,5,6,7,8,9and10respectively represent plant height, effective branching position, main sequence length, primary effective branching number, secondary effective branching number, effective pods number of the main sequence, primary effective pods number, secondary effective pods number, seed number per horn, and 1000-grain weight.1,2,3,4,5,6,7,8,9and10respectively represent plant height, effective branching position, main sequence length, primary effective branching number, secondary effective branching number, effective pods number of the main sequence, primary effective pods number, secondary effective pods number, seed number per horn, and 1000-grain weight.

2.1.2 模型評價結(jié)果分析

將最優(yōu)投影方向*代入式(3), 得到12份早熟和38份晚熟油菜組合的投影值*=(1.337 7, 0.777 8, 1.293 1, 0.967 7, 0.810 4, 0.924 6, 1.140 9, 0.655 2, 1.037 3, 1.119 4, 1.018 0, 0.818 1)和(1.155 6, 0.712 8, 0.907 8, 0.841 1, 0.881 0, 0.708 3, 1.072 5, 0.958 6, 1.175 5, 1.168 6, 1.121 5, 1.423 6, 1.041 0, 0.824 4, 1.147 8, 1.213 5, 1.428 9, 1.359 9, 0.800 6, 1.020 8, 1.197 2, 0.976 7, 0.978 8, 0.725 6, 1.328 1, 0.573 0, 0.954 1, 1.391 3, 0.866 4, 0.880 0, 1.163 5, 1.077 7, 1.241 0, 1.257 9, 0.672 4, 1.043 7, 1.493 1, 1.332 3)。投影尋蹤方法計算出來的50份油菜組合投影值是基于最優(yōu)目標(biāo)函數(shù)狀況下得出的結(jié)果, 可作為50份油菜組合產(chǎn)量表現(xiàn)指數(shù)。從圖2可以看出, 應(yīng)用遺傳算法的投影尋蹤模型評價油菜農(nóng)藝性狀對產(chǎn)量的表現(xiàn)效果結(jié)論比較可靠。

圖2 早熟(a)和晚熟(b)油菜材料投影值及實際單株產(chǎn)量的比較

2.2 投影尋蹤模型分析結(jié)果與灰色關(guān)聯(lián)度分析結(jié)果比較

將基于投影尋蹤模型計算出的各產(chǎn)量因素投影方向值與灰色關(guān)聯(lián)度[29]計算數(shù)據(jù)進(jìn)行了比較。從產(chǎn)量因素影響值來看(表3), 基于投影尋蹤模型對早、晚熟產(chǎn)量影響最大的因素分別為主序有效角果數(shù)、有效分枝部位、二次有效分枝數(shù)和每角粒數(shù)、千粒重、有效分枝部位; 灰色關(guān)聯(lián)度分析得出對早、晚熟產(chǎn)量影響最大的因素分別為千粒重、一次有效角果數(shù)、一次有效分枝數(shù)和主序長、主序角果數(shù)、每角粒數(shù)。兩種分析方法計算結(jié)果差別較大。從表1和表3中可以看出, 投影尋蹤計算出的產(chǎn)量影響因素影響值較灰色關(guān)聯(lián)度能更好地評價油菜產(chǎn)量大小, 如早熟品種1和10的單株產(chǎn)量分別為35.44 g和28.63 g, 而對早1和早10產(chǎn)量影響較大的因素中, 早10千粒重、一次有效角果數(shù)和一次有效分枝數(shù)均大于早1, 投影尋蹤模型中對早熟產(chǎn)量影響較大的二次有效分枝數(shù)雖早1較早10小(4.6個和5.6個), 但早1的主序角果數(shù)和有效分枝部位彌補了二次有效分枝數(shù)的不足; 晚熟品種31和33的單株產(chǎn)量分別為28.60 g和28.89 g, 在主序長和每角粒數(shù)相近的情況下, 主序角果數(shù)(100.8個和85.2個)相差甚大, 而投影尋蹤模型中對晚熟產(chǎn)量影響較大的每角粒數(shù)相近, 千粒重晚31較晚33小, 但晚31有效分枝部位較晚33大。

2.3 投影尋蹤模型分析結(jié)果與主成分分析結(jié)果比較

在主成分分析[30]獲得的4個主成分中(表3), 早熟品種第1主成分主要與有效分枝數(shù)和二次有效角果數(shù)有關(guān), 第2主成分主要與株高、主序長和千粒重有關(guān), 第3主成分主要與有效分枝部位、二次有效分枝數(shù)和每角粒數(shù)有關(guān), 第4主成分主要與角果數(shù)和每角粒數(shù)有關(guān); 晚熟品種第1主成分主要與有效分枝數(shù)和二次有效角果數(shù)有關(guān), 第2主成分主要與株高、有效分枝部位和主序角果有關(guān), 第3主成分主要與主序長、主序角果和一次有效角果數(shù)有關(guān), 第4主成分主要與主序長和每角粒數(shù)有關(guān)。可以看出早、晚熟產(chǎn)量影響因素對產(chǎn)量影響均較大。利用主成分分析計算出早晚熟綜合得分值分別為早=(1.18,-0.56,-0.03, 0.12,-1.10,-0.14, 0.50,-1.21, 0.66, 1.68,-0.55,-0.55)和晚=(1.08, 0.42,-0.74, 0.86,-0.35, 0.36,-0.13, 0.54, 0.63, 0.50,-1.51, 0.40, 0.01,-0.40, 0.14, 0.52, 0.89, 1.07, 0.33, 0.03, 0.19,-0.09, 0.48, 0.01, 0.69, 0.02,-0.33,-0.88,-1.55,-0.39, 0.51,-0.10,-0.52,-0.15,-0.87,-0.81,-0.34,-0.55), 這與基于投影尋蹤模型計算出的各產(chǎn)量因素投影方向值和投影值有差異(圖2和表3)。將主成分分析得出的值與表1中油菜產(chǎn)量進(jìn)行比較可以發(fā)現(xiàn), 通過值可以粗略地評價油菜產(chǎn)量大小, 但準(zhǔn)確性較基于投影尋蹤模型計算出的投影值低, 如早熟品種3和4的單株產(chǎn)量分別為29.22 g和26.32 g, 而主成分分析中3和4分別為-0.03和0.12, 投影尋蹤模型中分別為1.293 1和0.967 7; 晚熟品種中19和37的單株產(chǎn)量分別為23.23 g和33.41 g, 而19和37分別為0.30和-0.34, 投影尋蹤模型中分別為0.800 6和1.493 1。

表3 早晚熟油菜產(chǎn)量因素分析方法比較

投影尋蹤中產(chǎn)量影響因素值指投影方向值, 灰色關(guān)聯(lián)度中指關(guān)聯(lián)度, 主成分分析中指主成分;1-10分別代表株高、有效分枝部位、主序長、一次有效分枝數(shù)、二次有效分枝數(shù)、主序角果數(shù)、一次枝有效角果數(shù)、二次枝有效角果數(shù)、每角粒數(shù)、千粒重。The influence value refers to the projection direction value for the projection pursuit model, the correlation degree for the gray correlation degree, and the principal component for the principal component analysis.1-10represent plant height, effective branching position, main sequence length, primary effective branching number, secondary effective branching number, effective pods number of the main sequence, primary effective pods number, secondary effective pods number, seed number per horn, and 1000-grain weight, respectively.

3 討論

3.1 產(chǎn)量因素對產(chǎn)量的影響程度分析

目前的報道中, 多數(shù)研究表明千粒重、每角粒數(shù)、主序有效角果數(shù)和有效分枝部位等產(chǎn)量因素是影響油菜產(chǎn)量的主要因子。鐘麗[4]發(fā)現(xiàn)千粒重、一次有效分枝數(shù)和有效分枝部位與油菜單株產(chǎn)量關(guān)聯(lián)度最大; 宋稀等[31]的研究表明常規(guī)密度下對產(chǎn)量直接作用最大的3項指標(biāo)為株高、主序有效角果數(shù)和每角粒數(shù); 黃益國等[7]認(rèn)為早熟組合主要受千粒重、主序有效角果數(shù)和每果粒數(shù)的影響, 而中熟組合主要受每果粒數(shù)、千粒重和株高的影響。本研究中投影尋蹤模型結(jié)果表明, 早熟油菜組合各性狀對產(chǎn)量影響最大的3項因子依次為主序有效角果數(shù)、有效分枝部位和二次有效分枝數(shù), 而晚熟油菜組合各性狀對產(chǎn)量影響最大的3項因子依次為每角粒數(shù)、千粒重和有效分枝部位; 灰色關(guān)聯(lián)度分析結(jié)果表明早、晚熟產(chǎn)量影響因素較大的為每角粒數(shù)、二次有效角果數(shù)和一次有效分枝數(shù); 主成分分析結(jié)果表明產(chǎn)量影響因素對早、晚熟產(chǎn)量均有較大影響。以上研究結(jié)果不僅與前人研究有較大差異, 且本研究中同數(shù)據(jù)不同方法結(jié)果也差異較大。造成差異的可能原因: 一是本文所用油菜組合與黃益國等[7]較為一致, 是不同熟期油菜組合試驗數(shù)據(jù)(區(qū)別在于本文是早、晚熟數(shù)據(jù), 而黃益國等用的是早、中熟數(shù)據(jù)), 而鐘麗[4]和宋稀等[31]用的是熟期相差不大的品系油菜數(shù)據(jù)。二是分析方法不同, 不同的分析方法可能導(dǎo)致結(jié)果有所差別。前人在利用相同的方法(灰色關(guān)聯(lián)度或主成分分析)進(jìn)行產(chǎn)量因素評價時結(jié)果也有所差異, 如白桂萍等[32]、王毅等[33]、鐘麗[4]、鄧偉等[34]均利用灰色關(guān)聯(lián)度法分析了每角粒數(shù)、單株有效角果數(shù)、主序有效角果數(shù)、有效分枝部位、千粒重、株高、一次有效分枝數(shù)、主序長等農(nóng)藝性狀對油菜產(chǎn)量的影響, 但所得結(jié)論有差異。白桂萍等[32]認(rèn)為一次有效分枝數(shù)、主序長、單株有效角果數(shù)與產(chǎn)量關(guān)系最為密切, 王毅等[33]則表示單株有效角果數(shù)、每角粒數(shù)、千粒重對產(chǎn)量影響更大。還有研究者證明對產(chǎn)量影響最大的因素是每角粒數(shù)、單株有效角果數(shù)、有效分枝部位[4,34]。原因可能是主成分分析是在數(shù)據(jù)滿足線性關(guān)系的條件下展開的, 而產(chǎn)量因素數(shù)據(jù)結(jié)構(gòu)非常豐富, 很難滿足單一的線性結(jié)構(gòu), 因此在使用主成分分析產(chǎn)量因素影響大小時會與實際情況有偏差; 灰色關(guān)聯(lián)度分析需要人為確定最優(yōu)值, 主觀性太強, 對于客觀存在事物的評價具有局限性, 從而在產(chǎn)量因素評價過程中造成較大差異。而本文采用投影尋蹤模型方法論證了影響早熟油菜高產(chǎn)的主要因子為主序有效角果數(shù)、二次有效分枝數(shù)和有效分枝部位, 影響晚熟油菜組合高產(chǎn)的主要因子為有效分枝部位、每角粒數(shù)和千粒重, 此方法直接以原始數(shù)據(jù)為基礎(chǔ), 通過計算機分析模擬數(shù)據(jù), 將高維數(shù)據(jù)投影到低維(1~3維)子空間上, 然后設(shè)計軟件程序檢驗, 尋找出能反映原高維數(shù)據(jù)的結(jié)構(gòu)或特征的投影, 以達(dá)到研究和分析高維數(shù)據(jù)的目的, 既不需要模型假定, 也不需要滿足正態(tài)分布, 可以準(zhǔn)確、穩(wěn)健、定量地解決多指標(biāo)非線性問題, 而油菜產(chǎn)量正是由多種因素影響, 各因素之間又有著錯綜復(fù)雜的關(guān)系, 利用此模型進(jìn)行評價可以真正找到數(shù)據(jù)的內(nèi)在規(guī)律。毛鴻才等[35]在研究皮棉(spp.)產(chǎn)量因素試驗中也證明了這一點, 他將投影尋蹤和通徑分析的結(jié)果進(jìn)行比較發(fā)現(xiàn), 投影尋蹤模型得出的結(jié)果更接近實際。

3.2 投影尋蹤模型評價油菜產(chǎn)量結(jié)果分析

由于在利用投影尋蹤模型進(jìn)行油菜產(chǎn)量因素綜合評價時, 投影值是直接由產(chǎn)量各因素原始數(shù)據(jù)直接驅(qū)動形成的, 并未涉及油菜產(chǎn)量數(shù)據(jù), 這與一般由因變量和自變量構(gòu)造函數(shù)模型, 再利用其余數(shù)據(jù)加以驗證模型準(zhǔn)確性不同, 故此文中現(xiàn)有的產(chǎn)量因素數(shù)據(jù)足以證明模型的準(zhǔn)確性, 另取其他樣本數(shù)據(jù)加以驗證模型的準(zhǔn)確性也是重復(fù)性工作, 故此文不再贅述, 僅通過2016年收獲的50份油菜實際單產(chǎn)數(shù)據(jù)評價投影尋蹤模型的準(zhǔn)確性。從圖2可以看出本研究中投影尋蹤模型得出的投影值與收獲的50份油菜實際單產(chǎn)數(shù)據(jù)能較好的吻合, 其中早、晚熟油菜組合中仍有少量投影值大小與實際油菜單產(chǎn)大小有差異, 如早3和早7、早4和早6、晚17和晚28、晚12和18等, 從表1可以看出, 這些組合之間本身實際產(chǎn)量差異不顯著, 測產(chǎn)過程中難免存在一些不可避免誤差(人、儀器、環(huán)境因素等), 導(dǎo)致實際產(chǎn)量大小發(fā)生變化, 但這些變化是細(xì)微的, 是在允許范圍內(nèi)的, 不會影響利用投影值評判產(chǎn)量的效果。如早4和早6投影值、單株產(chǎn)量分別為0.9677、26.32 g和0.9246、26.33 g, 若按投影值的大小來評估產(chǎn)量, 則早4產(chǎn)量應(yīng)高于早6, 而實際上早4產(chǎn)量比早6低0.01 g, 原因就在于兩組合實際產(chǎn)量僅差0.01 g, 差異不顯著, 實際測產(chǎn)中不可避免因素會造成兩組產(chǎn)量大小在允許范圍內(nèi)波動而影響其值大小, 但這兩組產(chǎn)量相近的組合本身可視為同一產(chǎn)量水平, 故不會影響利用投影值評判產(chǎn)量的效果。而在前文結(jié)果部分的敘述中可以發(fā)現(xiàn)使用主成分分析評價油菜產(chǎn)量時會與實際值存在差異, 這歸根于油菜產(chǎn)量因素數(shù)據(jù)結(jié)構(gòu)很難滿足簡單的線性關(guān)系。同時, 灰色關(guān)聯(lián)度分析不能定量評價油菜產(chǎn)量大小。

4 結(jié)論

投影尋蹤模型結(jié)果表明對早、晚熟油菜組合產(chǎn)量影響最大的3項指標(biāo)依次為主序有效角果數(shù)、有效分枝部位、二次有效分枝數(shù)和每角粒數(shù)、千粒重、有效分枝部位。主序有效角果數(shù)和每角粒數(shù)分別是早、晚熟油菜組合最大的產(chǎn)量影響因素, 貢獻(xiàn)率分別為36.79%和29.81%。同時, 將基于投影尋蹤模型油菜產(chǎn)量因素綜合評價結(jié)果與主成分分析和灰色關(guān)聯(lián)度分析進(jìn)行比較, 驗證了利用投影尋蹤模型評估油菜產(chǎn)量大小準(zhǔn)確性較高, 具有較好的應(yīng)用及推廣價值。

[1] 劉芳, 劉睿洋, 官春云.、和基因的共干擾對油菜種子脂肪酸組分的影響[J]. 植物遺傳資源學(xué)報, 2017, 18(2): 290–297 LIU F, LIU R Y, GUAN C Y. Effect of silencing of,,genes on fatty acid component in rapeseed ()[J]. Journal of Plant Genetic Resources, 2017, 18(2): 290–297

[2] 易斌, 陳偉, 馬朝芝, 等. 甘藍(lán)型油菜產(chǎn)量及相關(guān)性狀的QTL分析[J]. 作物學(xué)報, 2006, 32(5): 676–682 YI B, CHEN W, MA C Z, et al. Mapping of quantitative trait loci for yield and yield components inL.[J]. Acta Agronomica Sinica, 2006, 32(5): 676–682

[3] 盧坤, 申鴿子, 梁穎, 等. 適合不同產(chǎn)量的環(huán)境下油菜高收獲指數(shù)的產(chǎn)量構(gòu)成因素分析[J]. 作物學(xué)報, 2017, 43(1): 82–96 LU K, SHEN G Z, LIANG Y, et al. Analysis of yield components with high harvest index inunder environments fitting different yield levels[J]. Acta Agronomica Sinica, 2017, 43(1): 82–96

[4] 鐘麗. 油菜產(chǎn)量與主要性狀的灰色關(guān)聯(lián)度分析[J]. 南方農(nóng)業(yè)學(xué)報, 2012, 43(4): 421–424 ZHONG L. Gray relational grade analysis between the rapeseed yield and related traits[J]. Journal of Southern Agriculture, 2012, 43(4): 421–424

[5] 白鵬, 冉春燕, 謝小玉. 干旱脅迫對油菜蕾薹期生理特性及農(nóng)藝性狀的影響[J]. 中國農(nóng)業(yè)科學(xué), 2014, 47(18): 3566–3576 BAI P, RAN C Y, XIE X Y. Influence of drought stress on physiological characteristics and agronomic traits at bud stage of rapeseed (L.)[J]. Scientia Agricultura Sinica, 2014, 47(18): 3566–3576

[6] 鄭本川, 張錦芳, 李浩杰, 等. 甘藍(lán)型油菜生育期天數(shù)與產(chǎn)量構(gòu)成性狀的相關(guān)分析[J]. 中國油料作物學(xué)報, 2013, 35(3): 240–245 ZHENG B C, ZHANG J F, LI H J, et al. Correlation between duration of growth periods and yield components ofL.[J]. Chinese Journal of Oil Crop Sciences, 2013, 35(3): 240–245

[7] 黃益國, 張學(xué)昆, 張毅, 等. 不同熟期油菜品種農(nóng)藝性狀與產(chǎn)量的相關(guān)分析[J]. 作物研究, 2017, 31(3): 260–264 HUANG Y G, ZHANG X K, ZHANG Y, et al. Correlation analysis about agronomic traits and yield of rape varieties with different maturity stages[J]. Crop Research, 2017, 31(3): 260–264

[8] 靳力爭, 馬洪英. 白菜型油菜單株產(chǎn)量與相關(guān)性狀的灰色關(guān)聯(lián)度分析[J]. 長江蔬菜, 2018, (8): 50–52 JIN L Z, MA H Y. Gray relational degree analysis between per-plant yield and relative characters of turnip type rape[J]. Journal of Changjiang Vegetables, 2018, (8): 50–52

[9] 倪正斌, 王陳燕, 孫雪輝, 等. 甘藍(lán)型油菜主要農(nóng)藝性狀相關(guān)性及主成分分析[J]. 江西農(nóng)業(yè)學(xué)報, 2018, 30(3): 7–10 NI Z B, WANG C Y, SUN X H, et al. Correlation and principal component analyses of main agronomic traits in[J]. Acta Agriculturae Jiangxi, 2018, 30(3): 7–10

[10] 王柏, 張忠學(xué), 李芳花, 等. 基于改進(jìn)雙鏈量子遺傳算法的投影尋蹤調(diào)虧灌溉綜合評價[J]. 農(nóng)業(yè)工程學(xué)報, 2012, 28(2): 84–89 WANG B, ZHANG Z X, LI F H, et al. Comprehensive evaluation of regulated deficit irrigation using projection pursuit model based on improved double chains quantum genetic algorithm[J]. Transactions of the CSAE, 2012, 28(2): 84–89

[11] 姜秋香, 付強, 王子龍. 基于粒子群優(yōu)化投影尋蹤模型的區(qū)域土地資源承載力綜合評價[J]. 農(nóng)業(yè)工程學(xué)報, 2011, 27(11): 319–324 JIANG Q X, FU Q, WANG Z L. Comprehensive evaluation of regional land resources carrying capacity based on projection pursuit model optimized by particle swarm optimization[J]. Transactions of the CSAE, 2011, 27(11): 319–324

[12] KRUSKAL J B. Toward a practical method which helps uncover the structure of a set of multivariate observations by finding the linear transformation which optimizes a new index of condensation[M]//MILTONR C, NELDERJ A. Statistical Computation. New York: Academia Press, 1969

[13] KRUSKAL J B. Linear transformation of multivariate data to reveal clustering[M]//SHEPARDR N. Multidimensional Scaling: Theory and Applications in the Behavioral Science. NewYork and London: Semimar Press, 1972

[14] 汪嘉楊, 宋培爭, 張碧, 等. 社會-經(jīng)濟(jì)-自然復(fù)合生態(tài)系統(tǒng)生態(tài)位評價模型——以四川省為例[J]. 生態(tài)學(xué)報, 2016, 36(20): 6628–6635 WANG J Y, SONG P Z, ZHANG B, et al. An ecological niche evaluation model of social, economic, and natural complex ecosystems: a case study in Sichuan Province[J]. Acta Ecologica Sinica, 2016, 36(20): 6628–6635

[15] 何汝艷, 蔣金豹, 郭海強, 等. 用投影尋蹤降維方法估測冬小麥葉綠素密度[J]. 麥類作物學(xué)報, 2014, 34(10): 1447–1452 HE R Y, JIANG J B, GUO H Q, et al. Using projection pursuit dimension reduction to estimate canopy chlorophyll density of winter wheat[J]. Journal of Triticeae Crops, 2014, 34(10): 1447–1452

[16] 原君靜, 李洪文. 基于投影尋蹤技術(shù)的保護(hù)性耕作效益評價[J]. 農(nóng)業(yè)工程學(xué)報, 2010, 26(4): 175–179 YUAN J J, LI H W. Benefit evaluation of conservation tillage based on projection pursuit[J]. Transactions of the CSAE, 2010, 26(4): 175–179

[17] 封志明, 鄭海霞, 劉寶勤. 基于遺傳投影尋蹤模型的農(nóng)業(yè)水資源利用效率綜合評價[J]. 農(nóng)業(yè)工程學(xué)報, 2005, 21(3): 66–70 FENG Z M, ZHENG H X, LIU B Q. Comprehensive evaluation of agricultural water use efficiency based on genetic projection pursuit model[J]. Transactions of the CSAE, 2005, 21(3): 66–70

[18] 趙小勇, 付強, 刑貞相, 等. 投影尋蹤模型的改進(jìn)及其在生態(tài)農(nóng)業(yè)建設(shè)綜合評價中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報, 2006, 22(5): 222–225 ZHAO X Y, FU Q, XING Z X, et al. Improvement of projection pursuit model and its application in integrated evaluation of eco-agricultural construction[J]. Transactions of the CSAE, 2006, 22(5): 222–225

[19] 王斌, 張展羽, 魏永霞, 等. 基于投影尋蹤的農(nóng)業(yè)基本旱情評估[J]. 農(nóng)業(yè)工程學(xué)報, 2009, 25(4): 157–162 WANG B, ZHANG Z Y, WEI Y X, et al. Assessment of agricultural basic drought based on projection pursuit[J]. Transactions of the CSAE, 2009, 25(4): 157–162

[20] 徐淑琴, 付強, 董淑喜, 等. 基于RAGA的PPC模型評價水分脅迫對寒區(qū)水稻生長和產(chǎn)量的影響[J]. 農(nóng)業(yè)工程學(xué)報, 2009, 25(S2): 29–33 XU S Q, FU Q, DONG S X, et al. Evaluation of effects of water stress on growing and yield of paddy based on RAGA-PPC model in cold area[J]. Transactions of the CSAE, 2009, 25(S2): 29–33

[21] 李祚泳, 徐源蔚, 汪嘉楊, 等. 基于投影尋蹤回歸的規(guī)范指標(biāo)的氣象災(zāi)情評估[J]. 應(yīng)用氣象學(xué)報, 2016, 27(4): 480–487 LI Z Y, XU Y W, WANG J Y, et al. Evaluation model of meteorological disaster loss with normalized indices based on projection pursuit regression[J]. Journal of Applied Meteorological Science, 2016, 27(4): 480–487

[22] 杜欣, 黃曉霞, 李紅旮, 等. 基于投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)算法的植物群落高分遙感分類研究[J]. 地球信息科學(xué)學(xué)報, 2016, 18(1): 124–132 DU X, HUANG X X, LI H G, et al. Research on classification of plant community using projection pursuit learning network algorithm on high resolution remote sensing images[J]. Journal of Geo-information Science, 2016, 18(1): 124–132

[23] 饒均輝. GSA-PP模型在區(qū)域水資源承載力評價中的應(yīng)用[J]. 水資源與水工程學(xué)報, 2016, 27(6): 95–100 RAO J H. Application of GSA-PP model in water resources carrying capacity evaluation[J]. Journal of Water Resources and Water Engineering, 2016, 27(6): 95–100

[24] 付強, 趙小勇. 投影尋蹤模型原理及其應(yīng)用[M]. 北京: 科學(xué)出版社, 2006: 46–51 FU Q, ZHAO X Y. Principle and Application of Projection Pursuit Model[M]. Beijing: Science Press, 2006: 46–51

[25] 王順久, 楊志峰. 區(qū)域農(nóng)業(yè)生態(tài)環(huán)境質(zhì)量綜合評價投影尋蹤模型研究[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2006, 14(1): 173–175 WANG S J, YANG Z F. A projection pursuit model for comprehensive assessment on eco-environmental quality of regional agriculture[J]. Chinese Journal of Eco-Agriculture, 2006, 14(1): 173–175

[26] 趙西寧, 王玉寶, 馬學(xué)明. 基于遺傳投影尋蹤模型的黑河中游地區(qū)農(nóng)業(yè)節(jié)水潛力綜合評價[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2014, 22(1): 104–110 ZHAO X N, WANG Y B, MA X M. Comprehensive evaluation of agricultural water-saving potential in the middle reaches of Hei River using genetic projection pursuit model[J]. Chinese Journal of Eco-Agriculture, 2014, 22(1): 104–110

[27] 郭倩, 汪嘉楊, 張碧. 基于DPSIRM框架的區(qū)域水資源承載力綜合評價[J]. 自然資源學(xué)報, 2017, 32(3): 484–493 GUO Q, WANG J Y, ZHANG B. Comprehensive evaluation of the water resource carrying capacity based on DPSIRM[J]. Journal of Natural Resources, 2017, 32(3): 484–493

[28] 金菊良, 丁晶. 遺傳算法及其在水科學(xué)中的應(yīng)用[M]. 成都: 四川大學(xué)出版社, 2000 JIN J L, DING J. Genetic Algorithm and its Applications to Water Science[M]. Chengdu: Sichuan University Press, 2000

[29] 劉冰洋, 張小全, 張鋆鋆, 等. 氣象因子對高香氣烤煙品種主要香味前體物含量的影響[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2016, 24(9): 1214–1222 LIU B Y, ZHANG X Q, ZHANG Y Y, et al. Effects of meteorological factors onaroma precursors contents of high aroma flue-cured tobacco[J]. Chinese Journal of Eco-Agriculture, 2016, 24(9): 1214–1222

[30] 熊黑鋼, 付金花, 王凱龍. 基于熵權(quán)法的新疆奇臺綠洲水資源承載力評價研究[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2012, 20(10): 1382–1387 XIONG H G, FU J H, WANG K L. Evaluation of water resource carrying capacity of Qitai Oasis in Xinjiang by entropy method[J]. Chinese Journal of Eco-Agriculture, 2012, 20(10): 1382–1387

[31] 宋稀, 劉鳳蘭, 鄭普英, 等. 高密度種植專用油菜重要農(nóng)藝性狀與產(chǎn)量的關(guān)系分析[J]. 中國農(nóng)業(yè)科學(xué), 2010, 43(9): 1800–1806 SONG X, LIU F L, ZHENG P Y, et al. Correlation analysis between agronomic traits and yield of rapeseed (L.) for high-density planting[J]. Scientia Agricultura Sinica, 2010, 43(9): 1800–1806

[32] 白桂萍, 劉克釗, 譚永強, 等. 油菜高產(chǎn)群體各農(nóng)藝性狀對產(chǎn)量的影響[J]. 作物雜志, 2015, (6): 33–38 BAI G P, LIU K Z, TAN Y Q, et al. Effect of agronomic traits on seed yield in high-yielding rapeseed populations[J]. Crops, 2015, (6): 33–38

[33] 王毅, 龐進(jìn)平, 董云, 等. 油菜產(chǎn)量與主要農(nóng)藝性狀的灰色關(guān)聯(lián)度分析[J]. 種子, 2011, 30(7): 99–101 WANG Y, PANG J P, DONG Y, et al. Gray relation analysis on yield and main agronomic traits of rape[J]. Seed, 2011, 30(7): 99–101

[34] 鄧偉, 肖華貴. 雜交油菜產(chǎn)量與相關(guān)農(nóng)藝性狀的灰色關(guān)聯(lián)度分析[J]. 安徽農(nóng)業(yè)科學(xué), 2009, 37(5): 1961–1962 DENG W, XIAO H G. Grey correlation analysis on the yield of hybrid rape and its related agronomic characters[J]. Journal of Anhui Agricultural Sciences, 2009, 37(5): 1961–1962

[35] 毛鴻才, 楊力行. 黃準(zhǔn)棉區(qū)皮棉產(chǎn)量組分的投影尋蹤回歸(PPR)分析及與通徑分析的比較[J]. 新疆農(nóng)業(yè)大學(xué)學(xué)報, 2001, 24(3): 44–49 MAO H C, YANG L X. Comparison between projection pursuit regression (PPR) analysis and path analysis of yield components in cotton yield in Huangzhun cotton area[J]. Journal of Xinjiang Agricultural University, 2001, 24(3): 44–49

Evaluation of factors affecting rape (swede type) yield using the projection pursuit model*

TIAN Xiaoqin1,2, LI Zhuo1,2**, LI Haojie1, CHAI Jing1, ZHANG Jinfang1, CHEN Honglin2,3, LIU Yonghong1,2

(1. Crop Research Institute, Sichuan Academy of Agricultural Sciences, Chengdu 610066, China; 2. Provincial Key Laboratory of Water-Saving Agriculture in Hill Areas of South China, Chengdu 610066, China; 3. Soil Fertilizer Research Institute, Sichuan Academy of Agricultural Sciences, Chengdu 610066, China)

The relative contributions of factors that affect rapeseed production were determined. A field experiment was conducted in Jianyang, Sichuan using 12 early-maturing and 38 late-maturing newly recombinant rapeseed varieties. Contributions were evaluated using the projection pursuit model based on real code deaccelerating genetic algorithm. The evaluation was compared with gray correlation analysis and principal component analysis. Effective pods in main inflorescence, effective branching position, and second effective branch number were the major contributors for early-maturing varieties, accounting for 36.79%, 24.02%, and 11.33% of the yield variation, respectively. For late-maturing varieties, seeds per silique, 1000-grain weight, and effective branching position were the most influential factors, accounting for 29.81%, 17.52%, and 14.75% of the yield variation, respectively. Interestingly, effective branching position was a significant contributor for both early- and late-maturing varieties. In addition, yield appeared to be influenced mostly by the number of effective branches and the number of effective pods, both formed during early growing stages, for early-maturing rape plants, and by seeds per silique and 1000-grain weight, formed during late growing stages, for late-maturing varieties. Predicted yields by the projection pursuit model were consistent with observed yields. Rapeseed yield was affected mostly by branching and pod formation for early-maturing varieties and by seed development for late-maturing varieties, and the yield potential was accurately predicted by the projection pursuit model.

Projection pursuit; Rapeseed yield prediction; Rapeseed yield factors; High dimensional data

, E-mail: lizhuo_2000@sina.com

Nov. 22, 2018;

Dec. 22, 2018

S565.4

A

2096-6237(2019)03-0462-12

10.13930/j.cnki.cjea.181012

田效琴, 李卓, 李浩杰, 柴靚, 張錦芳, 陳紅琳, 劉永紅. 基于投影尋蹤模型的甘藍(lán)型油菜產(chǎn)量因素評價[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(中英文), 2019, 27(3): 462-473

TIAN X Q, LI Z, LI H J, CHAI J, ZHANG J F, CHEN H L, LIU Y H. Evaluation of factors affecting rape (swede type) yield using the projection pursuit model[J]. Chinese Journal of Eco-Agriculture, 2019, 27(3): 462-473

* 四川省財政創(chuàng)新能力提升工程(2016GYSH-007)、甘藍(lán)型油菜種質(zhì)資源創(chuàng)新和突破性新品種培育(2016zypz-013)、公益性科研(農(nóng)業(yè))專項(20150312701)、國家科技支撐計劃項目(2014BAD11B03)和現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)專項資金(CARS-13)資助

李卓, 主要研究方向為作物高效用水與農(nóng)業(yè)資源環(huán)境。E-mail: lizhuo_2000@sina.com

田效琴, 主要研究方向為作物栽培和農(nóng)業(yè)資源環(huán)境。E-mail: 865257025@qq.com

2018-11-22

2018-12-22

* This study was supported by the Financial Innovation Capacity Improvement Project of Sichuan Province (2016GYSH-007), the Germplasm Resources Innovation and Breakthrough New Varieties Cultivation ofof China (2016zypz-013), the Special Fund for Agro-scientific Research in the Public Interest of China (20150312701), the National Key Technologies R & D Program of China (2014BAD11B03) and the Special Fund for Construction of Modern Agricultural Industrial Technology System of China (CARS-13).