基于地统计分析方法的谷子种质资源品质与农艺相关性状 的空间分区研究

陈彦清，曹永生，陈丽娜，方沩



基于地统计分析方法的谷子种质资源品质与农艺相关性状 的空间分区研究

陈彦清，曹永生，陈丽娜，方沩

（中国农业科学院作物科学研究所，北京 100081）

【目的】分析中国谷子资源相关农艺及品质性状的空间分布特点，掌握相关性状在空间上的总体质量分布，提高对谷子资源的宏观认知和有效保护及高效利用。【方法】本研究从地理空间的角度出发，利用空间插值、空间聚类等方法研究了谷子资源的相关性状的空间分布规律。首先对谷子资源的目标性状值进行插值，然后将全国网格化数据与插值数据进行分区统计，利用统计后的网格数据进行优化热点分析形成目标性状的空间分区数据，进而寻找目标性状对应的高值、随机值和低值区域。【结果】谷子资源在全国的分布上来说，粗蛋白含量平均值为（13.98±1.23）%，变幅在10.47%—17.33%，变异系数为8.80%；粗脂肪含量平均值为（4.01±0.38）%，变幅在3.08%—5.47%，变异系数为9.48%，单株粒重平均值为（10.39±4.13）g，变幅在1.65—29.30g，变异系数为39.75%；生育期平均值为（111.46±10.94）d，变幅在79.15—150.43 d，变异系数为9.81%。从区域聚集分布上来说，粗蛋白含量低值区、随机值区和高值区的平均值分别为（12.80±0.70）%、（13.98±0.39）%和（15.24±0.42）%，变幅分别在10.47%—14.90%、12.72%—15.30%和13.61%—17.33%，变异系数分别为5.47%、2.79%和2.76%；粗脂肪含量低值区、随机值区和高值区的平均值分别为（3.69±0.13）%、（3.99±0.16）%和（4.41±0.26）%，变幅分别为3.11%—4.39%、3.08%—4.48%和3.57%—5.47%，变异系数分别为3.52%、4.01%和5.89%；单株粒重低值区、随机值区和高值区的平均值分别为（6.49±1.84）g、（10.51±1.49）g和（14.44±2.88）g，变幅分别为（1.65—13.38）、（5.42—16.54）和（7.63—29.30）g，变异系数分别为23.73%、14.18%和19.94%；生育期低值区、随机值区和高值区的平均值分别为（99.58±6.64）d、（111.89±2.99）d和（121.17±6.04）d，变幅分别为（79.15—116.81）d、（99.53—124.44）d和（108.34—150.43）d，变异系数分别为6.67%、2.67%和4.98%。【结论】谷子资源粗蛋白含量高值区内部差异最小，主要集中在新疆和黑龙江省东北部，低值区内部差异最大，主要在中部和东部，高低值区间存在随机值过度地带，呈现两侧向中间越来越小的分布趋势；粗脂肪含量高值区内部差异最大，主要集中在中部地区，低值区内部差异最小，主要分布在新疆和东北部分地区，呈现中间向两侧越来越小的趋势分布，且分区相对不规整；单株粒重的随机值区内部差异最小，高值区内部差异最大，宁夏、山西、陕西等地属于单株粒重高值区，黑龙江、浙江、内蒙北部、安徽南部以及西南大部分地区，均属单株粒重低值区；生育期的随机值区内部差异最小，低值区内部差异最大，东北大部分地区、西北和西南部分地区生育期较长，河南、山东、河北等谷子夏播期的地区生育期较短。

谷子；种质资源；目标性状；空间插值；空间分布

0 引言

【研究意义】谷子起源于中国，是传统的优势作物、主食作物和抗旱耐瘠作物[1]，距今已有8 700多年的栽培历史[2]。谷子具有抗旱耐瘠、水分利用效率高、适应性广、营养丰富、各种成分平衡、饲草蛋白含量高等突出特点，被认为是应对未来水资源短缺的战略贮备作物，建设可持续农业的生态作物以及人们膳食结构调整、平衡营养的特色作物[3-5]。中国既是栽培谷子的起源地，也是拥有谷子种质资源最多、研究利用最充分的国家。全世界谷子总产中，中国占80%[6]，主要种植区分布在北方干旱、半干旱地区。在“全国种植业结构调整规划（2016—2020）”[7]中指出：适当调减“镰刀弯”地区玉米面积，改种耐旱耐瘠薄的薯类、杂粮杂豆，满足市场需求，保护生态环境。可见谷子等耐旱耐贫瘠杂粮类资源越来越受到重视，而掌握谷子资源在空间上的总体质量分布概况，对于有效利用和开发谷子资源、寻找优异谷子种质具有重要意义。【前人研究进展】近年对谷子资源的品质及农艺性状的研究也越来越多。李庆春等[8]从各生态区的角度对于谷子的蛋白含量进行和普查与评价，从统计学的角度分析了各生态区内谷子资源粗蛋白含量的极值、平均值和标准差等；那海智等[9]通过研究谷子粗蛋白、粗脂肪含量与物候期的关系得出，生育期越短，粗蛋白含量越高，反之越低，而生育期对粗脂肪的影响并不显著；王海岗等[10]利用聚类分析、相关分析和主成分分析等方法对谷子核心种质的茎粗、穗重、粒色等15个表型性状进行了分析和综合评价。刘三才等[11]测量和评价了谷子品种资源内微量元素硒和蛋白质的含量；刘敏轩等[12]利用统计分析和相关性分析等方法研究了谷子育成品种维生素E含量分布规律及其与主要农艺性状和类胡萝卜素的相关性分析。以上研究的共同点在于，在研究某一性状的分布特点或地区差异时，均采用数理统计、相关性分析等数学方法得到一个或几个数值，根据数值差异定量的评价该性状，均利用省份或生态区作为分区研究区域差异。【本研究切入点】这种方法虽然能够从定量角度充分说明资源性状的特性，但不能直观的反映出某一性状在地理空间上的分布特性，可视化效果差；并且以行政区划为单元对谷子资源性状的地区差异进行分析打破了原有的自然区划关联。【拟解决的关键问题】本研究从地理空间的角度出发，利用空间插值、空间聚类等方法研究谷子资源的农艺及品质性状的空间分布规律，为解决传统分析方法中可视化差及行政界线的限制等问题提出依据。

1 材料与方法

1.1 材料

20世纪50年代以来，中国先后组织了两次全国规模的农作物种质资源调查，在资源调查和信息共享方面取得了重大进展和显著成效，积累了大量的种质资源数据[13-15]。同时，近十年来，中国先后在云南、贵州、西南干旱地区、东部沿海等地区开展了多次种质资源调查工作，丰富了国家农作物种质资源数据库。对于国家农作物种质资源数据库中的谷子资源数据，共整理出27 000余条谷子资源数据记录，这些数据中，初步完成了形态学特征和农艺性状鉴定半数种质进行了抗病虫、抗逆、营养品质的特性鉴定[16]。根据其经纬度属性信息转换为地理空间数据（图1）。

1.2 方法

由于谷子种质资源数据在空间上为点数据，不利于进行空间分析等操作。而针对点数据，在空间上可利用地统计分析方法通过插值得到面上的数据，从而进一步进行空间分析。基于该点考虑，首先对谷子种质资源待分析的属性值进行插值，估测全国各地对应的属性值情况，然后将全国网格化数据与插值数据进行分区统计，将属性值赋给每个网格，并利用赋值的网格数据进行优化热点分析，实现网格的聚类，最后将聚类结果进一步处理，对全国进行分区，找到目标属性对应的高值、随机值和低值区域。

图1 谷子资源分布图

1.2.1 农艺及品质性状数据空间插值 地统计分析方法可用于估计尚未进行任何采样的位置的值以及评估这些估计的不确定性。地统计分析方法主要用来研究那些在空间上既有随机性又有结构性的自然现象[17]。由南非矿山工程师Krige等[18]在金矿储量估计上提出了该方法的雏形，其应用领域从地质、矿业逐渐拓展到土壤[19]、水资源[20]、农业[21-23]、气象[24]、海洋[25]等领域。地统计中最常用的空间插值方法为克里金插值法，该方法是建立在变异函数理论及结构分析基础之上的，在插值时需要选择一种适宜的半变异函数模型，并且待插值的数据需要服从或近似服从正态分布。所以在选择使用克里金插值方法时，首选需进行数据分布检验，确定该数据是否适合插值，然后利用交叉检验法对插值结果的精度进行评价，从而选择最适宜的半变异函数模型进行插值。

1.2.2 农艺及品质性状数据网格化处理 网格是对

地理空间的划分[26]。网格化数据不仅能够实现不同尺度、不同类型数据的统一和融合，而且能够打破行政单元约束，提高信息检索与更新效率[27-28]。与栅格数据相比，便于空间统计和分析，选择将插值得到的栅格数据转换成统一大小的网格数据。首先根据全国的范围，选择适宜的网格大小，创建全国范围内的网格数据，并利用空间分析中的分区统计方法，将对应的插值后的农艺或品质性状数据统计到每个网格上，得到带有目标属性值的网格数据。

1.2.3 农艺及品质性状数据空间聚类及区域划分 通过空间聚类，将空间上相邻、数值上相近的网格数据聚集成一类，根据聚类结果进行区域划分。空间聚类的方法很多，热点分析方法就是其中一种，它的特点是能够识别具有统计显著性的高值（热点）和低值（冷点）的空间聚类。利用该方法，不仅能够实现聚类，而且能够根据聚类结果区分出哪些地区对应的值比较高，哪些地区对应的值比较低，比较符合本研究的需求。故在空间聚类方面，选择利用ARCGIS的优化热点分析工具，对网格数据进行高低值聚类。根据聚类结果，将网格数据分为高值、随机值和低值三类，融合空间相邻、类别相同的网格，并进行平滑处理，划分农艺或品质性状的空间分布区域。

具体流程如下：

图2 方法流程图

2 结果

根据谷子种质资源的数据和地统计中的探索性分析，最终选择粗蛋白含量和粗脂肪含量2个品质性状与生育期和单株粒重2个农艺性状为空间分区要素，对以上方法进行实例化分析。在27 000余份资源数据中，分别具有粗脂肪值、粗蛋白值、单株粒重值、生育期值的资源有20 451份、20 477份、25 807份和26 420份，这4项属性数据的缺失较少，并且经过数据分布检验后表明，这4项数据的分布均接近于正态分布（图3），适合利用克里金法进行空间插值。

图3 4种目标属性的直方图分布情况

对以上4项属性数据进行空间插值，选择球面函数、高斯函数和四球3种半变异函数模型进行插值，利用平均值预测误差、平均标准误差、均方根预测误差、均方根标准化误差进行交叉检验，检验结果如表1所示。在交叉检验中，如果预测误差具有无偏性，平均值预测误差应接近于0；如果正确估计了预测中的变异性，平均标准误差与均方根预测误差应接近，并且均方根标准化误差应接近于1。经过综合分析发现，这4类性状均在利用高斯函数模型时预测效果最优。

对经过插值后的数据进行网格化处理、空间聚类分析、网格融合和平滑处理，最终得到4项要素的空间分区分布图（图3—图6）。

蛋白质含量是谷子营养品质的主要构成成分之一[29-30]，在谷子品质育种中应重点提高蛋白质含量[31]。谷子资源粗蛋白含量高的地区主要集中在中国的西部地区和黑龙江省东北部，低值地区主要在中国的中部和东部，在高低值之间存在随机值过度地带，呈现两侧向中间越来越小的分布趋势，不是随意穿插分布的，并且各分区的多边形相对面积较大，不存在零星分布的小多边形，说明中国谷子的粗蛋白含量地域连续性较强（图3）。从均值上看，根据表2数据，粗蛋白含量的全国平均值为（13.98±1.23）%，低值区平均值为（12.80±0.70）%，占41.89%；随机区平均值为（13.98±0.39）%，占18.69%；高值区平均值为（15.24±0.42）%，占全国总面积39.42%。由于高值地区主要分布在西部高原地区，大部分地区不适宜种植，而谷子主要种植区均属于粗蛋白含量低值区，表明中国谷子资源的粗蛋白含量高且聚集分布的区域较小，大部分谷子的粗蛋白含量水平处于低值聚集区的水平上。从变幅上看，全国粗蛋白含量变幅在10.47%—17.33%，低值区、随机值区、高值区的变幅分别在10.47%—14.90%、12.72%—15.30%和13.61%—17.33%，低值区的跨度最大，并且三者的变幅值有重复部分，这是因为空间聚类时不仅需要考虑数值的近似性，还要考虑空间上的相邻性，所以不会严格按照数据标准进行聚类。从聚类效果看，粗蛋白含量的全国变异系数为8.80%，低值区、随机值区和高值区的变异系数分别为5.47%、2.79%和2.76%。变异系数越小，证明聚类的效果最好，经过聚类后的3个分区的变异系数都小于国家级变异系数，高值区聚类效果最佳，低值区聚类效果最弱。

表1 不同变异函数模型的插值误差值对比

图4 谷子资源粗蛋白含量的区域划分结果

谷子资源粗脂肪含量高的地区主要集中在中部地区，低值地区为西部和部分东北地区，与粗蛋白情况相反，呈现中间向两侧越来越小的趋势分布，并且相对于粗蛋白含量的分区结果来说，出现多个面积较小的分区多边形，分区相对不规整（图4）。从均值上看，根据表2数据，粗脂肪含量的全国平均值为（4.01±0.38）%，低值区平均值为（3.69±0.13）%，占44.36%；随机值区平均值为（3.99±0.16）%，占18.67%；高值区平均值为（4.41±0.26）%，占全国总面积36.97%。虽然低值区域占地面积最大，但由于西部地区存在大面积不适宜种植的区域，所以，从整体上来看，中国谷子资源的粗脂肪含量高且呈现聚集的区域面积广阔。从变幅上看，全国谷子资源粗脂肪含量变幅在3.08%—5.47%，低值区、随机值区、高值区的变幅分别在3.11%—4.39%、3.08%—4.48%和3.57%—5.47%，3个区间均有重叠部分，其中，随机值区域跨度最大。从聚类效果看，粗脂肪含量的全国变异系数为9.48%，高于粗蛋白含量的变异系数，说明粗脂肪含量的聚类效果不如粗蛋白含量的显著。低值区、随机值区和高值区的变异系数分别为3.52%、4.01%和5.89%。低值区聚类效果最佳，高值区聚类效果最弱。

单株粒重直接影响谷子的产量，当种植密度相同时，单株粒重越大，产量越高。从地理分布上分析（图6），宁夏、山西、陕西，以及甘肃、内蒙、湖北和新疆大部分地区、河北北部和山东中部均属于高值区，而黑龙江、浙江、内蒙北部、安徽南部以及中国的大部分西南地区，均属于单株粒重低值区；其他地区属于高值区与低值区的过度地带的随机值区。从均值（表2）上看，单株粒重的全国平均值为（10.39±4.13）g，低值区平均值为（6.49±1.84）g，占39.45%；随机值区平均值为（10.51±1.49）g，占22.80%；高值区平均值为（14.44±2.88）g，占全国总面积37.75%。正如上文所说，虽然低值区域占地面积大，但由于这些地区不属于谷子的主要种植区，所以，从整体上来看，中国谷子主要集中在单株粒重高的高值区域内。从变幅上看，全国谷子单株粒重变幅在（1.65—29.30）g，低值区、随机值区、高值区的变幅分别在（1.65—13.38）、（5.42—16.54）和（7.63—29.30）g，3个区间均有重叠部分，其中高值区域跨度最大。从聚类效果看，单株粒重的全国变异系数为39.75%，属于这4项性状中变异系数最高的1项，说明单株粒重在这4项性状中聚类效果最弱，全国范围内差异最明显；低值区、随机值区和高值区的变异系数分别为23.73%、14.18%和19.94%。随机值区聚类效果最佳，低值区聚类效果最弱。

从生育期的地理分布分析来看（图7），东北大部分地区、西北和西南部分地区属于生育期较长的地区，生育期较短区域主要包括了河南、山东、河北等谷子夏播期的地区。从数值上分析（表2），生育期的全国平均值为（111.46±10.94）d，低值区平均值为（99.58±6.64）d，占34.28%；随机值区平均值为（111.89±2.99）d，占24.30%；高值区平均值为（121.17±6.04）d，占全国总面积41.42%。从变幅上看，全国生育期变幅在（79.15—150.43） d，高值区、随机值区、低值区的变幅分别在（108.34—150.43）、（99.53—124.44）、（79.15—116.81） d，3个区间均有重叠部分，其中高值区域跨度最大。从聚类效果看，全国变异系数为9.81%，高值区、随机值区和低值区的变异系数分别为4.98%、2.67%和6.67%。随机值区聚类效果最佳，低值区聚类效果最弱。

3 讨论

本方法主要根据插值后的结果进行聚类分区，尚未考虑其他因素对谷子种植的影响，所以未区分哪些地区是谷子的适宜和非适宜种植区，而因为海拔、气候等原因，使得一些地区无法进行农作物的种植。根据图1谷子资源样点的分布，绝大部分分布在海拔3 000 m以下的地区，若将海拔3 000 m以上的区域作为谷子不适宜种植区域并进行扣除，各性状的高低值区域比例则会发生较大的变动，如图8所示。粗蛋白含量被扣除的主要是高值区域，其余3个性状被扣除的主要是低值区域。所以，在考虑海拔限制的前提下，粗蛋白含量的高值区主要集中在新疆和黑龙江省东北部，低值区主要在中部和东部；粗脂肪含量的高值区主要集中在中部地区，低值地区为新疆和东北的部分地区；单株粒重的高值区主要集中在宁夏、山西、陕西，以及甘肃、内蒙、湖北和新疆大部分地区、河北北部和山东中部等谷子主要种植区，低值区主要集中在东北和西南地区；生育期的高值区为东北大部分地区、西北和西南部分地区，低值区为东南沿海地区。再加入其它限制因素时，可进一步缩小资源的分布区域，进一步细化资源各性状的高低值分区布局。

图5 谷子资源粗脂肪含量区域划分结果

图6 谷子资源单株粒重区域划分结果

图7 谷子资源生育期区域划分结果

表2 4项性状聚类后的相关统计数值表

对于每项性状的聚类，其高低值类型区的划分是一个相对概念，与聚类时对应的空间尺度关系密切，在另外一个尺度下，如生态类型区尺度下再进行聚类，会出现不同的聚类结果，所以本研究的聚类仅针对国家尺度上的分析。另外，克里金插值是一种光滑的内插方法，在数据点多时，其内插的结果可信度较高，而数据点少的地区其插值结果的偏差则会较大。中国西部和东南部地区的样点数量较少，并且存在大面积地区无样点的情况，这些地区的插值结果的可信度会明显低于中部和东北地区（图1）。

图8 海拔限制下的四性状空间分布

4 结论

4.1 谷子资源的粗蛋白含量、粗脂肪含量、单株粒重、生育期4种性状数据的分布均接近于正态分布，适合利用克里金法进行空间插值；对比球面函数、高斯函数和四球3种半变异函数模型插值效果，这4种性状数据均选择高斯函数模型时预测效果最优。

4.2 谷子资源粗蛋白含量的高值区、随机值区和低值区的变异系数分别为2.76%、2.79%和5.47%，高值区聚类效果最佳（类内相似性最大，下同），低值区聚类效果最弱（类内相似性最小，下同）。粗脂肪含量的高值区、随机值区和低值区的变异系数分别为3.52%、4.01%和5.89%，低值区聚类效果最佳，高值区聚类效果最弱。单株粒重的高值区、随机值区和低值区的变异系数分别为23.73%、14.18%和19.94%，随机值区聚类效果最佳，低值区聚类效果最弱。生育期的高值区、随机值区和低值区的变异系数分别为6.67%、2.67%和4.98%，随机值区聚类效果最佳，低值区聚类效果最弱。

4.3 谷子资源粗蛋白含量的高值区集中在新疆和黑龙江省东北部，低值区主要在中部和东部，呈现两侧向中间越来越小的分布趋势，地域连续性较强；粗脂肪含量的高值区主要集中在中部地区，低值地区为新疆和东北的部分地区，呈现中间向两侧越来越小的趋势分布，并且相对于粗蛋白含量的分区结果来说，出现多个面积较小的分区多边形，分区相对不规整；单株粒重的高值区主要集中在宁夏、山西、陕西，以及甘肃、内蒙、湖北和新疆大部分地区、河北北部和山东中部，低值区主要集中在东北和西南地区；生育期的高值区为东北大部分地区、西北和西南部分地区，低值区主要集中在河南、山东、河北等谷子夏播期的地区。

References

[1] 刁现民. 中国谷子生产与产业发展方向//柴岩, 万世富. 中国小杂粮产业发展报告. 北京: 中国农业科学技术出版社, 2007: 32-43.

Diao X M. Developing direction of the Chinese foxtail millet production and industry//Chai Y, Wan S F.Beijing: Chinese Agricultural Science and Technology Press, 2007: 32-43. (in Chinese)

[2] Lu H Y, Zhang J P, Liu K B, Wu N Q, Li Y M, Zhou K S. Earliest domestication of common millet（）in East Asia Extended to 10000 Years Ago., 2009, 106(18): 7367-7372.

[3] 李顺国, 刘猛, 赵宇, 刘斐, 王慧军. 河北省谷子产业现状和技术需求及发展对策. 农业现代化研究, 2012, 33(3): 286-289.

Li S G, Liu M, Zhao Y, Liu F, Wang H J. Industry situation, technology need and development suggestion of foxtail millet in Hebei province., 2012, 33(3): 286-289. (in Chinese)

[4] 张海金. 谷子在旱作农业中的地位和作用. 安徽农学通报, 2007, 13(10): 169-170.

Zhang H J. Status and effect of foxtail millet in dry-land agriculture., 2007, 13(10): 169-170. (in Chinese)

[5] 柴岩, 万福世. 中国小杂粮产业发展报告. 北京: 中国农业出版社, 2007: 32-43.

Chai Y, Wan F S.. Beijing: China Agriculture Press, 2007: 32-43. (in Chinese)

[6] 刁现民. 中国谷子产业与产业技术体系. 北京: 中国农业科学与技术出版社, 2011: 20-30.

Diao X M.. Beijing: China Agricultural Sciences and Technology Press, 2011: 20-30. (in Chinese)

[7] 中华人民共和国农业部.《全国种植业结构调整规划（2016-2020年）》农农发〔2016〕3号.

Ministry of Agriculture of the People's Republic of China, < National crop structure adjustment plan (2016-2020)>, 〔2016〕NO. 3 (in Chinese)

[8] 李庆春, 吴舒致. 不同品种小米中粗蛋白含量的普查与评价. 中国粮油学报, 1993, 8(增刊): 8-13.

Li Q C, Wu S Z. Survey and evaluation of crude protein content in different varieties of foxtail millet., 1993, 8(Suppl.): 8-13. (in Chinese)

[9] 那海智, 吴秀兰, 赵铁男. 试论谷子粗蛋白质、粗脂肪含量与物候期的相关关系. 黑龙江农业科学, 1982(4). 14-16.

Na H Z, Wu X L, Zhao T N. Study on the relationship between the contents of crude protein and crude fat and the phenological phase., 1982(4): 14-16. (in Chinese)

[10] 王海岗, 贾冠清, 智慧, 温琪汾, 董俊丽, 陈凌, 王君杰, 曹晓宁, 刘思辰, 王纶, 乔治军, 刁现民. 谷子核心种质表型遗传多样性分析及综合评价. 作物学报, 2016, 42(1): 19-30.

Wang H G, Jia G Q, Zhi H, Wen Q F, Dong J L, Chen L, Wang J J, Cao X N, Liu S C, Wang L, Qiao Z J, Diao X M. Phenotypic diversity evaluations of foxtail millet core collections., 2016, 42(1): 19-30. (in Chinese)

[11] 刘三才, 朱志华, 李为喜, 刘方, 李燕, 黄蓉. 谷子品种资源微量元素硒和蛋白质含量的测定与评价. 中国农业科学, 2009,42(11): 3812-3818.

Liu S C, Zhu Z H, Li W X, Liu F, Li Y, Huang R. Evaluation of selenium and protein content of foxtail millet landraces originated from different ecological regions of China., 2009, 42(11): 3812-3818. (in Chinese)

[12] 刘敏轩, 陆平. 中国谷子育成品种维生素Ｅ含量分布规律及其与主要农艺性状和类胡萝卜素的相关性分析. 作物学报, 2013, 39(3): 398-408.

Liu M X, Lu P. Distribution of vitamin E content and its correlation with agronomic trait sand carotenoids content in foxtail millet varieties in china. China., 2013, 39(3): 398-408. (in Chinese)

[13] 曹永生, 方沩. 国家农作物种质资源平台的建立和应用. 生物多样性, 2010, 18(5): 454-460.

Cao Y S, Fang W. Establishment and application of national crop germplasm resources infrastructure in China.2010, 18(5): 454-460. (in Chinese)

[14] 王述民, 张宗文. 世界粮食和农业植物遗传资源保护与利用现状. 植物遗传资源学报, 2011, 12(3): 325-338.

Wang S M, Zhang Z W. The state of the world's plant genetic resources for food and agriculture., 2011, 12(3): 325-338. (in Chinese)

[15] 司海平, 方沩, 唐鹏, 曹永生. 基于SOA的农作物种质资源调查信息系统研究. 植物遗传资源学报, 2010, 11(5): 517-521.

Si H P, Fang W, Tang P, Cao Y S. Research of crop germplasm resources investigation information system based on SOA., 2010, 11(5): 517-521. (in Chinese)

[16] 陆平. 谷子种质资源描述规范和数据标准. 北京: 中国农业出版社, 2006: 3.

Lu P.. Beijing: China Agriculture Press, 2006: 3. (in Chinese)

[17] 侯景儒, 黄竞先.地质统计学及其在矿产储量计算中的应用. 北京: 地质出版社, 1982.

Hou J R, Huang J X.. Beijing: Geological Press, 1982. (in Chinese)

[18] Krige D G. A statistical analysis of some of the borehole values in the Orange Free St ate gold field., 1952, 53: 47-64.

[19] Borůvka L, Mládková L, Penížek V, Drábek O, Vašát R. Forest soil acidification assessment using principal component analysis and geostatistics., 2007, 140(4): 374-382.

[20] Goovaerts P. Geostatistical approaches for incorporating elevation into the spatial interpolation of rainfall., 2000, 228(1/2): 113-129.

[21] Oliver M A. Precision agriculture and geostatistics: how to manage agriculture more exactly., 2013, 10(2): 17-22.

[22] Castrignanò A, Landrum C, Benedetto D D, Poljak M. Delineation of management zones in precision agriculture by integration of proximal sensing with multivariate geostatistics., 2015, 80(1): 39-45.

[23] 王虎, 许哲, 郭静, 刘哲, 李绍明, 张晓东, 朱德海. 玉米品种多环境测试数据的空间插值分析. 玉米科学, 2012, 20(6): 43-148.

Wang H, Xu Z, Guo J, Liu Z, Li S M, Zhang X D, Zhu D H. Spatial interpolation research of multi-environment trials data for maize., 2012, 20(6): 143-148. (in Chinese)

[24] Künzli N, Jerrett M, Mack W J, Beckerman B, Labree L, Gilliland F. Ambient air pollution and atherosclerosis in los angeles., 2005, 113(2): 201-206.

[25] Jonathan P, Ewans K. Statistical modelling of extreme ocean environments for marine design: A review., 2013, 62(2): 91-109.

[26] 沈立宏, 张超, 桑玲玲, 陈亚婷, 张晓东, 杨建宇, 朱德海, 郧文聚. 利用网格法确定县域农田整治优先度. 农业工程学报, 2012, 28(18): 241-247.

Shen L H, Zhang C, Sang L L, Chen Y T, Zhang X D, Yang J Y, Zhu D H, Yun W J. Determination of consolidation priority for farmland at county level using grid method., 2012, 28(18): 241-247. (in Chinese)

[27] 李德仁, 宾洪超, 邵振峰. 国土资源网格化管理与服务系统的设计与实现. 武汉大学学报(信息科学版), 2008, 33(1): 1-6.

Li D R, Bin H C, Shao Z F. Design and Implementation of Land and Resources Grid Management and Service System., 2008, 33(1): 1-6. (in Chinese)

[28] 陈述彭, 陈星. 地球信息科学的理解与实践. 地球信息科学, 2004, 6(1): 4-10.

Chen S P, Chen X. The cognition and practice of geo-information science., 2004, 6(1): 4-10. (in Chinese)

[29] 李东辉, 王尧琴. 粟的品质改良. 作物杂志, 1986, 1(3): 4-6.

Li D H, Wang Y Q. Quality improvement of foxtail millet., 1986, 1(3): 4-6. (in Chinese)

[30] 王玉文, 李会霞, 田岗, 王高鸿. 我国小米品质研究进展及其改良设想. 中国农学通报, 2001, 17(5): 49-51.

Wang Y W, Li H X, Tian G, Wang G H. Research progress and improvement assumption of quality of foxtail millet in China., 2001, 17(5): 49-51. (in Chinese)

[31] 杨春, 田志芳, 卢健鸣, 杨秀丽, 丁卫英. 小米蛋白质研究进展. 中国粮油学报, 2010, 25(8): 123-128.

Yang C, Tian Z F, Lu J M, Yang X L, Ding W Y. Research progress on millet protein., 2010, 25(8): 123-128. (in Chinese)

（责任编辑 李莉）

A Spatial partition Statistical Analysis for quality and agronomic traits of foxtail millet germplasm resources

CHEN Yanqing, CAO Yongsheng, CHEN Lina, FANG Wei

(Institute of Crop Science, Chinese Academy of Agricultural Sciences, Beijing 100081)

【Objective】 The objective of this paper is to analyze the spatial distribution characteristics of related agronomic traits and quality of millet germplasm resources in China, grasp the overall quality in spatial distribution, improve the macro cognition of millet resources and effective protection and utilization. 【Method】 From the point of view of geographical space, the methods of spatial interpolation and spatial clustering were used to study the spatial distribution rules of the related traits of foxtail millet resources. Firstly, spatial interpolation was made for target traits of foxtail millet resources, partition statistics method was used to analyze national grid and interpolation data and the optimized hot spot analysis method was used to get the spatial partition data. Finally, the high value, random value and low value spatial distribution of foxtail millet related traits were found. 【Result】 The results of the distribution of the foxtail millet resources in the country show that the average of crude protein content of foxtail millet resources is (13.98±1.23)%, the range is 10.47%-17.33%, the coefficient of variation is 8.80%. The average of crude fat content is (4.01±0.38)%, the range is 3.08%-5.47%, the coefficient of variation is 9.48%. The average of grain weight per plant is (10.39±4.13) g, the range is 1.65-29.30 g, the coefficient of variation is 39.75%. The average of growth period is (111.46±10.94) d, the range is 79.15-150.43 d, the coefficient of variation is 9.81%. From the aspect of the cluster distribution areas, the average values of crude protein content in low value area, random value area and high value area are (12.80±0.70) %, (13.98±0.39)% and (15.24±0.42)%, respectively, the amplitude of variations of the three areas, respectively, are 10.47%-14.90%, 12.72%-15.30% and 13.61%-17.33%, the variation coefficients of the three areas, respectively, are 5.47%, 2.79% and 2.76%. The average values of crude fat content in low value area, random value area and high value area are (3.69±0.13) %, (3.99±0.16) % and (4.41±0.26)%, respectively, the amplitude of variations of the three areas, respectively, are 3.11%-4.39%, 3.08%-4.48% and 3.57%-5.47%, the variation coefficients of the three areas, respectively, are 3.52%, 4.01% and 5.89%. The average values of grain weight per plant in low value area, random value area and high value area are (6.49±1.84) g, (10.51±1.49)g and (14.44±2.88)g, respectively, the amplitude of variations of the three areas, respectively, are 1.65-13.38 g, 5.42-16.54 g and 7.63-29.30 g, the variation coefficients of the three areas respectively are 23.73%, 14.18% and 19.94%. The average values of growth period in low value area, random value area and high value area are (99.58±6.64)d, (111.89±2.99)d and (121.17±6.04)d, respectively, the amplitude of variations of the three areas, respectively, are 79.15-116.81d, 99.53-124.44 d and 108.34-150.43 d, the variation coefficients of the three areas respectively are6.67%, 2.67% and 4.98%. 【Conclusion】The internal differences in the high value regions of crude protein content are the minimum and these regions are mainly concentrated in Xinjiang and the northeast of Heilongjiang province. The internal differences of the low value regions are the maximum and they are mainly distributed in the central and Eastern zones. Random value regions are mainly distributed in the areas which located between high value and low value regions. The distribution of crude protein content shows an increasing trend in the two sides. On the contrary, the high value regions of crude fat content own the maximum internal differences, which are mainly concentrated in central zones of China, the low value regions’ internal differences are the minimum, which are mainly distributed in Xinjiang and the northeast of China. The distribution of crude fat content shows a decreasing trend in the two sides and the regions are relatively not regular. The internal differences in random value areas of grain weight per plant are the minimum, and the high value areas are the maximum. Ningxia, Shanxi, Shaanxi and other places belong to the high value areas of grain weight per plant, Heilongjiang, Zhejiang, northern Inner Mongolia, southern Anhui and southwestern parts belong to the low value areas. The internal differences in random value areas of growth period are the minimum, and the low value areas are the maximum. The growth period of foxtail millet in Northeast China, northwest and southwest Henan is relatively long, and Shandong, Hebei and other areas where summer foxtail millet is planted, belong to the short growth period regions.

foxtail millet; germplasm resources; target traits; spatial interpolation; spatial distribution

2016-12-23；接受日期：2017-04-21

国家农作物种质资源平台（NICGR2016）、农作物种质资源保护与利用专项（2016NWB036-10）

陈彦清，Tel：010-62186693；E-mail：chenyanqing@caas.cn。通信作者方沩，Tel：010-62186693；E-mail：fangwei@caas.cn