删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

沟灌方式和灌水量对温室番茄综合品质与产量的影响

本站小编 Free考研考试/2021-12-26

李红峥, 曹红霞, 郭莉杰, 吴宣毅. 沟灌方式和灌水量对温室番茄综合品质与产量的影响[J]. , 2016, 49(21): 4179-4191 https://doi.org/10.3864/j.issn.0578-1752.2016.21.012
LI Hong-zheng, CAO Hong-xia, GUO Li-jie, WU Xuan-yi. Effect of Furrow Irrigation Pattern and Irrigation Amount on Comprehensive Quality and Yield of Greenhouse Tomato[J]. Scientia Acricultura Sinica, 2016, 49(21): 4179-4191 https://doi.org/10.3864/j.issn.0578-1752.2016.21.012

0 引言

【研究意义】番茄是中国西北地区设施农业种植的主要蔬菜之一[1],同时也是该地区许多农户主要的收入来源。近年来,随着人们生活质量的提升,蔬菜的品质越来越受到人们的关注[2]。如何在保证产量、保障菜农收入的同时提高蔬菜的品质成为了目前研究的重点,也是协调菜农和消费者之间矛盾的关键。研究表明,不同的灌水方式和灌水量都会对番茄的品质和产量产生影响[3-6]。在不增加农民投入的基础上优化温室番茄现有的灌水方式,制定合理的灌水量确定依据,寻求保证产量与提高品质的最佳平衡点,对于该地区温室番茄产业的可持续发展具有重要的现实意义。【前人研究进展】温室番茄常用的一种灌水方式是沟灌,沟灌作为一种传统的地面灌溉技术,近年来又发展了多种改进的形式,其中交替隔沟灌溉已在大田玉米[7]、棉花[8-9]以及温室黄瓜[10]等作物上展开了广泛研究。研究表明,交替隔沟灌溉能够大量节水而不减产或减产很少,还可以改善作物的品质[8-10]。实际生产中,农民通常根据自身经验确定温室番茄的灌水量,灌水量往往远高于作物实际需水量,致使灌溉水深层渗漏严重,不仅导致水资源的浪费,同时也会引起土壤次生盐渍化等一系列问题[11]。蒸发皿蒸发量能够综合反映当时的气象条件[6],与作物需水量密切相关。根据蒸发皿累积蒸发量制定作物的灌溉计划,在国内外的研究中已有大量报道[12-14]。番茄品质包含了外观、口感、营养等方面的多个指标,其受灌水的影响明显。邢英英等[15]的研究表明增大灌水量显著降低番茄Vc、番茄红素和可溶性糖含量;杨慧等[16]在研究温室番茄优质高产的水氮模式时发现随着灌水量的增加,可溶性固形物和Vc呈降低趋势,番茄红素、可溶性糖和糖酸比呈先增加后降低的趋势。但是番茄品质是一综合性概念,通过分析各单项指标很难判断番茄的综合品质。主成分分析法和灰色关联度法是两种常用的综合评价方法,在烤烟等作物的综合评价方面已有很多应用[17-18],王峰[19]、王鹏勃[20]等也采用主成分分析法对番茄品质做过综合评价。许多研究[20-21]表明番茄的产量随着灌水量的增加呈先增后减的趋势,灌水量存在一阈值,过高和过低的灌水量均不利于番茄的生产。【本研究切入点】在交替隔沟灌溉下应用蒸发皿蒸发量指导温室番茄的灌水尚未有报道;在做番茄品质综合评价时,由于每种评价方法都有自身的缺点和局限性,仅用一种综合评价方法得出的结果说服力不强,将主成分分析法与灰色关联度法结合起来对番茄品质进行综合评价的研究较少;品质、产量、灌溉水利用效率是构成温室番茄综合效益的3大指标,但由于品质是一综合性概念,很难以具体数值对其进行量化,因此,基于品质、产量、灌溉水利用效率对温室番茄综合效益的评价报道相对较少。【拟解决的关键问题】采用主成分分析法和灰色关联度法对常规沟灌和交替隔沟灌溉下不同灌水量水平的温室番茄进行品质综合评价,以主成分综合得分和灰色加权关联度对番茄品质进行量化,利用变异系数法对品质、产量、灌溉水利用效率赋权,通过TOPSIS法对各处理下温室番茄的综合效益进行评价,从而提出西北地区温室番茄优质、高产、高效的沟灌方式和灌水指标,为该地区温室番茄产业的可持续发展提供理论依据和技术指导。

1 材料与方法

试验于2015年4—8月在陕西省杨凌农业高新技术产业示范区绿百合果蔬专业合作社的日光温室内进行。

1.1 试验材料

试验地位于关中平原,北纬34°17′、东经108°01′,海拔527 m,多年平均气温12.5℃,年均日照时数2 163.8 h,年均蒸发量1 500 mm,年平均降水量632 mm,主要集中在5—10月,属于半湿润易旱区。试验温室为西北地区常见的简易土墙日光温室,温室东西长70 m,南北宽8 m,净种植面积408 m2(68 m×6 m)。温室顶部设通风口,底部设通风暗管,通过开闭通风口和通风暗管调节温室内部环境,试验全程在温室覆盖条件下进行,在试验后期,随着气温的回升,为避免温室内出现高温环境,在温室顶部加装遮阳网,遮阳网仅在晴天有烈日的情况下使用,使用时根据温室内的气温,一般于上午10:00—11:00期间盖网,下午3:00—4:00期间揭网。试验温室土壤为重壤土,0—60 cm土壤容重为1.38 g·cm-3,田间持水率为23.87%。供试番茄品种为当地主栽的‘HL2109’(Lycopersicon esculentum,HL2109),番茄幼苗于2015年4月15日定植,留四穗果后打顶,2015年8月2日拉秧,温室日常管理依据当地常规进行。

1.2 试验设计

温室中央设置Φ20 cm标准蒸发皿,高度始终与冠层保持一致,从定植后开始每天早上8:00测定蒸发皿日蒸发量。采取垄植沟灌的栽培模式,番茄植株种植于垄上,垄顶宽10 cm,垄两侧为灌水沟,沟长6 m,沟顶宽60 cm,沟底宽30 cm,沟深15 cm,行距70 cm,株距35 cm,种植密度为4.1株/m2。试验设沟灌方式和灌水量两个因素,其中沟灌方式因素设置两个水平,分别为常规沟灌(CFI)和交替隔沟灌溉(AFI),CFI灌水时每个灌水沟均灌水,AFI灌水时每隔一个沟进行灌水,下次灌本次未灌水的沟,依次交替;灌水量因素以两次灌水的间隔期Φ20 cm标准蒸发皿的累积蒸发量E为基数,设置0.6E、0.8E、1.0E、1.2E四个水平。
试验采用完全随机区组设计,共8个处理,即CFI-0.6E、CFI-0.8E、CFI-1.0E、CFI-1.2E、AFI-0.6E、AFI-0.8E、AFI-1.0E、AFI-1.2E,每个处理3次重复。每个小区4沟4垄,小区面积16.8 m2(2.8 m×6 m),不同小区之间为防止水分侧渗,用埋深为60 cm的防渗膜隔开。
定植当天为确保秧苗的成活,采用常规沟灌对各处理进行一次统一灌水,灌水量参照当地番茄定植时的经验灌水量。为达到蹲苗效果,第一次灌水处理距定植的间隔时间较长,以后每当蒸发皿的累积蒸发量达到(25±2)mm时即进行灌水处理,据此确定的灌水时间与灌水量,既符合沟灌灌水频次相对较低的特点,又能保证整个灌水沟前后灌水的均匀性,同时也满足生育期内各次追肥时间的需要。整个生育期各处理的灌水情况见表1
Table 1
表1
表1全生育期各处理灌水情况
Table 1Irrigation overview of each treatment in the whole growth period
生育期
Growth stage
灌水日期
Irrigation date
灌水量Irrigation amount (mm)
CFI-0.6ECFI-0.8ECFI-1.0ECFI-1.2EAFI-0.6EAFI-0.8EAFI-1.0EAFI-1.2E
苗期
Seedling stage
2015.04.1547.6247.6247.6247.6247.6247.6247.6247.62
开花坐果期
Flowering and fruit setting stage
2015.05.1019.8626.4833.1039.7219.8626.4833.1039.72
果实膨大期
Fruit enlargement stage
2015.05.2515.9021.2026.5031.8015.9021.2026.5031.80
果实膨大期
Fruit enlargement stage
2015.06.0915.3620.4825.6030.7215.3620.4825.6030.72
成熟采摘期
Fruit maturation stage
2015.06.2415.5420.7225.9031.0815.5420.7225.9031.08
成熟采摘期
Fruit maturation stage
2015.07.0915.0020.0025.0030.0015.0020.0025.0030.00
全生育期 Whole growth stage129.28156.50183.72210.94129.28156.50183.72210.94


新窗口打开

1.3 测定方法

1.3.1 品质测定 在第三穗果的成熟采摘期进行品质测定。测定时在每小区随机挑选出无坏斑的果实9颗,用精度为0.01 g的电子天平测量单果重,用游标卡尺测定果实的横、纵径,横径在果身平面上两个垂直方向测定两次,果形指数为番茄纵径与平均横径的比值,横径变异系数为两次横径测量值的标准差与平均值的比值;将番茄用打浆机打成匀浆,采用减压干燥法测定果实含水量,IR200S手持式糖度计测定可溶性固形物,0.1 mol·L-1 NaOH滴定法测定有机酸,硫酸-蒽酮比色法测定可溶性糖,钼蓝比色法测定Vc,EV300PC型紫外-可见分光光度计法(Thermo Fisher, USA)测定番茄红素。
1.3.2 产量测定 每个小区标记有代表性15株番茄,产量根据种植密度折算得到。
1.3.3 灌溉水利用效率 灌溉水利用效率(IWUE)是指作物利用单位灌水量所能生产的产量,单位为kg·m-3,计算公式为:
$\text{IWUE}=100Y/I$ (1)
式中,Y为产量(t·hm-2);I为灌溉定额(mm),100为单位转换系数。

1.4 品质综合评价

1.4.1 评价指标的选取 选取能够表征番茄外观品质的单果重(X1)、果形指数(X2)、横径变异系数(X3),表征番茄口感品质的果实含水量(X4)、可溶性固形物(X5)、糖酸比(X6)以及表征番茄营养保健品质的Vc(X7)、番茄红素(X8)共8项指标作为评价变量,采用主成分分析法和灰色关联度法对番茄品质进行综合评价。
1.4.2 原始数据的标准化、同趋化处理 主成分分析法和灰色关联度法虽然原理不同,但在前期数据处理时的一些步骤可做合并:为消除不同评价指标量纲的影响,两者均需要先对数据进行标准化处理,同时,为保证评价指标优劣方向的一致,主成分分析法还需对数据进行同趋化,而同趋化后的数据更便于灰色关联度分析时参考向量的选取。数据的标准化和同趋化可同时进行,具体方法为[22]
对于高优指标:
$Z{{X}_{ij}}={{X}_{ij}}/{{X}_{\max }}\times 100\left( {{X}_{ij}}\le {{X}_{\max }} \right)$ (2)
对于低优指标:
$Z{{X}_{ij}}={{X}_{\min }}/{{X}_{ij}}\times 100\left( {{X}_{ij}}\ge {{X}_{\min }} \right)$ (3)
式中:Xij为第i个对象第j个指标的测量值,Xmax为指标最大值,Xmin为指标最小值,ZXijXij经标准化、同趋化后的值。
1.4.3 主成分分析 采用SPSS 22.0进行主成分分析。SPSS将主成分分析有机的嵌入到了因子分析之中,数据经过标准化、同趋化处理后,调用Factor Analysis过程进行主成分分析。主成分提取的原则是对应的特征值λ大于1。用得到的主成分载荷矩阵中的数据除以主成分相对应的特征值的开平方根,便得到每个主成分中各指标所对应的系数[23],再以每个主成分所对应的特征值占所提取主成分总的特征值之和的比例作为各主成分的权重,即可得主成分综合得分模型[23],根据得分的高低对评价对象进行优劣排序。
1.4.4 评价指标权重的确定 本研究采用主成分分析法确定指标权重。主成分分析得到各项指标的公因子方差,方差的大小表示该项指标对总体变异贡献的多少,由此可以得出各项指标的权重[24]
1.4.5 灰色关联度分析 采用Microsoft Excel 2016进行灰色关联度分析。根据标准化、同趋化后的数据,构造参考向量T0={ZX01,ZX02,…,ZX0j}。参评样本与参考向量的灰色关联系数根据下式计算[17]
${{\gamma}_{ij}}=\frac{\underset{n}{\mathop{\min}}\,\underset{m}{\mathop{\min}}\,\left| Z{{X}_{0j}}-Z{{X}_{ij}}\right|+\rho\underset{n}{\mathop{\max}}\,\underset{m}{\mathop{\max}}\,\left| Z{{X}_{0j}}-Z{{X}_{ij}}\right|}{\left|Z{{X}_{0j}}-Z{{X}_{ij}}\right|+\rho \underset{n}{\mathop{\max }}\,\underset{m}{\mathop{\max }}\,\left| Z{{X}_{0j}}-Z{{X}_{ij}} \right|}$(4)
式中:${{\gamma }_{ij}}$为第i个样本的第j个指标的关联系数;
$\underset{n}{\mathop{\min}}\,\underset{m}{\mathop{\min}}\,\left|Z{{X}_{0j}}-Z{{X}_{ij}}\right|$、$\underset{n}{\mathop{\max }}\,\underset{m}{\mathop{\max }}\,\left| Z{{X}_{0j}}-Z{{X}_{ij}} \right|$为两级最
小绝对差和两级最大绝对差,分别表示参评样本与参考向量所有指标的差值绝对值中的最小值和最大值;ρ为分辨系数,作用是为了克服最大绝对差太大引起的失真,提高关联系数之间的差异显著性。为了避免异常值支配整个关联度取值,使关联度更好体现评价系统的整体性,分辨系数的选取需要进行必要的分析和选择,具体方法如下[25]
记Δυ为所有差值绝对值的均值,即
${{\Delta}_{\upsilon}}=\frac{1}{n\cdotm}\sum\limits_{i=1}^{n}{\sum\limits_{j=1}^{m}{\left| Z{{X}_{0j}}-Z{{X}_{ij}} \right|}}$,并记
${{\Delta}_{\max}}=\underset{n}{\mathop{\max}}\,\underset{m}{\mathop{\max}}\,\left| Z{{X}_{0j}}-Z{{X}_{ij}} \right|$,
当Δmax>3Δυ时,$\frac{{{\Delta}_{\upsilon}}}{{{\Delta}_{\max}}}\rho 1.5\frac{{{\Delta }_{\upsilon }}}{{{\Delta }_{\max }}}$;
当${{\Delta}_{\max}}3{{\Delta}_{\upsilon}}$时,$1.5\frac{{{\Delta}_{\upsilon }}}{{{\Delta }_{\max }}}<\rho 2\frac{{{\Delta }_{\upsilon }}}{{{\Delta }_{\max }}}$。
根据用主成分分析法得到的指标权重wj以及由公式(4)得到的关联系数,计算各评价对象的加权关
联度:${{\gamma }_{i}}=\sum\limits_{j=1}^{m}{{{w}_{j}}}{{\gamma }_{ij}}$,通过加权关联度的大小对参评样
本进行优劣排序。

1.5 品质、产量、IWUE综合效益评价

1.5.1 指标权重的确定 本研究采用变异系数法对品质、产量、IWUE赋权。变异系数CV是衡量数据离散程度的统计量,变异系数CV越大,表明指标越难实现,该指标应当被赋予较大的权重;反之则应被赋予较小的权重[6]。变异系数法在确定指标权重时的
公式为:
${{W}_{j}}=C{{V}_{j}}/\sum\limits_{j=1}^{n}{C{{V}_{j}}}$ (5)
CVj=σj/xj (6)
式中:Wj为指标j的权重,CVj为指标j的变异系数,σj为指标j的标准差,xj为指标j的平均值。
1.5.2 综合效益评价模型的构建 本研究采用TOPSIS法(逼近理想解排序法)对各处理下温室番茄的品质、产量、IWUE综合效益进行评价。TOPSIS法是有限方案多目标决策分析时常用的一种距离综合评价法[26],其基本原理是:基于归一化后的决策矩阵,找出有限方案中的正理想解Y+和负理想解Y,以评价对象靠近正理想解的距离Di+和远离负理想解的距离Di确定评价对象距正理想解的相对贴近度Ci,以Ci的大小作为评价优劣的依据[6]
针对本研究,将8个灌水处理和3个评价指标构建初始决策矩阵Xij=(xij)8×3。由于本研究中的3个评价指标均为高优指标,根据下式得到标准化后的加权决策矩阵Yij=(yij)8×3
${{y}_{ij}}={{W}_{j}}\frac{{{x}_{ij}}}{\sqrt{\sum\limits_{i=1}^{8}{x_{ij}^{2}}}}$ (7)
通过公式(8)、(9)确定正、负理想解:
\[{{Y}^{+}}=\left\{ \underset{1\le i\le 8}{\mathop{\max }}\,{{y}_{ij}}\left| i=1,2,...,8 \right. \right\}=\left\{ y_{1}^{+},y_{2}^{+},y_{3}^{+} \right\}\] (8)
\[{{Y}^{\text{-}}}=\left\{ \underset{1\le i\le 8}{\mathop{\min }}\,{{y}_{ij}}\left| i=1,2,...,8 \right. \right\}=\left\{ y_{1}^{-},y_{2}^{-},y_{3}^{-} \right\}\] (9)
根据公式(10)、(11)、(12)分别计算各处理到正、负理想解的距离Di+、Di以及相对贴近度Ci
$D_{i}^{+}=\sqrt{\sum\limits_{j=1}^{3}{{{\left( y_{j}^{+}-{{y}_{ij}} \right)}^{2}}}}$ (10)
$D_{i}^{\text{-}}=\sqrt{\sum\limits_{j=1}^{3}{{{\left( y_{j}^{\text{-}}-{{y}_{ij}} \right)}^{\text{ }2}}}}$ (11)
${{C}_{i}}=\frac{D_{i}^{\text{-}}}{D_{i}^{+}+D_{i}^{\text{-}}}$ (12)
Ci值越大,表明品质、产量、IWUE的综合效益越好,根据Ci的大小,按照综合效益对各灌水处理进行优劣排序。

1.6 采用SPSS 22.0数据处理软件进行方差分析(Duncan法),SigmaPlot 12.5作图。

2 结果

2.1 沟灌方式和灌水量对番茄品质的影响

表2可以看出,沟灌方式和灌水量对番茄的单果重、果形指数和横径变异系数的影响均达到了极显著水平。相同沟灌方式下,随着灌水量的增加,单果重和果形指数增大,而果实的横径变异系数则减小,说明减少灌水量会使番茄果实的外观品质降低;同一灌水量下,AFI的番茄单果重和果形指数明显高于CFI。对于番茄的口感和营养保健品质,沟灌方式对可溶性固形物和番茄红素的影响分别达到了显著和极显著水平,而对果实含水量、糖酸比和Vc含量影响不显著;灌水量对番茄果实含水量、可溶性固形物和番茄红素含量具有极显著影响,对糖酸比和Vc含量具有显著影响;沟灌方式和灌水量的交互作用对番茄的可溶性固形物、Vc和番茄红素含量的影响均达到了极显著水平。CFI和AFI下,随灌水量的增加,果实含水量显著增加,灌水量最大时果实含水量分别达到最大值95.26%和95.85%;CFI下可溶性固形物随灌水量的增加呈先增大后减小的趋势,在0.8E灌水量下可溶性固形物含量最大(5.30%),而在AFI下可溶性固形物含量随灌水量的增加而降低,0.6E灌水量下含量最大(5.37%);相同灌水量下,AFI相较于CFI能够提高糖酸比(0.6E灌水量下除外);对于Vc、番茄红素两个反映番茄营养、保健价值的指标,CFI下Vc含量随灌水量的增加先增大后减小,在1.0E灌水量下Vc含量最高为14.29 mg·100g-1,AFI下Vc含量总体呈降低趋势,当灌水量为0.6E时含量最大为15.95 mg·100g-1;番茄红素含量在CFI、AFI下均随灌水量增加先增大后减小,CFI下灌水量为1.0E时番茄红素含量最大(68.77 μg·g-1),AFI下灌水量为0.8E时含量最大(78.77 μg·g-1),且同一灌水量下,AFI下果实的番茄红素含量显著高于CFI。
Table 2
表2
表2沟灌方式与灌水量对番茄品质的影响
Table 2Effect of furrow irrigation pattern and irrigation amount on tomato quality
沟灌方式
Furrow irrigation pattern
灌水量
Irrigation amount
单果重
Single fruit weight (g)
果形指数
Fruit shape index
横径变异
系数
TDVC
含水量
Water content (%)
可溶性固形物
Soluble solid (%)
糖酸比
Sugar-acid
ratio
Vc (mg·100g-1)番茄红素
Lycopene (μg·g-1)
常规沟灌
CFI
0.6E153.80d0.7641c0.0167a90.02d5.10bc4.75ab11.93de63.53d
0.8E162.23bc0.7870b0.0153a90.97bcd5.30ab4.25bc12.93c63.73d
1.0E165.11ab0.7996a0.0132b92.22bc5.13bc4.49abc14.29b68.77c
1.2E165.31ab0.8007a0.0114c95.26a4.53d4.04c13.45bc60.63d
交替隔沟灌溉 AFI0.6E160.40c0.7746c0.0133b90.48d5.37a4.55abc15.95a76.10ab
0.8E165.95ab0.7987a0.0118bc90.70cd5.20ab4.84a13.48bc78.77a
1.0E165.18ab0.8066a0.0133b92.35b4.93c4.78a11.70e73.63b
1.2E167.20a0.8052a0.0119bc95.85a4.97c4.17c12.77cd68.00c
沟灌方式 FIP*****ns*nsns**
灌水量 IA**************
沟灌方式×灌水量 FIP×IAnsns**ns**ns****

TDVC means transverse diameter variation coefficient; different lowercase letters in the same column data indicate significant difference at 0.05 level; * means significant difference (P<0.05); ** means much significant difference (P<0.01); ns means not significant differenceTDVC表示横径变异系数;同列数据后不同小写字母表示在0.05水平差异显著;*表示在差异显著(P<0.05);**表示差异极显著(P<0.01);ns表示不显著
新窗口打开

2.2 番茄品质的综合评价

2.2.1 番茄品质指标的同趋化、标准化 仅从分析沟灌方式和灌水量对番茄各品质指标的影响并不能综合评判各处理下番茄品质的优劣。为得出品质最优的灌水处理,采用主成分分析法和灰色关联度法对番茄品质进行综合评价。初始数据的标准化、同趋化合并进行,单果重、果形指数[27]、可溶性固形物、糖酸比、Vc、番茄红素为高优指标,横径变异系数和果实含水量[28]为低优指标,根据公式(3)、(4)数据标准化、同趋化后的结果见表3
Table 3
表3
表3参评品质指标同趋化、标准化值
Table 3Chemotactic and standardized value of evaluation indexes
处理 TreatmentX1X2X3X4X5X6X7X8
CFI-0.6E91.9994.7368.09100.0095.0397.9774.8480.66
CFI-0.8E97.0397.5674.1898.9598.7687.7881.0680.91
CFI-1.0E98.7599.1386.2497.6195.6592.7089.6287.30
CFI-1.2E98.8799.26100.0094.4984.4783.5084.3776.98
AFI-0.6E95.9396.0385.3199.49100.0093.90100.0096.61
AFI-0.8E99.2599.0296.1899.2596.89100.0084.51100.00
AFI-1.0E98.79100.0085.6497.4891.9298.6173.3793.48
AFI-1.2E100.0099.8395.2293.9292.5586.1880.0786.33

X1-X8 mean single fruit weight, fruit shape index, TDVC, water content, soluble solid, sugar- acid ratio, Vc, lycopene respectively. The same as belowX1—X8分别表示单果重、果形指数、横径变异系数、含水量、可溶性固形物、糖酸比、Vc、番茄红素。下同
新窗口打开
2.2.2 主成分分析法对番茄品质综合评价 利用SPSS 22.0对标准化、同趋化后的数据进行主成分分析。依据特征值大于1的原则,提取用来评价各个处理的主成分,得到评价体系的总方差解释表(表4)。结果表明,前3个主成分的累积贡献率已达91.560%,能够充分保留原始数据大部分变异信息,即所提取的3个主成分具有较好的代表性,因此用这3个主成分代替原来的8个指标变量来对各处理的番茄品质进行评价。
Table 4
表4
表4主成分分析总方差解释
Table 4Total variance explanation of principal component analysis
主成分
Primary component
初始特征值Initial eigenvalues提取载荷平方和Extraction Sums of Squared Loadings
特征值
Eigenvalues
方差贡献率
Variance
contribution (%)
累积方差贡献率
Cumulative variance
contribution (%)
特征值
Eigenvalues
方差贡献率
Variance
contribution (%)
累积方差贡献率
Cumulative variance
contribution (%)
14.01250.15450.1544.01250.15450.154
22.10926.36376.5162.10926.36376.516
31.20415.04491.5601.20415.04491.560
40.4675.83397.394
50.1251.56698.959
60.0630.78999.748
70.0200.252100.000
81.153E-161.441E-15100.000


新窗口打开
主成分载荷矩阵(表5)能够反映各主成分中不同指标的负载信息。由表4表5可知,第1主成分方差贡献率达到50.154%,主要反映了单果重(X1)、果形指数(X2)、横径变异系数(X3)3个表示番茄外观的指标和果实含水量(X4)、可溶性固形物(X5)、糖酸比(X6)3个表示番茄口感的指标,而这些指标都直接关系番茄的商品价值,因此第1主成分可称为商品因子;第2主成分方差贡献率为26.363%,主要以番茄红素(X8)的影响为主,番茄红素具有抗衰老、提高免疫力的保健功效,因此第2主成分可称为保健因子;第3主成分方差贡献率为15.044%,主要以Vc(X7)的影响为主,Vc是番茄果实中重要的营养物质,因此第3主成分可称为营养因子。
Table 5
表5
表5主成分载荷矩阵
Table 5Principal component loading matrix
指标变量
Index variables
主成分Principal component
123
X1-0.8340.479-0.060
X2-0.8550.330-0.299
X3-0.8250.4460.111
X40.9400.205-0.064
X50.7540.4220.208
X60.6330.464-0.564
X70.0940.4920.841
X80.2100.946-0.158


新窗口打开
用各主成分载荷向量除以各自主成分特征值的算术平方根,即得到3个主成分中每个指标所对应的系数,再以提取的各主成分所对应的特征值占所提取的3个主成分特征值之和的比例作为各主成分的权重得到各处理主成分综合得分模型:
Fi=-0.142ZXi1-0.213ZXi2-0.121ZXi3+0.288ZXi4+0.321ZXi5+0.181ZXi6+0.249ZXi7+0.221ZXi8
其中,Fi表示第i处理的主成分综合得分,ZXi1ZXi2ZXi8表示第i处理的8项番茄品质指标初始数据经标准化、同趋化处理后的数值。由此计算各处理的综合主成分得分见表6,综合得分越高,表示该处理下番茄品质越好。主成分分析结果表明,AFI-0.6E、AFI-0.8E处理为综合品质最优的两个处理,AFI-1.2E、CFI-1.2E两个处理的品质最差。
Table 6
表6
表6各灌水处理的主成分综合得分及排序结果
Table 6Principal components scores and ranking of each irrigation treatment
处理TreatmentCFI-0.6ECFI-0.8ECFI-1.0ECFI-1.2EAFI-0.6EAFI-0.8EAFI-1.0EAFI-1.2E
综合得分
Comprehensive scores
72.05970.66471.68360.23679.65374.16268.71464.438
综合排序
Comprehensive ranks
35481267


新窗口打开
根据主成分分析得到的各评价指标的公因子方差可以得到各评价指标的权重(表7)。其中,番茄红素(X8)的权重最大,为0.1315;可溶性固形物(X5)权重最小,为0.1079,各指标的权重分布均衡,没有出现个别指标权重极大或极小的情况。
Table 7
表7
表7评价指标公因子方差及权重
Table 7Communalities and weighing values of each evaluation index
指标变量 Index variablesX1X2X3X4X5X6X7X8
公因子方差 Communalities0.9290.9290.8910.9290.7900.9340.9590.963
权重 Weighing values0.1270.1270.1210.1270.1080.1280.1310.132


新窗口打开
2.2.3 灰色关联度法对番茄品质综合评价 根据标准化、同趋化后的数据(表3),可构造参考向量T0={100,100,…,100},此即为理想处理。参评处理与理想处理差值绝对值的均值Δν为7.75,差值绝对值的最大值Δmax为31.91,Δmax>3Δν,根据前面介绍的分辨系数ρ的选取原则,ρ取1.5$\frac{{{\Delta }_{v}}}{{{\Delta }_{\max }}}$,因此,ρ为0.3641。
根据公式(5)计算各参评处理与理想处理在各指标处的灰色关联系数γij表8),再依据主成分分析得到的各品质指标的权重计算参评处理与理想处理的加权关联度(表8),依据加权关联度的大小表示参评处理与理想处理的接近程度,从而对各参评处理进行品质优劣排序(表8)。灰色关联度分析的结果显示AFI-0.8E、AFI-0.6E为品质最优的两个处理,CFI-0.8E、CFI-0.6E为品质最差的两个处理。
Table 8
表8
表8参评处理与理想处理的关联系数及加权关联度
Table 8Correlation coefficients and grey weighted correlation degree between tested and reference treatments
处理TreatmentX1X2X3X4X5X6X7X8加权关联度
Weighted correlation degree
排序
Ranking
CFI-0.6E0.590.690.271.000.700.850.320.380.608
CFI-0.8E0.800.830.310.920.900.490.380.380.627
CFI-1.0E0.900.930.460.830.730.610.530.480.684
CFI-1.2E0.910.941.000.680.430.410.430.340.646
AFI-0.6E0.740.750.440.961.000.661.000.770.792
AFI-0.8E0.940.920.750.940.791.000.431.000.851
AFI-1.0E0.911.000.450.820.590.890.300.640.703
AFI-1.2E1.000.990.710.660.610.460.370.460.655


新窗口打开

2.3 沟灌方式和灌水量对番茄产量和IWUE的影响

不同沟灌方式和灌水量对番茄产量影响的分析结果表明(图1),AFI具有明显的增产效应。在相同灌水量下,AFI相较于CFI产量均显著增加;CFI下当灌水量由0.6E增加到1.0E时,产量一直呈显著递增的趋势,但当灌水量由1.0E增加到1.2E时,产量增加不显著;AFI下灌水量由0.6E增加到1.2E的过程中,产量一直呈显著增加趋势,且灌水量由0.8E增加到1.2E过程中,增产的梯度较小,产量最高的AFI-1.2E处理相较于AFI-1.0E和AFI-0.8E处理分别增产5.15%和10.40%,但相较于AFI-0.6E处理产量增加较大,增幅达29.14%。
显示原图|下载原图ZIP|生成PPT
图1沟灌方式、灌水量对番茄产量和灌溉水利用效率的影响不同小写字母表示处理间差异显著(P<0.05)
-->Fig. 1Effects of furrow irrigation pattern and irrigation amount on yield and IWUEDifferent lowercase letters indicate significant different among treatments (P<0.05)
-->

对IWUE的影响分析结果表明(图1),相同灌水量下,AFI处理的IWUE显著高于CFI处理(0.8E灌水量下差异不显著),CFI、AFI处理的IWUE均随灌水量的减少而显著增加。AFI-0.6E处理的IWUE在所有处理中最大,其次为AFI-0.8E处理,且两者差异不显著,灌水量最大的两个处理CFI-1.2E、AFI-1.2E的IWUE较小。

2.4 品质、产量、IWUE综合效益评价

以品质综合评价时得到的主成分综合得分和灰色加权关联度分别作为量化的品质指标,结合产量与IWUE,对8个灌水处理进行综合效益评价,从而选出温室番茄优质、高产、高效的沟灌方式和灌水量的组合。采用变异系数法根据公式(5)、(6)得到品质、产量、IWUE的权重见表9,可以看出,以主成分综合得分作为量化的品质指标得到的权重顺序为产量>IWUE>品质;而以灰色加权关联度作为量化的品质指标得到的权重顺序为品质>产量>IWUE。
Table 9
表9
表9品质、产量、IWUE指标权重
Table 9Weight of quality, yield and IWUE
品质Quality产量YieldIWUE品质Quality产量YieldIWUE
标准差SD5.92359.87805.41680.08699.87805.4168
平均值AVG70.201189.059653.16920.691389.059653.1692
变异系数CV0.08440.11090.10190.12570.11090.1019
权重Weight0.28390.37320.34280.37140.32760.3009

Ⅰ means principal components scores were used as quality index; Ⅱ means grey weighted correlation degrees were used as quality index. The same as belowⅠ表示以主成分综合得分作为品质指标,Ⅱ表示以灰色加权关联度作为品质指标,下同
新窗口打开
利用公式(7)得到标准化后的加权决策矩阵,由公式(8)、(9)确定正、负理想解(表10),根据公式(10)、(11)、(12)得到各处理距正、负理想解的距离D+D-以及距正理想解的相对贴近度Ci,根据Ci值的大小对8个处理的综合效益进行排序(表11)。从排序结果可以看出,以主成分综合得分作为品质指标和以灰色加权关联度作为品质指标,各灌水处理的综合效益评价结果相近,排序的波动幅度均未超过1,两者均表明温室番茄在AFI灌水方式下的综合效益要优于CFI下的综合效益,CFI下温室番茄在灌水量为1.0E时综合效益最大,而AFI下在灌水量为0.8E时综合效益即可达到最大,8个试验处理中综合效益最大和最小的处理分别为AFI-0.8E和CFI-0.8E处理。
Table 10
表10
表10各指标标准化后的加权矩阵
Table 10Weighted matrix of the normalized evaluation indictors
处理
Treatment
品质Quality产量YieldIWUE品质Quality产量YieldIWUE
CFI-0.6E0.10270.10880.12960.11320.09550.1138
CFI-0.8E0.10070.11950.11750.11700.10490.1032
CFI-1.0E0.10220.13750.11530.12830.12070.1012
CFI-1.2E0.08590.14020.10230.12080.12300.0898
AFI-0.6E0.11360.11600.13820.14910.10180.1213
AFI-0.8E0.10570.13570.13350.16040.11910.1172
AFI-1.0E0.09800.14250.11940.13210.12510.1048
AFI-1.2E0.09190.14980.10940.12260.13150.0960
正理想解 Positive ideal solution0.11360.14980.13820.16040.13150.1213
负理想解 Negative ideal solution0.08590.10880.10230.11320.09550.0898


新窗口打开
Table 11
表11
表11各处理的排序指标值
Table 11Index value for sorting different irrigation treatments
处理Treatment
D+DCi排序RankingD+DCi排序Ranking
CFI-0.6E0.04330.03210.426060.05980.02400.28637
CFI-0.8E0.03890.02380.379680.05410.01670.23648
CFI-1.0E0.02840.03550.555840.03940.03150.44465
CFI-1.2E0.04630.03130.403370.05130.02850.35716
AFI-0.6E0.03380.04590.575730.03180.04810.60242
AFI-0.8E0.01680.04570.731310.01310.05940.81991
AFI-1.0E0.02550.03960.608720.03340.03810.53333
AFI-1.2E0.03610.04200.538150.04540.03770.45364


新窗口打开

3 讨论

AFI是控制性分根区交替灌溉技术的一种田间实现形式[29]。前人在研究分根区交替灌溉对果蔬品质的影响时表明,交替灌溉可明显改善苹果、葡萄、番茄等果蔬的品质,提高果实的单果重、果形指数[30]、糖酸比、可溶性固形物、Vc[31-33]以及番茄中的番茄红素的含量[34]。本研究将AFI应用于温室番茄上得到了相似的结果,与CFI相比,AFI下温室番茄的单果重、果形指数、可溶性固形物、番茄红素含量均有所提高,沟灌方式对这些指标有显著影响,但在本研究中Vc含量受沟灌方式影响不显著,这与前人的研究结果不太一致,可能是供试作物和灌水量的确定方法不同所造成。本研究还表明,灌水量的减少会降低番茄的外观品质(单果重、果形指数、横径变异系数),但会增加番茄的口感品质(果实含水量、可溶性固形物、糖酸比),Vc、番茄红素的含量则在两种沟灌方式下随灌水量表现出不同的增减规律,这与前人的研究结果[28, 35]基本一致。
主成分分析法是一种将高维数据降维的分析方法,通过剔除不重要的部分,保留重要信息,简化数据结构,用少量综合指标代替原始高维数据的大部分信息[36]。本研究对8个灌水处理下番茄果实的8项品质指标进行主成分分析,提取了3个主成分,反映了原变量91.560%的变异信息,提取的3个主成分代表性较好,可以用其代替原来的8个品质指标对番茄品质进行评价。灰色关联度分析的原理是构建一个理想的参考对象,通过对参试对象与理想对象的关联度大小进行排序,关联度越大的对象越接近于理想对象,表现越好[37]。本研究根据灰色系统理论,将番茄品质视为一个灰色系统,在对原始数据标准化、同趋化后构建参考向量,对各处理下番茄品质进行灰色关联度分析。在使用灰色加权关联度对番茄品质综合评价时,权重的确定是非常重要的环节,本研究采用主成分分析法确定各品质指标的权重,得到的权重较为客观,可以避免主观赋权法人为因素对评价指标权重的影响。各灌水处理下番茄品质综合主成分得分排序和灰色加权关联度排序结果表明,大部分处理的两者品质优劣排序结果波动不大,两种综合评价方法都表明AFI-0.6E、AFI-0.8E为品质最优的处理,但个别处理(CFI-0.6E、AFI-1.0E)两者评价的结果差异较大,可能是由于本研究中的8个品质指标存在信息重叠的情况,主成分分析法能够将选取的评价指标归结为几个相互独立的主成分,很好的解决信息重叠的问题,但是为了达到对数据降维的目的只选取了特征值大于1的前三个主成分用来对番茄品质进行综合评价,不可避免的又带来了信息丢失的问题;灰色关联度法忽略了评价指标信息重叠的问题,直接从评价对象与构造的理想对象几何相似程度来计算关联度,加大了评价结果准确性的误差。这些评价方法本身的不足可能是造成两种评价方法结果存在差异的主要原因,说明每种综合评价方法都有自身的局限性,仅用一种综合评价方法得到的结果可靠性不强。
对产量、IWUE分析表明,AFI相较于CFI可显著增加番茄产量,提高IWUE;AFI、CFI下番茄产量均随灌水量的减少而降低,IWUE随灌水量的减少而增加;AFI下当灌水量由1.2E减小到0.8E过程中,番茄减产的幅度较小,而灌水量减小到0.6E时减产幅度较大,AFI-0.8E处理仅比AFI-1.2E处理减产9.42%,而AFI-0.6E处理相对于AFI-1.2E处理减产达到了22.56%,但AFI-0.8E与AFI-0.6E处理的IWUE差异不显著。王振昌等[9]在研究隔沟交替灌溉对棉花耗水、产量的影响时指出,AFI灌水方式下作物根系两侧交替供水,从而产生补偿效应,促进根系的生长,增强根系的吸水能力,从而提高棉花的产量。孙景生等[38]也指出,对作物根系不同区域进行干湿交替锻炼,在促进根系均匀生长发育、增大根-土接触面积的同时,也改善了土壤通透性,提高了根系的吸收活力。本研究中,AFI处理下番茄产量的增加是否也是由于根系的生长发育得到促进而引起的需要进一步研究。
将番茄品质用品质综合评价时得到的主成分综合得分和灰色加权关联度进行量化,通过TOPSIS法对各处理番茄的品质、产量、IWUE进行综合效益评价,结果表明CFI、AFI下过高和过低的灌水量均不利于综合效益的提高,AFI下的综合效益比CFI下高,且AFI相较于CFI在获得最大综合效益时需要的灌水量更少。

4 结论

交替隔沟灌溉相较于常规沟灌能够提高番茄的单果重、果形指数、可溶性固形物以及番茄红素含量,灌水量的减少会降低番茄的外观品质,但增加番茄的口感品质;主成分分析和灰色关联度分析都表明AFI-0.6E、AFI-0.8E为综合品质最好的两个处理,但两种方法对综合品质最差的处理的判断差异较大;交替隔沟灌溉处理的产量整体比常规沟灌处理高,两种沟灌方式下产量均随灌水量的增加而提高,但是灌溉水利用效率受沟灌方式与灌水量影响所表现出的规律与产量相反;TOPSIS法对品质、产量、灌溉水利用效率综合效益的分析表明,AFI-0.8E处理为综合效益最高的处理,即采用交替隔沟灌溉,灌水量设为0.8E,在提高番茄的综合品质的同时又可以使产量和灌溉水利用效率处于较高水平,为西北地区温室番茄优质、高产、高效的沟灌方式和灌水量的组合。
The authors have declared that no competing interests exist.

参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

相关话题/指标 综合 数据 作物 水利