因子分析法在玉米生产试验中的应用

doi:10.11923/j.issn.2095-4050.cjas19020018

摘要/Abstract

摘要：

为了研究因子分析法在玉米生产试验中的可行性和应用价值,探讨生产试验结果更全面科学的评价方式,使优良品种投入更高效的大面积栽培和推广,本研究对2018年田丰玉米品种联合体生产试验（中海拔组）6个参试品种（含对照种）在保山试点的生育期、农艺性状及抗病性等进行了因子分析。结果表明：前2个公因子对变异的累计贡献率达73.33%,2个独立的公因子较真实地反映了所支配的7个性状及其相互关系。第一公因子主要包含生育期、灰斑病、穗腐病、小斑病和大斑病5个性状,称为生育期和抗病性因子;第二公因子主要支配了株高和穗位高,称为主要农艺性状因子。通过计算公因子得分,6个参试品种中,‘金禾880’综合得分最低,第一公因子得分最低,栽培生产中可适时早播;‘富华9号’综合因子得分最高,第二公因子得分最高,栽培生产中可适当降低株高穗位;‘金禾玉618’综合因子得分最佳,适宜在保山市中海拔区域大面积常规化种植和推广。因子分析法用于玉米生产试验的分析与评价是可行的,在栽培上有一定的指导意义。实际生产中,可根据因子得分对各玉米品种采取具体有效的栽培措施,提高生产力和经济效益。

关键词: 玉米, 生产试验, 因子分析, 因子得分, 评价方式

Abstract:

To study the feasibility and application value of factor analysis in corn production tests and explore a more comprehensive and scientific evaluation method for test results, thus to put fine varieties in large-scale cultivation and promotion, the growth period, agronomic traits and disease resistance of 6 tested corn varieties (one as the control) of production test (middle altitude group) of Tianfeng corn variety consortium were analyzed by means of factor analysis in Baoshan in 2018. The results indicated that, the cumulative contribution rate of the first two common factors to total variation of population accounted for over 73.33%, and the two independent common factors could truly reflect the 7 traits and their relationship. The first common factor mainly included five traits of growth period, gray spot, ear rot, small spot and large spot, and was called growth period and disease resistance factor; and the second common factor was named main agronomic trait factor due to its control of plant height and ear height. Factor scoring showed that, among the 6 tested varieties, ‘Jinhe 880’ gained the lowest overall score which was related to the poorest score of the first common factor, thus it could be sown early in production; owing to the best score of the second common factor, ‘Fuhua 9’ had the highest overall score which could reduce plant height appropriately in the cultivation practice; ‘Jinheyu 618’ was suitable for expanding planting and promotion in the middle altitude region of Baoshan on the basis of its finest overall factor scoring. Factor analysis is applicable to the analysis and evaluation of corn production tests, and has some guiding significance in cultivation. With the help of factor scoring, specific and effective cultivation measures could be adopted for each variety to improve productivity and economic benefits.

Key words: Maize, Production Test, Factor Analysis, Factor Scoring, Evaluation Method

中图分类号:

S513

孟静娇, 谢志坚, 陈国斌. 因子分析法在玉米生产试验中的应用[J]. 农学学报, 2020, 10(2): 12-17.

Meng Jingjiao, Xie Zhijian, Chen Guobin. Application of Factor Analysis in Corn Production Test[J]. Journal of Agriculture, 2020, 10(2): 12-17.

图/表 4

参考文献 30

[1]	陈永莲 . 高海拔山区玉米生产试验的几点体会[J]. 种子, 2014,33(07):131-132.
[2]	赵玉环, 王晓明 . 广东玉米区域试验新组合的模糊综合评价[J]. 遗传, 2002(04):442-446.
[3]	范志霞, 明道绪, 黄玉碧 , 等. 玉米品种区域试验结果的综合分析[J]. 四川农业大学学报, 2003(02):103-105,112.
[4]	陈洪梅, 杨峻芸, 谭静 . 玉米区域试验精确度分析及品种的灰色综合评判[J]. 西南农业学报, 2004(S1):228-232.
[5]	邵根成 . 灰色关联多维综合评判在玉米区域试验品种评价中的应用[J]. 河北农业科学, 2009(02):5-7.
[6]	郑跃进, 王翠玲, 郑和平 , 等. 玉米区域试验新品种的灰色关联度综合评判[J]. 河南科技大学学报:自然科学版, 2009(04):68-71,120.
[7]	贾新文, 郑永青, 赵宝献 , 等. 玉米区域试验新品种的方差分析与灰色综合评判的比较研究[J]. 中国种业, 2009(S1):49-51.
[8]	孟静娇, 李琰聪, 赵毕昆 , 等. 云南保山玉米品种联合体区域试验结果综合分析[J]. 南方农业学报, 2017,48(10):1776-1781.
[9]	李恒岭 . 对2012—2013年辽宁省玉米区域试验中熟组参试品种的高稳系数法评价[J]. 辽宁农业科学, 2016(03):77-79.
[10]	马俊, 李清超, 孙开利 , 等. 灰色关联度分析在玉米生产试验中的应用[J]. 安徽农学通报, 2015,21(15):20-21.
[11]	曹鹏鹏, 郭良海 . 高稳系数法在山东省玉米生产试验中的应用[J]. 现代农业科技, 2014(02): 30, 33.
[12]	余家林, 肖枝洪 . 多元统计及SAS应用[M]. 武汉: 武汉大学出版社, 2008.
[13]	余金生, 李裕伟 . 地质因子分析[M]. 北京: 地质出版杜, 1985.
[14]	朱倩军, 肖枝洪 . 城区经济发展的对应分析[J]. 湖北工业大学学报, 2006(6):78-80.
[15]	潘泽江, 左锋 . 基于因子分析法的农业上市公司财务状况评价研究[J]. 科技创业月刊, 2006(7):41-42.
[16]	黎东升 . 农业可持续发展能力综合评价方法的探讨[J]. 湖北民族学院学报:哲学社会科学版, 1999(2):15-18.
[17]	乔雯, 易法海 . 我国城市蔬菜产业综合竞争力的测评[J]. 安徽农业科学, 2005(6):1119-1120.
[18]	杨从党, 朱德峰, 周玉萍 , 等. 不同生态条件下水稻产量及其构成因子分析[J]. 西南农业学报, 2004(S1):35-39.
[19]	陈庭木, 王多明, 方兆伟 , 等. 水稻超高产潜力鉴定重要农艺性状因子分析[J]. 安徽农业科学, 2013,41(16):7081-7085.
[20]	孟庆虹, 张守文, 王丽群 , 等. 基于因子分析和聚类分析的粳稻品质指标研究[J]. 中国食品学报, 2018,18(4):270-276.
[21]	范濂, 徐国平 . 提型杂种小麦几个主要农艺性状的因子分析[J]. 河南农业大学学报, 1987(1):1-7.
[22]	陆登义 . 冬小麦高产优质育种有关性状的因子分析[J]. 河南农业大学学报, 1988(4):492-501.
[23]	周竹青, 朱旭彤, 王维金 . 影响小麦产量的农艺性状及生理指标的因子分析[J]. 华中农业大学学报, 1999(3):7-9.
[24]	朱明哲, 杨蕊, 段红 . 小麦新品种产量性状及主要品质性状的因子分析与聚类分析[J]. 河南科技学院学报:自然科学版, 2012,40(1):1-6.
[25]	吴高岭, 徐尚忠 . 湖北省玉米地方品种的因子分析[J]. 遗传, 1997(3):30-33.
[26]	吴高岭, 徐尚忠 . 因子分析和聚类分析在玉米品种资源分类上的应用[J]. 生物数学学报, 1998(3):382-387.
[27]	慈晓科, 郝玉波, 张吉旺 , 等. 不同产量水平的玉米自交系农艺性状分析[J]. 玉米科学, 2010,18(3):25-30,36.
[28]	杨秋英 . 辽南玉米杂交种穗部性状的因子分析[J]. 黑龙江八一农垦大学学报, 2010,22(6):9-11.
[29]	程晋龙, 王晖, 杨国虎 , 等. 利用通径和因子分析研究宁夏玉米鉴定性状指标[J]. 安徽农业科学, 2012,40(20):10393-10396.
[30]	谭贤杰, 覃兰秋, 廖金秀 , 等. 应用多元统计分析玉米农艺性状[J]. 种子, 2011,30(5):32-36.

品种	生育期/ d	株高/ cm	穗位高/ cm	大斑病/ 级	小斑病/ 级	灰斑病/ 级	穗腐病/ 级	产量/ (kg/hm²)	比对照增产/%	位次
田研68	120	298	116	1	3	3	1	11466.0	13.3	2
富华9号	123	357	145	3	1	3	1	11530.5	13.9	1
海禾2号(CK)	119	299	132	3	1	3	3	10116.0	/	6
金禾玉618	122	303	121	1	1	3	1	11407.5	12.8	3
屏单6号	122	284	117	3	1	3	1	11175.0	10.5	5
金禾880	124	306	126	1	3	1	1	11268.0	11.4	4

品种	生育期/ d	株高/ cm	穗位高/ cm	大斑病/ 级	小斑病/ 级	灰斑病/ 级	穗腐病/ 级	产量/ (kg/hm²)	比对照增产/%	位次
田研68	120	298	116	1	3	3	1	11466.0	13.3	2
富华9号	123	357	145	3	1	3	1	11530.5	13.9	1
海禾2号(CK)	119	299	132	3	1	3	3	10116.0	/	6
金禾玉618	122	303	121	1	1	3	1	11407.5	12.8	3
屏单6号	122	284	117	3	1	3	1	11175.0	10.5	5
金禾880	124	306	126	1	3	1	1	11268.0	11.4	4

	F1	F2	F3	F4	F5	F6	F7
方差贡献	2.9130	2.2202	0.9827	0.6301	0.2541	0.0000	0.0000
方差贡献的差	0.6927	1.2376	0.3526	0.3760	0.2541	0.0000	0.0000
方差贡献率/%	0.4161	0.3172	0.1404	0.0900	0.0363	0.0000	0.0000
累计贡献率/%	0.4161	0.7333	0.8737	0.9637	1.0000	1.0000	1.0000

	F1	F2	F3	F4	F5	F6	F7
方差贡献	2.9130	2.2202	0.9827	0.6301	0.2541	0.0000	0.0000
方差贡献的差	0.6927	1.2376	0.3526	0.3760	0.2541	0.0000	0.0000
方差贡献率/%	0.4161	0.3172	0.1404	0.0900	0.0363	0.0000	0.0000
累计贡献率/%	0.4161	0.7333	0.8737	0.9637	1.0000	1.0000	1.0000

性状	初始因子		旋转后的因子		公因子方差 h_k²
性状	F1	F2	F1	F2	公因子方差 h_k²
X1	-0.4812	0.7730	-0.7875	0.4570	0.8290
X2	0.2973	0.8731	-0.1470	0.9105	0.8506
X3	0.5581	0.7544	0.1390	0.9281	0.8807
X4	0.8506	0.1383	0.6863	0.5211	0.7426
X5	-0.8188	-0.0696	-0.6905	-0.4455	0.6753
X6	0.6979	-0.3365	0.7741	0.0302	0.6002
X7	0.6330	-0.3926	0.7432	-0.0499	0.5548
λ_j	2.9130	2.2202	2.7605	2.3727	5.1332