基于非线性主成分分析的绿色超级稻品种综合评价

纪 龙 申红芳 徐春春 陈中督 方福平



基于非线性主成分分析的绿色超级稻品种综合评价

纪 龙 申红芳 徐春春 陈中督 方福平*

中国水稻研究所, 浙江杭州 310006

应用绿色超级稻被认为是推动水稻生产可持续发展的重要途径之一, 已成为全球水稻育种的主要目标。目前关于绿色超级稻品种综合评价的研究鲜有报道。本文围绕“少打农药、少施化肥、节水抗旱、优质高产”的理念, 从技术性、经济性、生态性和社会性4个维度构建了绿色超级稻品种综合评价指标体系, 为水稻及其他作物品种的综合评价、品种选育及推广应用提供了有益的研究思路。在此基础上引入一种非线性主成分分析法——对数主成分分析, 利用大田试验数据及不同评价方法的对比分析表明, 对数主成分分析法符合绿色超级稻的育种理念, 具有较强的合理性, 可作为一种有效的水稻品种综合评价方法。

绿色超级稻; 综合评价; 指标体系; 非线性主成分分析

水稻是中国乃至世界最重要的粮食作物之一, 提供了全球近一半人口的主食[1]。中国是世界上最大的水稻生产国和稻米消费国[2], 水稻增产对于保障中国乃至世界的粮食安全具有极其重要的作用。2004年以来, 中国水稻生产进入持续增产阶段, 产量从2011年起连续7年稳定在2亿吨以上水平, 为确保国家口粮绝对安全作出了重要贡献。然而, 资源趋紧、环境污染严重、生态系统退化等形势日趋严峻, 严重制约了水稻生产的可持续。在此背景下, 中国科学家[3]提出“少打农药、少施化肥、节水抗旱、优质高产”的绿色超级稻理念, 希望通过新的优良性状的品种选育和技术推广做到资源节约、环境友好, 从而实现水稻生产方式的根本改变, 实现农业的可持续发展, 保证国家粮食的生产安全。

绿色超级稻理念得到了国际和国内同行的广泛认可和积极响应, 绿色超级稻已成为全球水稻育种的主要目标之一[1]。2008年, “为非洲和亚洲资源贫瘠地区培育绿色超级稻”得到了比尔和梅琳达·盖茨基金会项目资助。2010—2018年, “绿色超级稻新品种选育”作为现代农业技术领域的重点(大)项目得到了中国科技部的连续资助。近些年, 国内外科研院所围绕绿色超级稻的绿色基因发掘与种质创新、绿色品质选育等开展了大量研究工作, 培育了一批具备多个绿色性状(抗2~3种主要病虫害或节水抗旱、优质高产、氮肥高效等)的水稻新品种。这些新品种在抗病虫性、节水抗旱等个别方面表现突出, 但在产量、品质、抗性以及资源效率等方面的综合表现尚不清楚。科学定量的评价方法的缺失严重制约了绿色超级稻新品种的推广应用以及未来水稻育种工作的推进。因此, 应用科学、合理的方法对绿色超级稻新品种的综合表现进行评价迫在眉睫。

评价方法是综合评价的核心问题[4]。目前国内外开发的综合评价方法已有上百种之多[5], 大致可分为定性评价、定量评价和组合评价三大类。定性评价是指评价者(业内专家)利用其自身知识、经验直接对评价对象作出定性结论的价值判断[4]。常用的定性评价方法包括德尔菲法(Delphi)、专家会议法等。这类评价方法适用于战略层次的决策分析, 以及不能或难以定量化的, 或对评价精度要求不高的对象系统[6], 其优点是操作简单, 但评价结果具有较强的主观性和不确定性, 容易受评价者个人的知识储备、实践经验及选择偏好等因素的影响。定量评价是指将评价对象的相关属性特征量化, 然后处理分析量化的数据信息并获得评价结果。常用的定量评价方法包括多元统计方法(如主成分分析、因子分析、聚类分析和判别分析)、运筹优化方法[如数据包络分析(DEA)、层次分析法(AHP)、ELECTRE法和Topsis法]和其他方法(如模糊综合评价、灰色关联分析、熵权法)。这些评价方法解决问题的思路不同、适用对象也有所差异, 各有优缺点[6]。组合评价是指利用不同评价方法在指标构建、指标赋权、数据需求等方面的不同特点和优势, 将多个不同评价方法结合, 应用于同一个评价过程, 以提高综合评价的质量[4]。实践表明, 应用不同评价方法评价同一对象经常出现评价结论不一致的情况, 其原因在于不同方法的评价机理不同, 侧重点不同, 难以做到全面性评价[7]。因此, 为了避免单一评价方法的片面性和不稳定性, 更好地利用各种方法的优势, 组合评价方法应运而生。研究表明, 各种方法的组合能够形成取长补短的互补优势, 减少随机偏差和系统误差发生的可能性, 有助于解决评价结论不一致问题, 增强评价结果的稳健性[7-10]。

综合评价方法不仅是经济、管理等社会科学领域的重要分析方法, 也是理工、农业等自然科学领域主要的分析工具之一[11]。随着综合评价理论和方法的不断发展, 综合评价方法在作物育种中的应用越来越广泛。从研究内容看, 现有研究主要集中在作物品种抗非生物逆境的评价, 如对作物品种抗旱性[12-14]、耐盐性[15-16]、抗寒性[17-19]等抗逆性评价。少数学者对作物的产量和品质[20]、养分利用效率[21-22]进行综合评价。目前, 应用最广泛的综合评价方法是隶属函数法、主成分分析法和聚类分析法。此外, 模糊综合评价法、DTOPSIS和灰色关联分析等方法在作物品种选育中也有所应用。总体来看, 现有的研究仍存在一定的不足, 仍局限于对作物品种单属性的评价(如抗旱性、耐盐性评价), 相对缺乏从产量、品质、抗性等多维度、全面性的评价; 并且对评价方法的技术细节和研究进展关注不够。随着综合评价理论与方法研究的不断深入, 一些技术细节逐步得到改进和完善, 但当前不少研究并没有及时跟进这些变化, 仍然采用已经被学界认为不太合适的技术[11]。例如, 多指标综合评价中, 通常需要对原始数据进行无量纲化处理, 其中应用最为广泛的正态标准化方法在消除量纲和量级影响的同时, 也消除了各指标的变异程度差异, 并不适合多指标综合评价[23]。又如, 传统的R型主成分分析法是一种“线性”降维技术, 只能处理线性问题, 然而研究实际问题时, 各指标间以及主成分和原始数据之间都可能存在非线性关系, 如果用传统的R型主成分评价技术, 必然导致评价结果的偏误[24]。

鉴于此, 本文围绕绿色超级稻的理念, 尝试提出一套绿色超级稻品种综合评价指标体系, 引入一种非线性主成分分析技术——对数主成分分析, 应用于绿色超级稻候选品种的大田试验数据案例, 旨在为包括水稻在内的作物品种综合评价研究提供有益的思路借鉴, 为选育综合性能优良的作物品种提供参考依据。

1 材料与方法

1.1 材料与试验设计

本文研究重点是绿色超级稻综合评价指标体系的设计和评价方法, 涉及的品种数据仅作案例分析, 本文分享扬州大学提供的田间试验数据(包括田间试验方法和产量、氮肥利用效率结果), 即分析对象仅限于江苏地区的粳稻品种。扬州大学于2016年在江苏里下河地区农业科学研究所试验田对连粳7号、武运粳24、武运粳30、甬优2640、甬优1540、南粳9108、淮稻5号、淮稻13、宁粳1号、宁粳5号、扬粳4038、镇稻10号、镇稻16共13个绿色超级稻候选品种进行了氮素利用效率评价试验。以施氮量为主区, 品种为裂区(小区), 小区面积为20 m2, 重复3次, 随机区组排列。2016年5月17日播种, 6月13日移栽, 栽插密度为25 cm× 15 cm, 每穴2株苗, 其他田间管理按照常规高产栽培方式进行。全生育期施用纯氮200 kg hm–2, 按基肥∶分蘖肥∶促花肥∶保花肥= 4∶2∶2∶2施用。移栽前施用过磷酸钙(含P2O513%) 300 kg hm–2。施用氯化钾(含K2O 63%) 195 kg hm–2, 按6∶4比例分基肥和拔节肥2次施用。在成熟期测定有效穗数、结实率、籽粒产量、氮素偏生产力、氮素籽粒生产效率等指标。由于试验中各品种的施氮水平相同, 导致氮素偏生产力和单产完全正相关, 为体现不同水稻品种的氮素利用效率(NUE), 本文用氮素籽粒生产效率指标来表征氮素利用效率。氮素籽粒生产效率=籽粒产量(kg hm–2)/成熟期植株吸氮量(kg hm–2)。

1.2 研究方法

1.2.1 绿色超级稻综合评价指标体系 综合评价方法虽然多种多样, 但遵循一个基本模式, 评价过程主要包括确定评价目的、构建评价指标体系、选择评价方法、确定指标权重、实施综合评价以及结果呈现与讨论6个步骤[25]。其中构建评价指标体系和选择评价方法是综合评价的核心。评价指标的选取在很大程度上取决于综合评价的目的。绿色超级稻的育种理念是“少打农药、少施化肥、节水抗旱、优质高产”, 要求新培育的品种除了产量高、品质优外, 还应具有多种生物胁迫抗性(如主要病虫害)和非生物胁迫抗性(如干旱、盐碱、极端天气等不利条件)[26]。为了减少施肥过量对生态环境造成的影响, 新培育的品种还应具有高效的养分利用效率(如氮、磷、钾等)。因此, 对绿色超级稻的评价需要从产量、品质、生物胁迫与非生物胁迫抗性以及养分利用效率等多个维度综合进行。结合文献研究和专家咨询(本文邀请了15位来自育种、栽培、农业经济、农技推广等不同领域的水稻专家通过面对面或邮件对评价指标进行讨论), 本文遵循目的性、系统性、可行性等原则, 从技术性、经济性、生态性和社会性4个维度18个指标对绿色超级稻品种综合评价(见表1)。

表1 绿色超级稻品种综合评价指标体系

(续表1)

一级指标First class indicator二级指标Second class indicator指标说明Definition of the indicators 经济性指标单产 Y (x7)每公顷产量(kg hm–2) Economic indicatorYield per hectare (kg hm–2) 成本利润率 RPC (x8)每公顷成本利润率(%) Rate of profit to cost per hectare (%) 整精米率 HR (x9)整精米占净稻谷式样或精米式样的质量分数(%) The ratio of head rice to the overall rice sample (%) 垩白度 CD (x10)垩白米的垩白面积总和占式样整精米粒面积总和的百分率(%) The ratio of chalkiness area of chalky rice to the total area of the head rice for the overall rice sample (%) 直链淀粉含量 AC (x11)试样所含直链淀粉的质量占式样总质量的百分率(%) The ratio of quality of amylose content to the total quality of the overall sample rice (%) 透明度 T (x12)整精米籽粒的透明程度, 以稻米的相对透光率大小表示 Translucency degree of the head rice, represented by the relative transmittance of rice 生态性指标氮肥利用率 NUE (x13)氮肥偏生产力(籽粒产量/施氮量, kg kg–1) Ecological indicatorNitrogen partial factor productivity (grain yield/nitrogen application level, kg kg–1) 磷肥利用率 PUE (x14)磷肥偏生产力(籽粒产量/施磷量, kg kg–1) Phosphate partial factor productivity (grain yield/phosphate application level, kg kg–1) 钾肥利用率 PUE2 (x15)钾肥偏生产力(籽粒产量/施钾量, kg kg–1) Potash partial factor productivity (grain yield/potash application level, kg kg–1) 水分利用率 WUE (x16)籽粒产量/(降雨量–灌水量–排水量)(kg m–3) Grain yield/(precipitation–irrigation–drainage) (kg m–3) 社会性指标农药残留 PR (x17)稻米中的农药残留量 Social indicatorAmount of pesticide residues in rice 重金属含量 HM (x18)稻米中的重金属镉含量(mg kg–1) Cadmium content in rice (mg kg–1)

EP: effective panicles; SSR: seed setting rate; LR: lodging resistance; RID: resistance to insects and diseases; AST: abiotic stress tolerance; EA: ecological adaptability; Y: yield; RPC: rate of profit to cost; HR: head rice; CD: chalkiness degree; AC: amylose content; T: translucency; NUE: nitrogen use efficiency; PUE: phosphate use efficiency; PUE2: potash use efficiency; WUE: water use efficiency; PR: pesticide residue; HM: heavy metal.

技术性指标, 大致可以分为三大类, 第一类是增产性指标, 即跟水稻产量密切相关的指标, 如有效穗、结实率等; 第二类是减损性指标, 主要是指遭遇外界不利因素影响时有助于减少产量损失的指标, 如水稻品种的生物胁迫和非生物胁迫抗性; 第三类是稳产性指标, 主要目的在于考察水稻品种在不同生长环境下的生态适应性。基于文献研究和专家咨询, 结合数据的可获得性, 本文选取有效穗、结实率、抗倒伏性、抗病虫性、抗非生物逆境性和生态适应性6个指标作为绿色超级稻品种的技术性指标。

经济性指标, 主要体现水稻品种的经济效益, 涉及产量、价格和利润3个方面。在消费需求刚性增长、供给压力日益增大的背景下, 高产依然是水稻品种应当具备的基本特征之一, 尽管高产已不再是水稻品种选育最主要的诉求。随着社会经济的发展和生活水平的提高, 中国的水稻生产消费已从重“量”转向重“质”。稻米食用品质决定其市场价格, 进而影响水稻的经济效益。稻米食用品质主要从加工、外观、蒸煮与食味和营养4个方面衡量[27]。在食用稻品种品质标准的定级指标中, 整精米率、垩白度、透明度和直链淀粉含量是最重要的指标[28]。此外, 经济利润是提高水稻市场竞争力、促进水稻生产可持续的重要前提, 特别是在生产成本快速上涨、种稻效益持续下滑的背景下。基于此, 本文选取单产、成本利润率、整精米率、垩白度、透明度和直链淀粉含量6个指标作为绿色超级稻品种的经济性指标。

生态性指标, 主要体现水稻品种的资源利用效率。资源环境约束已成为当前中国农业生产可持续发展的重要制约因素, 其中化肥过量投入、施用不合理问题尤为突出。目前中国化肥施用量占世界化肥总用量的31%, 施肥强度是世界平均水平的3倍[29],远超国际公认的225 kg hm–2化肥施用安全上限。与此同时, 三大粮食作物氮肥、磷肥和钾肥的利用率分别仅有33%、24%和42%。因此, 化肥(包括氮、磷、钾)的高效利用是水稻新品种应具备的重要特性。此外, 水稻是粮食作物中用水第一大户, 稻田灌溉用水量约占农业用水总量的70%。全球气候变化及环境污染的加重, 用于灌溉的水资源越来越匮乏, 严重威胁到水稻生产的发展。因此, 较高的水分利用效率也应当是水稻新品种必须具备的重要特性。基于此, 本文选取氮肥利用效率、磷肥利用效率、钾肥利用效率和水分利用效率4个指标作为绿色超级稻品种的生态性指标。

社会性指标, 主要体现水稻品种的社会可接受度。近年来随着“镉大米”“黄金大米”等食品安全事件频发, 消费者对食品安全问题的重视程度日益增强。品质安全是农产品被市场和消费者接受和认可的重要前提。就稻米而言, 重金属污染程度和农药残留状况是判断稻米品质安全的重要指标[30], 因此, 本文选取稻米农药残留和重金属污染程度作为绿色超级稻品种的社会性指标。

1.2.2 对数主成分分析 目前应用最为广泛的综合评价方法包括聚类分析、主成分分析、AHP和模糊综合评价等[11]。其中聚类分析主要是通过计算指标间距离或相似系数对评价对象进行系统分类, 其侧重于“分组”, 而AHP和模糊综合评价法都没有从根本上解决指标赋权的主观性问题[31]。主成分分析法是一种有效的降维方法[32], 同时在一定程度上克服了人为确定指标权重所带来的主观性问题[33-34]。然而传统主成分分析法也受到“线性化”问题的困扰。对此, 部分学者提出一些非线性主成分分析方法, 如对数主成分分析法[35], 在一定程度上改进了传统主成分分析的“线性化”约束。因此, 本文拟借鉴叶明确等[35]的研究思路, 采用对数主成分分析法对绿色超级稻品种进行综合评价, 通过聚类分析对绿色超级稻品种进行类别划分。

与传统的R型主成分分析相比, 对数主成分分析的区别在于前期的数据预处理, 即除了数据的正向化和标准化处理外, 还需进行对数化处理。评价指标有正向指标(指标值越大越好)和逆向指标(指标值越小越好), 主成分分析前需要将所有指标趋同化[36], 否则得不到有效结论[37]。指标趋同化就是把所有的指标方向一致化, 要么都变成数值越大越好, 要么都变成数值越小越好, 一般情况采取指标正向化处理。其中, 强度逆向指标x(= 1, …,)的正向化公式[38]如下。

适度指标x的正向化公式如下。

绿色超级稻品种的18个评价指标中, “生态适应性”(6)、“垩白度”(10)、“直链淀粉含量”(11)、“农药残留”(17)和“重金属含量”(18) 5个指标是逆向指标, 其他13个指标均为正向指标, 5个逆向指标按照式(1)进行正向化处理。此外, 由于各评级指标的量纲和量级不同, 如果直接使用指标原始值, 会使主成分过分偏重于具有较大方差或数量级的指标。为了消除量纲和量级的影响, 需要对原始数据进行无量纲化处理。目前最常用的无量纲化处理方法为正态标准化, 但正态标准化处理后只能反映各指标间的相互影响, 抹杀了指标间的变异程度, 并不适合多指标综合评价[23]。叶双峰等[24]提出的均值化处理是一种无量纲化处理方法, 不仅能够消除各指标在量纲上的差异, 而且保留了原始数据的相对差异性。因此, 本文选择均值化方法对原始指标进行无量纲化处理, 即用各指标的均值去除它们相应的原始数据。均值化处理后的指标为x(= 1, 2, …, 18), 在此基础上对数据进行对数化处理, 得到lnX(= 1, 2, …, 18)。

1.3 数据处理

基于上文构建的评价指标体系, 从技术性、经济性、生态性和社会性4个维度18个指标对候选超级稻品种综合评价。由于部分数据在试验中未系统记录, 个别指标未纳入此次分析, 如“抗非生物逆境性”(5)、“生态适应性”(6)、“成本利润率”(8)、“透明度”(12)、“磷肥利用效率”(14)、“钾肥利用效率”(15)、“水分利用效率”(16)、“农药残留”(17)以及“重金属含量”(18) 9个指标。另外, 一些指标数据在大田试验时未进行记录或检验测度, 但在该品种审定时有相应的记录数据, 因此我们将品种审定中的相应数据作为替代, 如“抗倒伏性”(3)、“抗病虫性”(4)、“整精米率”(9)、“垩白度”(10)和“直链淀粉含量”(11)。尽管如此, 部分指标数据仍未如愿获得, 这可能会影响综合评价的全面性和准确性。根据上文所述方法对各指标预处理, 即数据的正向化、标准化和对数化处理。

2 结果与分析

2.1 对数主成分分析

应用R软件对数据进行主成分分析。样本(评价指标)相关系数矩阵的特征值、方差贡献率和累积方差贡献率见表2。根据特征值大于1的标准确定主成分个数为4, 累积方差贡献率为82%。在实际应用中累积方差贡献率达到75%就具有很好的效果[35], 因此本文选取的4个主成分具有较强的合理性。前4个主成分的载荷矩阵如表3所示。

表2 特征值与方差贡献率

表3 主成分载荷矩阵

缩写同表1。Abbreviations as in Table 1.

由表3得到4个主成分的表达式:

主成分综合得分:

根据式(3)计算13个绿色超级稻候选品种的综合评价得分(见表4)。

根据对数主成分综合得分, 综合表现最好的前3个绿色超级稻候选品种依次是武运粳30、甬优2640和宁粳5号, 镇稻16和宁粳1号的综合表现相对较差。作为对比, 我们应用传统的主成分分析法对13个绿色超级稻候选品种进行综合评价, 其综合得分表达式为0=–0.0511–1.1482+0.1073–0.0914+ 0.1187+0.0269–0.03410+0.1411+0.09913, 评价结果见表4中的“排序2”。对比发现, 对数主成分分析和主成分分析的评价结果具有明显的差异。其原因在于, 主成分分析仅考虑了指标之间的线性关系, 忽视了现实中指标间可能存在的非线性关系, 而对数主成分分析则将指标间的非线性关系纳入考虑。对指标间关系的不同处理方式导致各指标的权重有所不同, 进而影响综合评价结果。通过指标权重的比较可知, 对数主成分分析中权重最大的指标是氮素利用效率、整精米率, 其次是有效穗、抗病虫性和单产。主成分分析中权重最大的指标是结实率和直链淀粉含量, 其次是单产、抗倒性和氮素利用效率, 但是结实率、抗病虫性、有效穗和垩白度4个指标在综合得分中的系数为负, 即这4个指标的值越大其综合得分越小, 同我们的预期相反。

2.2 系统聚类分析

将样本数据进行均值标准化处理, 以Euclid (欧几里得)距离计算各样本点的距离, 用最长距离法对样本进行聚类分析。结果(图1)表明, 当临界值>1时, 13个绿色超级稻候选品种被划分为4类。武运粳30和南粳9108为一类(类I), 淮稻5、甬优2640、甬优1540和宁粳1为一类(类II), 扬粳4038、淮稻13、镇稻10、宁粳5号、武运粳24和连粳7号为一类(类III), 镇稻16为一类(类IV)。通过对这4类品种的性状表现作进一步分析发现, 类I品种的直链淀粉含量显著高于其他品种, 但垩白度偏高、氮素籽粒生产效率偏低。类II品种的抗病虫性较强, 氮素籽粒生产效率较高, 但垩白度偏高。类III品种的垩白度较低, 整精米率较高, 但抗倒性较差。类IV品种的抗病虫性较强, 垩白度较低, 但氮素籽粒生产效率偏低。

3 讨论

3.1 评价指标筛选

选择合理的评价指标是进行品种综合评价的关键。近年来, 不少学者提出采用定量方法筛选评价指标, 如基于指标之间的相关性或指标数值的变异性进行指标筛选。但这种定量筛选方法的使用应当以不影响综合评价指标体系的“全面性”与“代表性”为前提[11]。本文采用的是专家会议法来筛选评价指标。我们邀请了15位不同领域(包括育种、栽培、农业经济以及农技推广等)的水稻专家通过面对面讨论或邮件交流确定评价指标。这种方法能够充分利用各位专家的专业知识和实践经验, 筛选的指标具有较强的全面性和合理性。

表4 绿色超级稻品种综合评价结果

排序1和排序2分别为对数主成分分析和主成分分析的评价结果。

Rank 1 and rank 2 represent the results of the logarithmic principal component analysis and principal component analysis respectively.

图1 绿色超级稻候选品种的聚类分析树状图

Zhendao 16: 镇稻16; Liangeng 7: 连粳7号; Wuyungeng 24: 武运粳24; Ninggeng 5: 宁粳5号; Zhendao 10: 镇稻10号; Huaidao 13: 淮稻13; Yanggeng 4038: 扬粳4038; Wuyungeng 30: 武运粳30; Nangeng 9108: 南粳9108; Ninggeng 1: 宁粳1号; Yongyou 1540: 甬优1540; Yongyou 2640: 甬优2640; Huaidao 5: 淮稻5号。

3.2 评价方法选择与应用

综合评价方法多种多样, 每一种方法具有各自的优势和不足。对数主成分分析法虽然相较于传统主成分分析有一定改进, 但仍然存在不少争议。例如, 进行综合评价时用多个主成分加权评价是否可取, 这一问题始终未能得到解决。有部分学者指出, 应用主成分综合评价时只能选择第一主成分, 否则会导致评价结果的偏误[35,39]。但也有部分学者认为, 只选取第一主成分是一种极端的做法, 其前提是第一主成分的方差贡献率足够大, 但这一条件往往难以满足[40], 只要有评价指标同主成分具有显著性统计关系, 便可选择这一主成分进行加权综合评价[41]。从实际应用看, 大部分文献选择的是多个主成分加权进行综合评价。因此, 我们在应用主成分以及其他方法进行综合评价时需要谨慎对待。另外, 大多数文献在进行综合评价分析时, 对一些技术细节注意不够, 例如数据的正向化处理。如果指标不是正向化, 便得不到有效结论[37], 但很多文献忽略了这一细节。因此, 我们应当及时跟进综合评价理论和方法的发展动态, 采用更合理的方法开展综合评价。

3.3 案例分析结果合理性探讨

叶明确等[35]从理论基础、几何意义等方面对对数主成分分析的合理性进行了阐释, 以2012年联合国人类发展指数作为参考依据, 对不同评价方法进行了对比分析并验证了对数主成分分析的合理性和有效性。本文结果发现, 对数主成分分析的综合得分中各指标系数的符号均与预期相符, 而主成分分析综合得分中部分指标的系数符号与预期相反。此外, 为了考察指标赋权的合理性, 我们将主观赋权法(专家打分法)和客观赋权法(对数主成分分析和传统的主成分分析)的赋权结果进行比较。从赋权结果看, 对数主成分分析中权重最大的指标是氮素利用效率、整精米率, 其次是有效穗、抗病虫性和单产。主成分分析中权重最大的指标是结实率和直链淀粉含量, 其次是单产、抗倒性和氮素利用效率。专家打分法中权重最大的指标是单产和氮素利用效率, 其次是抗病虫性、抗倒性和品质。对比发现, 对数主成分分析的指标权重同专家打分法所得到的指标权重更接近, 也更符合绿色超级稻的理念, 即高产已不再是品种选育最重要的诉求, 优质、高(多)抗的重要性日益凸显。这在一定程度上反映了对数主成分分析应用于绿色超级稻品种综合评价的合理性。当然, 对数主成分分析的合理性还需更多的案例应用进行验证。

3.4 本研究的局限性

本文基于绿色超级稻理念构建了一套绿色超级稻综合评价指标体系, 并应用对数主成分分析法对绿色超级稻品种进行综合评价, 不仅为绿色超级稻的新品种选育及推广应用提供了有益参考, 而且为其他作物品种的综合评价提供了有益的研究思路。但是本研究仍然存在一定的不足。第一, 评价指标在科学性、全面性等方面可能存在有待改进和完善之处。第二, 部分指标的数据获取具有一定难度, 例如生态适应性指标, 需要同一品种在不同区域、不同年际进行收集; 又如经济性指标中的整精米率、垩白度和社会性指标中的农药残留、重金属残留等需要专业机构或专业设备进行检测, 数据获取成本较高。第三, 评价方法虽然在个别方面有所改进, 但其应用中存在的一些争议问题仍未得到有效解决, 如主成分分析法能否用多个主成分进行综合评价尚需进一步讨论。第四, 本研究案例分析应用的数据来源于大田试验点, 具有一定的区域局限性, 且样本量相对较少, 品种也仅限于粳稻品种, 因此存在样本代表性不强等问题。此外, 由于数据获取问题, 部分指标未纳入分析框架, 且个别指标的数据来源于品种审定而非全部来自大田试验, 存在数据源不完全统一而导致结果偏误等问题。因此, 在今后的研究中需要在对评价指标体系完善的基础上, 加强评价方法的改进和创新, 同时保证样本数据的可靠性和代表性。

4 结论

围绕“少打农药、少施化肥、节水抗旱、优质高产”的理念, 从技术性、经济性、生态性和社会性4个维度共18个指标构建了绿色超级稻品种综合评价指标体系, 为绿色超级稻或其他作物的品种选育及推广应用提供了一种有益的研究思路。对数主成分分析可作为一种有效的水稻品种综合评价方法。

[1] 余四斌, 熊银, 肖景华, 罗利军, 张启发. 杂交稻与绿色超级稻. 科学通报, 2016, 61: 3797–3803. Yu S B, Xiong Y, Xiao J H, Luo L J, Zhang Q F. Hybrid rice and green super rice., 2016, 61: 3797–3803 (in Chinese with English abstract).

[2] Elert E. Rice by the numbers: a good grain., 2014, 514: S50–S51.

[3] Zhang Q F. Strategies for developing green super rice., 2007, 104: 16402–16409.

[4] 彭张林, 张强, 杨善林. 综合评价理论与方法研究综述. 中国管理科学, 2015, 23(增刊1): 245–256. Peng Z L, Zhang Q, Yang S L. Overview of comprehensive evaluation theory and methhodology., 2015, 23(Suppl 1): 245–256 (in Chinese with English abstract).

[5] 邱东, 汤光华. 对综合评价几个阶段的再思考. 统计教育, 1997, (4): 25–27. Qiu D, Tang G H. Rethink of stages of comprehensive evaluation., 1997, (4): 25–27 (in Chinese).

[6] 陈衍泰, 陈国宏, 李美娟. 综合评价方法分类及研究进展. 管理科学学报, 2004, 7(2): 69–79. Chen Y T, Chen G H, Li M J. Classification and research advancement of comprehensive evaluation methods., 2004, 7(2): 69–79 (in Chinese with English abstract).

[7] 陈国宏, 李美娟. 基于方法集的综合评价方法集化研究. 中国管理科学, 2004, 12(1): 102–106. Chen G H, Li M J. The research on the comprehensive evaluation methodintegration based on method set., 2004, 12(1): 102–106 (in Chinese with English abstract).

[8] 陈国宏, 李美娟. 组合评价收敛性验证的计算机模拟实验. 系统工程理论与实践, 2005, 25(5): 74–82. Chen G H, Li M J. The simulation experiment on verifying the convergence of combination evaluation., 2005, 25(5): 74–82 (in Chinese with English abstract).

[9] 郭亚军, 易平涛. 一种基于整体差异的客观组合评价法. 中国管理科学, 2006, 14(3): 60–64. Guo Y J, Yi P T. Whole diversity-based reasoning for objective combined evaluation., 2006, 14(3): 60–64 (in Chinese with English abstract).

[10] 徐强. 组合评价法研究. 江苏统计, 2002, (10): 10–12. Xu Q. Research on combined evaluation., 2002, (10): 10–12 (in Chinese).

[11] 苏为华. 我国多指标综合评价技术与应用研究的回顾与认识. 统计研究, 2012, 29(8): 98–107. Su W H. Review and recognition on the research of multi-indi­cators comprehensive evaluation in China., 2012, 29(8): 98–107 (in Chinese with English abstract).

[12] 杨瑰丽, 杨美娜, 李帅良, 曲志恒, 黄明, 陈志强, 王慧. 水稻萌芽期抗旱指标筛选与抗旱性综合评价. 华南农业大学学报, 2015, 36(2): 1–5. Yang G L, Yang M N, Li S L, Qu Z H, Huang M, Chen Z Q, Wang H. Screening and comprehensive evaluation of drought resistance indices of rice at germination stage., 2015, 36(2): 1–5 (in Chinese with English abstract).

[13] 程建峰, 潘晓云, 刘宜柏, 戴廷波, 曹卫星. 水稻抗旱性鉴定的形态指标. 生态学报, 2005, 25: 3117–3125. Cheng J F, Pan X Y, Liu Y B, Dai T B, Cao W X. Morphological indexes of drought resistance identification in rice., 2005, 25: 3117–3125 (in Chinese with English abstract).

[14] 蔡建国, 章毅, 孙欧文, 杨倩倩. 绣球抗旱性综合评价及指标体系构建. 应用生态学报, 2018, 29: 3175–3182. Cai J G, Zhang Y, Sun O W, Yang Q Q. Comprehensive evaluation and construction of drought resistance index system in., 2018, 29: 3175–3182 (in Chinese with English abstract).

[15] 韩飞, 诸葛玉平, 娄燕宏, 王会, 张乃丹, 何伟, 晁赢. 63份谷子种质的耐盐综合评价及耐盐品种筛选. 植物遗传资源学报, 2018, 19: 685–693. Han F, Zhu-Ge Y P, Lou Y H, Wang H, Zhang N D, He W, Chao Y. Evaluation of salt tolerance and screening for salt tolerant accessions of 63 foxtail millet germplasm., 2018, 19: 685–693 (in Chinese with English abstract).

[16] 张海艳, 赵海军. 不同品种玉米萌发期和苗期耐盐性综合评价. 玉米科学, 2016, 24(5): 61–67. Zhang H Y, Zhao H J. Comprehensive evaluation of salt tolerance of different corn varieties at the germination and seedling stages., 2016, 24(5): 61–67 (in Chinese with English abstract).

[17] 苏李维, 李胜, 马绍英, 戴彩虹, 时振振, 唐斌, 赵生琴, 蒲彦涛. 葡萄抗寒性综合评价方法的建立. 草业学报, 2015, 24(3): 70–79. Su L W, Li S, Ma S Y, Dai C H, Shi Z Z, Tang B, Zhao S Q, Pu Y T. A comprehensive assessment method for cold resistance of grape vines., 2015, 24(3): 70–79 (in Chinese with English abstract).

[18] 刘海卿, 孙万仓, 刘自刚, 武军艳, 钱武, 王志江, 郭仁迪, 马骊, 侯献飞, 刘林波. 北方寒旱区白菜型冬油菜抗寒性与抗旱性评价及其关系. 中国农业科学, 2015, 48: 3743–3756. Liu H Q, Sun W C, Liu Z G, Wu J Y, Qian W, Wang Z J, Guo R D, Ma L, Hou X F, Liu L B. Evaluation of drought resistance and cold resistance and research of their relationship at seedling stage of winter rapeseed (L.) in cold and arid regions in North China., 2015, 48: 3743–3756 (in Chinese with English abstract).

[19] 王树刚, 王振林, 王平, 王海伟, 李府, 黄玮, 武玉国, 尹燕枰. 不同小麦品种对低温胁迫的反应及抗冻性评价. 生态学报, 2011, 31: 1064–1072. Wang S G, Wang Z L, Wang P, Wang H W, Li F, Huang W, Wu Y G, Yin Y P. Evaluation of wheat freezing resistance based on the responses of the physiological indices to low temperature stress., 2011, 31: 1064–1072 (in Chinese with English abstract).

[20] 于秋竹, 孔宇, 陈东升, 解保胜, 徐正进. 基于主成分及聚类分析的黑龙江省水稻产量与品质的综合评价. 沈阳农业大学学报, 2015, 46: 219–224. Yu Q Z, Kong Y, Chen D S, Xie B S, Xu Z J. Comprehensive evaluation of yield and quality of rice based on principal component and cluster analysis in Heilongjiang province., 2015, 46: 219–224 (in Chinese with English abstract).

[21] 陈晨, 龚海青, 张敬智, 徐寓军, 郜红建. 不同基因型水稻苗期氮营养特性差异及综合评价. 中国生态农业学报, 2016, 24: 1347–1355. Chen C, Gong H Q, Zhang J Z, Xu Y J, Gao H J. Evaluation of nitrogen nutrition characteristics of different rice cultivars at seedling stage., 2016, 24: 1347–1355 (in Chinese with English abstract).

[22] 王雪, 崔少雄, 孙志梅, 穆国俊, 崔顺立, 王鹏超, 刘立峰. 基于生物量和养分累积量的花生品种生态适应性评价. 应用生态学报, 2015, 26: 2023–2029. Wang X, Cui S X, Sun Z M, Mu G J, Cui S L, Wang P C, Liu L F. Ecological adaptability evaluation of peanut cultivars based on biomass and nutrient accumulatio., 2015, 26: 2023–2029 (in Chinese with English abstract).

[23] 钞小静, 任保平. 中国经济增长质量的时序变化与地区差异分析. 经济研究, 2011, 46(4): 26–40. Chao X J, Ren B P. The fluctuation and regional difference of quality of economic growth in China., 2011, 46(4): 26–40 (in Chinese with English abstract).

[24] 叶双峰. 关于主成分分析做综合评价的改进. 数理统计与管理, 2001, 20(2): 52–55. Ye S F. The application and consideration about principal component analysis., 2001, 20(2): 52–55 (in Chinese with English abstract).

[25] 邱东. 多指标综合评价:方法论反思. 经济统计学(季刊), 2013, (1): 39–47. Qiu D. Multi-index comprehensive evaluation: A methodological reflection., 2013, (1): 39–47 (in Chinese with English abstract).

[26] 张启发. 未来作物育种对绿色技术的需求. 华中农业大学学报(社会科学版), 2014, 33(6): 10–15. Zhang Q F. Demands for green technologies in future plant breeding., 2014, 33(6): 10–15 (in Chinese with English abstract).

[27] 中华人民共和国农业部. 农业行业标准: NY/T 83-2017. 北京: 中国农业出版社, 2017. Ministry of Agriculture and Rural Affairs of the People’s Republic of China. Agricultural standard: NY/T 83-2017. Beijing: China Agriculture Press, 2017 (in Chinese).

[28] 程式华. 2017年中国水稻产业发展报告. 北京: 中国农业科学技术出版社, 2017. pp 169–176. Cheng S H. Development Report of China’s Rice Industry in 2017. Beijing: China Agricultural Science and Technology Press, 2017. pp 169–176 (in Chinese).

[29] FAOSTAT. Fertilizer by Nutrient. (2018-08-28)[2018-03-27]. http://www.fao.org/faostat/en/#data/RFN.

[30] 王忠, 顾蕴洁, 陈刚, 熊飞, 李运祥. 稻米的品质和影响因素. 分子植物育种, 2003, 1: 231–241. Wang Z, Gu Y J, Chen G, Xiong F, Li Y X. Rice quality and its affecting factors., 2003, 1: 231–241 (in Chinese with English abstract).

[31] Gungor Z, Serhadlioglu G, Kesen S E. A fuzzy AHP approach to personnel selection problem., 2009, 9: 641–646.

[32] Rao C R. The use and interpretation of principal component analysis in applied research.,(1961–2002), 1964, 26: 329–358.

[33] 蔡艺. 主成分方法在综合评价中的应用. 中国统计, 2005, (2): 24–26. Cai Y. Application of principal component analysis in comprehensive evaluation., 2005, (2): 24–26 (in Chinese).

[34] 邱东. 多指标综合评价方法. 统计研究, 1990, 7(6): 43–51. Qiu D. Multi-index comprehensive evaluation methods., 1990, 7(6): 43–51 (in Chinese).

[35] 叶明确, 杨亚娟. 主成分综合评价法的误区识别及其改进. 数量经济技术经济研究, 2016, 33(10): 142–153. Ye M Q, Yang Y J. Erroneous zone identification and improvement of synthesis evaluation based on principal component analysis., 2016, 33(10): 142–153 (in Chinese with English abstract).

[36] 陈军才. 主成分与因子分析中指标同趋势化方法探讨. 统计与信息论坛, 2005, 20(2): 19–23. Chen J C. Discussion of the same trending methods of indices in principal component analysis and factor analysis., 2005, 20(2): 19–23 (in Chinese with English abstract).

[37] 林海明. 对主成分分析法运用中十个问题的解析. 统计与决策, 2007, (16): 16–18. Lin H M. Ten questions in application of principal component analysis., 2007, (16): 16–18 (in Chinese).

[38] 叶宗裕. 关于多指标综合评价中指标正向化和无量纲化方法的选择. 浙江统计, 2003, (4): 24–25. Ye Z Y. Methods for handling the indexes positively and non-dimensionally in comprehensive evaluations., 2003, (4): 24–25 (in Chinese).

[39] 胡永宏. 对统计综合评价中几个问题的认识与探讨. 统计研究, 2012, 29(1): 26–30. Hu Y H. Understanding and discussion of some problems in statistical synthesis evaluation., 2012, 29(1): 26–30 (in Chinese with English abstract).

[40] 李靖华, 郭耀煌. 主成分分析用于多指标评价的方法研究: 主成分评价. 管理工程学报, 2002, 16(1): 39–43. Li J H, Guo Y H. Principal component evaluation: a multivariate evaluate method expand from principal component analysis., 2002, 16(1): 39–43 (in Chinese with English abstract).

[41] 林海明, 杜子芳. 主成分分析综合评价应该注意的问题. 统计研究, 2013, 30(8): 25–31. Lin H M, Du Z F. Some problems in comprehensive evaluation in the principal component analysis., 2013, 30(8): 25–31 (in Chinese with English abstract).

Comprehensive evaluation of green super rice varieties based on nonlinear principal component analysis

JI Long, SHEN Hong-Fang, XU Chun-Chun, CHEN Zhong-Du, and FANG Fu-Ping*

China National Rice Research Institute, Hangzhou 310006, Zhejiang, China

Application of green super rice (GSR) is regarded as one of the important ways to realize sustainable development of rice production, and has become a major goal of the rice breeding around the world. However, there are few literatures on comprehensive evaluation of GSR varieties. The GSR concept is the development of varieties with insect and disease resistance, high N- and P-use efficiency, drought resistance, high grain yield and superior quality. Based on the GSR concept, we establish a comprehensive evaluation index system of GSR varieties in four dimensions, including technical indicators, economic indicators, ecological indicators and social indicators. This index system should shed light on a new perspective for evaluation of crop varieties, variety breeding as well as the application and extension of new crop varieties. Further, a nonlinear principal component analysis, namely logarithmic principal component analysis, was introduced into the comprehensive evaluation of GSR varieties. Based on field experimental data with a comparative analysis by different methods, we revealed that the logarithmic principal component analysis is feasible and reasonable for comprehensive evaluation of GSR varieties.

green super rice; comprehensive evaluation; index system; nonlinear principal component analysis

2018-11-22;

2019-04-15;

2019-04-23.

10.3724/SP.J.1006.2019.82057

方福平, E-mail: fangfuping@caas.cn, Tel: 0571-63100133

E-mail: jilong@caas.cn, Tel: 0571-63370395

本研究由国家高技术研究发展计划项目(2014AA10A605), 浙江省自然科学基金青年基金项目(LQ18G030013)和财政部-农业部基本科研业务费项目(2017RG007)资助。

This study was supported by the National High Technology Research and Development Program of China (2014AA10A605), the Natural Science Foundation of Zhejiang Province of China (LQ18G030013), and the Fundamental Research Funds of Ministry of Finance and Ministry of Agriculture and Rural Affairs of China (2017RG007).

URL: http://kns.cnki.net/kcms/detail/11.1809.S.20190423.1100.002.html