-
南瓜Cucurbita moschata又名倭瓜,是葫芦科Cucurbitaceae南瓜属Cucurbita植物。南瓜富含多糖、类胡萝卜素、果胶、矿质元素和氨基酸等,营养丰富,具有较高的医疗保健价值[1-2]。南瓜种质资源十分丰富,是经济价值最重要的物种之一[3],世界各地广泛栽培。屈淑平等[4]对76份南瓜材料进行遗传多样性分析,提出了南瓜资源植物学描述评价的代表性状。刘振威等[5]对51种南瓜杂交组合的11个主要农艺性状进行相关分析和聚类分析发现,7个主要数量性状变异潜力丰富。果实品质由果品外观和内质两者复合构成,评价指标复杂,在综合评价种质资源时,考察的多个性状间通常存在一定相关性,造成信息重复而影响其准确性。如GOMES等[6]通过分析影响氧化酶失活动力学与南瓜颜色的变化关系,发现南瓜外观颜色性状的变化受氧化酶、温度等多种因素共同影响。主成分分析(principal component analysis)通过降维将个数较多且彼此相关的变量重新组合,形成个数较少、彼此独立并尽可能多地反映原变量信息的综合变量,简化了多指标,又为资源的评价和选择提供了科学依据[7]。目前主成分分析被广泛应用于作物[8-12],而在南瓜品质评价方法和评价指标体系方面的研究较少。本研究以10份南瓜品种为材料,分析不同南瓜品种生物学性状与果实品质,构建科学的评价体系,以期为优质南瓜资源的快速筛选及品种选育提供理论依据。
-
供试南瓜品种共10个,包括美洲南瓜类型:‘奶油NL1’‘Cream NL1’、‘奶油NL2’‘Cream NL1’、‘奶油Y’‘Cream Y’;中国南瓜类型:‘玩偶’‘Doll’、‘蜜本’‘NGMB’、‘黄狼’‘Yellow Wolf’;印度南瓜类型:‘锦栗’‘Jin Li’、‘旭日’‘Rising Sun’、‘红栗’‘Red Chestnut’、‘日本黑’‘Black Japan’。所有品种均于2017年3月定植在浙江农林大学实验基地,株行距为90 cm,日常栽培管理及病虫害防治方法采用相同标准进行,采收后立即运至浙江农林大学农产品品质改良技术研究重点实验室。
-
记录各南瓜品种雌首花节位、收获日期,植株的分枝性;采用便携式叶绿素仪测定南瓜叶片叶绿素质量分数;游标卡尺测定茎及叶柄直径。参照Galet叶形结构参数分析法[12],测量南瓜叶片中脉和下侧脉。于南瓜最大直径处测定南瓜周长和肉厚。采用色差仪(CR-10)测定南瓜的果皮、果肉颜色,并计算色度值(C)和色调角(H)[13]。采用蒽酮比色法[14]测定可溶性糖质量分数,碘显色法[15]测定淀粉质量分数,并测定南瓜种子的长度、厚度等相关指标。采用TA-XT plus型物性测试仪(英国Stable Micro Systems公司)对南瓜进行穿刺分析。试验中采用的探头为圆柱形P/2E探头,直径为2 mm。测试参数为测前速度1 mm·s-1,测试速度1 mm·s-1,测后上行速度1 mm·s-1。所有指标测定均重复5次。
-
采用Excel和SPSS 19.0对数据进行分析处理。利用SPSS软件中的因子分析对南瓜性状进行主成分提取和相关性分析。综合评价时对各性状指标进行无量纲化,X(μ)=(X-Xmin)/(Xmax-Xmin),其中:X为某品种某一指标的测定值;Xmax为所有品种某一指标测定的最大值;Xmin为该指标中的最小值。
-
南瓜不同品种间植株性状存在较大差异。‘玩偶’雌首花节位最高,与‘日本黑’‘锦栗’‘奶油Y’‘奶油NL1’‘蜜本’及‘旭日’差异显著;‘红栗’和‘蜜本’分枝性较强;‘奶油Y’‘锦栗’‘蜜本’主蔓直径均超过1 cm,‘蜜本’主蔓直径是‘奶油NL2’的2.18倍;‘日本黑’叶柄直径、叶片显著大于其他9个品种(叶片中脉、下侧脉最大),而‘玩偶’叶片则是所有品种中最小的;所有品种植株均被毛,其中‘红栗’和‘日本黑’植株被刺毛,‘旭日’被绒毛,其余品种被糙毛或粗毛;‘旭日’和‘锦栗’的叶绿素SPAD值显著高于其他品种,‘日本黑’叶绿素SPAD值却最低(表 1)。
表 1 不同南瓜品种的生物学性状比较
Table 1. Biological characteristics comparison of different pumpkin cultivars
品种 雌首花节位 分枝性 主蔓直径/cm 叶柄直径/cm 叶片中脉/cm 叶片下侧脉/cm 植株被毛 叶绿素SPAD值 ‘奶油NL1’ 6.3 b 中 0.99 ab 1.02 bc 15.17 bc 9.07 cd 糙毛 34.2 c ‘奶油NL2’ 12.7 ab 中 0.68 b 1.03 bc 21.17 abc 12.10 bcd 被毛 38.0 abc ‘奶油Y’ 6.7 b 中 1.24 ab 1.29 ab 19.10 abc 15.34 b 糙毛 35.6 abcde ‘玩偶’ 15.1 a 中 0.84 b 0.39 d 13.80 c 7.21 d 被毛 33.6 c ‘锦栗’ 7.0 b 中 1.06 ab 1.07 bc 18.10 bc 12.16 bcd 糙毛 42.5 a ‘旭日’ 5.0 b 中 0.97 ab 1.31 ab 18.22 bc 14.22 b 绒毛 43.5 a ‘红栗’ 9.3 ab 强 0.99 ab 1.32 ab 21.57 ab 15.36 b 刺毛 34.8 c ‘蜜本’ 6.3 b 强 1.48 a 1.04 bc 20.67 abc 14.14 bc 糙毛 41.1 ab ‘日本黑’ 7.7 b 中 0.97 ab 1.81 a 25.88 a 24.89 a 刺毛 33.1 c ‘黄狼’ 8.3 ab 中 0.99 ab 0.78 cd 20.55 abc 12.14 bcd 糙毛 34.2 c 说明:同列数据后不同字母表示品种间差异显著(P < 0.05) -
不同南瓜品种间果实性状差异较大。10个品种间‘红栗’肉色色度值最高,色度角则最低。‘黄狼’最长,是‘奶油NL1’的3.06倍;‘红栗’周长最大,‘玩偶’最小;‘旭日’瓜肉最厚,达4.10 cm,是‘奶油NL1’的2.73倍;‘红栗’单果质量最大,是‘玩偶’的7.05倍。南瓜品种间可溶性糖和淀粉质量分数差异显著,其中‘锦栗’的可溶性糖和淀粉质量分数均最高,分别是‘奶油NL2’的1.97倍、1.92倍。‘锦栗’和‘旭日’均果柄中空、扁圆形,瓜面有条纹或浅棱,中等程度瓜瘤,‘锦栗’蜡粉多于‘旭日’;‘玩偶’果实表面黄绿分界明显。品种间瓜棱表现也有差异,‘日本黑’有深棱,‘奶油NL1’和‘奶油Y’无棱,其余品种有浅棱。‘红栗’‘蜜本’和‘日本黑’瓜瘤与‘锦栗’和‘旭日’类似。‘奶油Y’和‘蜜本’表面蜡粉较多,‘奶油NL2’和‘黄狼’蜡粉中等,‘日本黑’表面无蜡粉(表 2)。
表 2 不同南瓜品种果实性状比较
Table 2. Fruit traits of different pumpkin cultivars
品种 皮色 肉色 瓜长/cm 周长/cm 瓜肉厚/cm 单果质量/kg 可溶性糖/(mg·g-1) 淀粉/(mg·g-1) 果柄 瓜形 瓜面斑纹 瓜棱 瓜瘤 C H C H ‘奶油NL1’ 34.7 d 1.1 cd 67.4 c 1.2 cd 14.2 cd 28.6 g 1.5 e 0.43 c 1.86 d 1.67 d 紧实 梨形 无花斑 无棱 无 ‘奶油NL2’ 31.0 d 0.9 e 66.9 c 1.3 bc 18.4 c 39.9 e 2.3 cde 1.16 b 1.45 e 1.33 e 紧实 梨形 无花斑 浅棱 无 ‘奶油Y’ 31.6 d 1.0 de 66.9 c 1.2 bcd 32.1 b 45.1 d 2.38 cd 1.68 b 1.62 e 1.45 de 紧实 长把梨形 橙色条斑 无棱 无 ‘玩偶’ 4.8 f
(65.9 a)31.5 d
(1.1 bc)31.5 d 1.5 a 13.6 cd 24.3 h 1.6 de 0.38 c 2.64 b 2.34 ab 紧实 梨形 黄绿分界 浅棱 无 ‘锦栗’ 65.7 a 1.5 a 70.2 c 1.2 bcd 12.2 d 78.2 b 3.5 ab 2.38 a 2.85 a 2.56 a 中空 扁圆 条纹 浅棱 中 ‘旭日’ 60.9 ab 0.6 g 76.4 b 1.2 d 14.3 cd 75.1 b 4.1 a 2.37 a 2.63 b 2.38 ab 中空 扁圆 条纹 浅棱 中 ‘红栗’ 58.7 b 0.6 g 92.6 a 0.8 e 14.8 cd 96.2 a 3.6 a 2.68 a 2.63 b 2.38 ab 紧实 扁圆 条纹 浅棱 中 ‘蜜本’ 51.6 c 1.2 b 68.2 c 1.3 bc 39.6 a 43.2 d 2.7 bc 2.56 a 2.63 b 2.37 ab 紧实 棒槌形 浅黄条斑 浅棱 中 ‘日本黑’ 21.5 e 1.4 a 67.2 c 1.2 bcd 13.8 cd 54.3 c 3.5 ab 2.35 a 2.45 b 2.19 bc 紧实 扁圆 浅绿花斑 深棱 中 ‘黄狼’ 29.4 d 1.0 cd 67.9 c 1.3 b 53.5 a 36.3 f 3.6 a 2.39 a 2.16 c 1.96 c 紧实 棒槌形 绿色条斑 浅棱 无 说明:C表示色度值,H表示色调角;‘玩偶’的皮色括号外数据为绿色部分的,括号内数据为黄色部分的;同列数据后不同字母表示品种间差异显著(P<0.5) -
南瓜果皮和果肉的穿刺试验发现:‘奶油NL2’果皮硬度最高,‘玩偶’果皮硬度最低,仅为‘奶油NL2’的30.32%;‘奶油NL1’‘奶油Y’‘红栗’及‘蜜本’的果皮硬度相近。奶油系列3个品种和‘黄狼’果肉相对较硬,‘奶油NL1’果肉硬度显著大于‘玩偶’‘旭日’‘红栗’‘蜜本’和‘日本黑’。而‘旭日’的果肉硬度最低,仅7.83 N。‘奶油NL2’和‘黄狼’果肉硬度差异不大。南瓜品种间果皮韧性差异较大。‘奶油NL1’果皮韧性最大,‘红栗’果皮韧性最小。‘奶油NL1’‘奶油Y’和‘黄狼’的果皮韧性差异显著(图 1)。
-
不同南瓜品种间种子形态特征也存在差异。‘旭日’种子数最多,奶油系列种子数较少,‘奶油NL2’种子数仅为‘旭日’的14.41%。‘红栗’种子质量最大,达0.62 g,‘玩偶’最轻,仅0.14 g。‘奶油NL1’和‘玩偶’的种子横径均低于1 cm。‘红栗’种子的纵径和厚度显著大于其他品种(表 3)。
表 3 不同南瓜品种的种子特征
Table 3. Seed traits of different pumpkin cultivars
品种 种子数量 种子单粒质量/g 种子横径/cm 种子纵径/cm 种子厚度/cm ‘奶油NL1’ 32.1 f 0.21 ed 0.61 c 1.21 de 0.29 cd ‘奶油NL2’ 30.3 f 0.23 d 1.09 a 1.62 c 0.24 d ‘奶油Y’ 35.3 f 0.24 d 1.13 a 1.62 c 0.26 cd ‘玩偶’ 74.0 e 0.14 e 0.81 b 1.13 e 0.32 cd ‘锦栗’ 173.3 c 0.43 b 1.13 a 1.83 b 0.52 ab ‘旭日’ 221.7 a 0.49 b 1.22 a 1.87 b 0.49 b ‘红栗’ 178.0 c 0.62 a 1.27 a 2.16 a 0.66 a ‘蜜本’ 198.3 b 0.49 b 1.12 a 1.22 de 0.32 cd ‘日本黑’ 204.3 ab 0.32 c 1.13 a 1.31 d 0.41 bc ‘黄狼’ 152.3 d 0.49 b 1.20 a 1.62 c 0.28 cd 说明:同列数据后不同字母表示品种间差异显著(P<0.5) -
对10个南瓜品种的30个性状指标进行主成分分析,得到了特征值大于l的5个主成分,反映了总信息量的87.240%,能够在较大程度上反映出原始信息(表 4)。5个主成分中第1主成分的方差贡献率为37.537%,其中瓜肉厚、种子数量、单果质量、周长、种子单粒质量、种子厚度、种子横径、皮色、淀粉质量分数、可溶性糖质量分数、肉色、种子纵径等具有较大的载荷值,综合反映了南瓜产量、果实、种子各方面的性状,因此第1主成分能作为选择综合性状较好的优质南瓜种质资源的有效指标。第2主成分的方差贡献率为16.630%,蜡粉、果皮硬度、瓜形、瓜长等具有较大的载荷值,主要反映了南瓜的商品性状。第3主成分的方差贡献率为14.353%,特征向量值较大的是叶片中脉、叶片下侧脉、分枝性、叶柄直径等,主要反映了南瓜植株的生长性状。第4主成分的方差贡献率为10.494%,特征向量值较大的是主蔓直径。第5主成分在每个指标的载荷值不突出,但增加了整个综合模型的信息表达量,使模型能更全面反映南瓜的综合性状。
表 4 南瓜性状评价因子的特征值和累积方差贡献率
Table 4. Characteristic value and cumulative variance contribution rate of pumpkin evaluation factor
主成分 特征值 方差贡献率/% 累计方差贡献率/% 1 11.261 37.537 37.537 2 4.989 16.630 54.167 3 4.306 14.353 68.520 4 3.148 10.494 79.014 5 2.468 8.227 87.240 为消除不同单位和数据量纲的影响,对各性状指标原始数据进行无量纲化处理。根据表 5构建主成分与南瓜各生物学性状之间的线性关系式:
F1=0.911X1+0.907X2+0.888X3+0.874X4+0.827X5+0.811X6+0.759X7+0.717X8-0.696X9+0.695X10+0.676X11+0.639X12+0.623X13-0.541X14+0.499X15-0.186X16-0.121X17+0.546X18-0.123X19-0.245X20-0.551X21+0.516X22+0.571X23+0.289X24+0.579X25+0.553X26-0.563X27+0.255X28-0.477X29+0.459X30。
F2=-0.124X1+0.132X2+0.299X3+0.063X4+0.318X5-0.20X6+0.264X7+0.487X8+0.408X9-0.386X10-0.406X11+0.505X12+0.317X13+0.505X14+0.349X15+0.758X16+0.748X17-0.593X18+0.592X19-0.579X20+0.567X21+0.040X22-0.111X23-0.195X24+0.068X25-0.125X26-0.082X27+0.493X28-0.586X29-0.206X30。
F3=0.038X1+0.077X2+0.223X3-0.181X4-0.078X5-0.315X6+0.211X7-0.341X8-0.141X9-0.387X10-0.386X11+0.163X12-0.249X13+0.066X14-0.426X15-0.077X16+0.241X17+0.371X18+0.261X19+0.372X20+0.206X21+0.814X22+0.774X23+0.660X24+0.613X25-0.570X26+0.565X27+0.112X28-0.105X29+0.408X30。
F4=0.304X1-0.084X2+0.135X3-0.371X4+0.045X5-0.287X6-0.032X7-0.149X8-0.377X9+0.380X10+0.392X11-0.443X12-0.557X13-0.157X14+0.151X15+0.369X16-0.345X17+0.039X18-0.511X19-0.266X20+0.450X21-0.128X22-0.050X23+0.539X24-0.299X25+0.319X26+0.088X27+0.682X28-0.132X29-0.045X30。
F5=-0.006X1+0.089X2+0.205X3+0.075X4+0.308X5+0.075X6+0.42X7-0.106X8+0.165X9+0.027X10+0.016X11+0.027X12+0.295X13-0.473X14-0.224X15+0.270X16+0.193X17+0.202X18+0.403X19+0.513X20+0.189X21+0.200X22-0.158X23-0.145X24-0.381X25+0.260X26+0.403X27-0.137X28+0.591X29-0.541X30。
表 5 主成分在各性状指标上的因子载荷矩阵
Table 5. Rotated component matrix of the principle component analysis
性状 主成分 1 2 3 4 5 种子数量(X1) 0.911 -0.124 0.038 0.304 -0.006 瓜肉厚(X2) 0.907 0.132 0.077 -0.084 0.089 单果质量(X3) 0.888 0.299 0.223 0.135 0.205 周长(X4) 0.874 0.063 -0.181 -0.371 0.075 种子单粒质量(X5) 0.827 0.318 -0.078 0.045 0.308 种子厚度(X6) 0.811 -0.200 -0.315 -0.287 0.075 种子横径(X7) 0.759 0.264 0.211 -0.032 0.420 皮色(X8) 0.717 0.487 -0.341 -0.149 -0.106 果肉硬度(X9) -0.696 0.408 -0.141 -0.377 0.165 淀粉质量分数(X10) 0.695 -0.386 -0.387 0.380 0.027 可溶性糖质量分数(X11) 0.676 -0.406 -0.386 0.392 0.016 肉色(X12) 0.639 0.505 0.163 -0.443 0.027 种子纵径(X13) 0.623 0.317 -0.249 -0.557 0.295 果皮初性(X14) -0.541 0.505 0.066 -0.157 -0.473 质量分数(X15) 0.499 0.349 -0.426 0.151 -0.224 蜡粉(X16) -0.186 0.758 -0.077 0.369 0.270 果皮硬度(X17) -0.121 0.748 0.241 -0.345 0.193 瓜棱(X18) 0.546 -0.593 0.371 0.093 0.202 瓜长(X19) -0.123 0.592 0.261 0.511 0.403 植株被毛(X20) -0.245 -0.579 0.372 -0.266 0.513 瓜形(X21) -0.551 0.567 0.206 0.450 0.189 叶片中脉(X22) 0.516 0.040 0.814 -0.128 0.200 叶片下侧脉(X23) 0.571 -0.111 0.774 -0.050 -0.158 分枝性(X24) 0.289 -0.195 0.660 0.539 -0.145 直径(X25) 0.579 0.068 0.613 -0.299 -0.381 瓜面斑纹(X26) 0.553 -0.125 -0.570 0.319 0.260 果柄(X27) -0.563 -0.082 0.565 0.088 0.403 主蔓直径(X28) 0.255 0.493 0.112 0.682 -0.137 雌首花节位(X29) -0.477 -0.586 -0.105 -0.132 0.591 瓜瘤(X30) 0.459 -0.206 0.408 -0.045 -0.541 在主成分分析的基础上,以5个主成分及每个主成分对应的特征值占提取主成分总特征值之和的比例作为权重,计算主成分综合模型:F综=0.32F1+0.15F2+0.17F3+0.14F4+0.22F5,根据综合模型计算不同品种南瓜的综合性状得分(表 6)。结果表明:‘红栗’的综合性状最好,‘蜜本’‘日本黑’略低于‘红栗’,其次是‘锦栗’‘奶油Y’和‘旭日’,‘奶油NL1’的综合品质最差,其他品种居中。
表 6 不同南瓜品种性状预测评价结果
Table 6. Prediction results of different characteristics of pumpkin cultivars
品种 F1 F2 F3 F4 F5 F综 排名 ‘奶油NL1’ 4.04 0.75 0.54 -0.26 0.86 1.65 10 ‘奶油NL2’ 4.57 0.96 0.96 -0.27 0.96 1.94 7 ‘奶油Y’ 5.04 1.03 0.61 -0.04 0.98 2.08 5 ‘玩偶’ 4.06 1.22 0.86 -0.06 0.89 1.81 9 ‘锦栗’ 5.55 1.21 0.54 -0.30 1.24 2.28 4 ‘旭日’ 4.96 1.09 0.87 -0.35 0.95 2.06 6 ‘红栗’ 6.37 1.54 0.92 -0.27 1.21 2.65 1 ‘蜜本’ 5.88 1.59 0.65 -0.20 1.13 2.45 2 ‘日本黑’ 5.88 1.50 0.74 -0.27 1.14 2.45 3 ‘黄狼’ 4.32 1.39 0.72 -0.10 0.84 1.88 8 -
南瓜具有外形优美、品质独特且营养价值高等优点。前人研究发现南瓜种质资源间的形态学性状具有遗传多样性[16],且不同基因型南瓜的叶长、叶厚、分枝数、单果质量、果皮色、果肉色等具有显著差异。本研究对10个南瓜品种的各项生物学性状和品质特性进行测定,发现‘奶油NL1’‘奶油Y’‘红栗’‘蜜本’‘日本黑’的雌首花节位靠前,‘红栗’‘蜜本’的分枝性强,‘奶油Y’‘锦栗’‘蜜本’的主蔓直径较大,‘日本黑’等叶柄直径较大,成熟叶较大、叶绿素含量较高。本试验还发现雌首花节位低、分枝性强、叶柄直径、叶面积大的南瓜品种同时具备早熟、丰产、生长健壮等优点,且单果质量对早期产量的影响大于周长和瓜肉厚,这与张宏荣[17]通过灰色关联度分析的结果一致。杜晓华等[18]也得出生长因子对于南瓜早熟丰产的贡献率最高的结论,这也与LABBAFI等[19]利用模型估算南瓜叶面积指数与干物质量及植株长势间关系的分析结果相近。尹玲[20]认为南瓜干物质含量与品质综合评分呈显著正相关,可作为初步判定南瓜感官性状优劣的生化指标,其中可溶性糖及淀粉含量是瓜肉综合评价性状的重要因素[21]。本试验中,‘锦栗’的可溶性糖和淀粉质量分数显著高于其他南瓜品种,说明‘锦栗’果肉熟食口味更佳[22]。
南瓜果柄和瓜形是区别南瓜不同品种的重要依据[23]。中空果柄南瓜多呈扁圆形,瓜面有条纹或浅棱,具瓜瘤和蜡粉;而紧实果柄南瓜形态则更丰富,与徐鹏程[24]研究的果柄对果实发育存在较大影响的结果一致。扁圆瓜形,横径大,单果质量较大的南瓜,种子数也较多。本研究也发现有最大周长和单果质量最大的‘红栗’南瓜,种子单粒质量也最大。果皮颜色是判断果实成熟的重要评价指标之一,刘旭等[25]证实果实成熟期间花色苷含量逐渐增加。从皮色上看,‘红栗’为橙红色系列,‘锦栗’为深绿色系列;从肉色上看,‘红栗’饱和度最高,‘玩偶’果实外观特征新颖,肉色饱和度低,颜色浅。‘红栗’和‘旭日’的皮色及肉色饱和度较高,在观赏长廊中常作为观赏蔬菜种植,具较高的观赏价值。
本研究测定了10个南瓜品种的植株生长、果实及种子性状相关指标,比较南瓜品种间的差异,并在此基础上采用主成分分析法对不同南瓜品种进行综合评价。结果表明不同南瓜品种间存在显著差异,如‘日本黑’的叶柄直径大、叶片最大,‘锦栗’的可溶性糖和淀粉质量分数最高,‘红栗’肉色色度值最高,奶油系列和‘黄狼’果肉较硬等。对10个南瓜品种的30个性状进行主成分分析,提取出5个主成分,累积方差贡献率达87.240%,确立了南瓜评价综合得分模型,计算出红栗的综合性状最好,‘蜜本’‘日本黑’略低于‘红栗’,其次是‘锦栗’‘奶油Y’‘旭日’,‘奶油NL1’的综合性状最差。
Comprehensive evaluation of pumpkin cultivars based on a principal component analysis
-
摘要:
目的 建立一套适合南瓜Cucurbita moschata资源的评价方法。 方法 以10个南瓜品种为试材,测定植株生长、果实、质地、种子、品质等相关的30个指标,并利用主成分分析法对南瓜进行综合评价。 结果 不同南瓜品种间各性状存在显著差异。‘玩偶’‘Doll’的雌首花节位最高,‘红栗’‘Red Chestnut’和‘蜜本’‘NGMB’分枝性较强,‘日本黑’‘Black Japan’的叶柄直径、叶片显著大于其他9个品种,叶绿素SPAD值则最低,‘旭日’‘Rising Sun’和‘锦栗’‘Jin Li’的叶绿素SPAD值显著高于其他品种。‘锦栗’的可溶性糖和淀粉质量分数均最高。‘红栗’果肉色度值最高,色度角最低,周长最大,单果质量最大。奶油系列和‘黄狼’‘Yellow Wolf’果肉较硬,‘奶油NL1’‘Cream NL1’‘奶油Y’‘Cream Y’和‘黄狼’的果皮韧性差异显著。‘旭日’种子数最多,‘奶油’南瓜系列种子数较少;‘红栗’种子质量最大,且其种子的纵径和厚度显著大于其他品种。主成分分析共提取了5个主成分,累积贡献率达87.240%。 结论 以5个主成分及单个主成分所对应的特征值占提取主成分特征值和的比例作为权重,构建了南瓜综合评价模型,综合得分最好的品种为‘红栗’,‘奶油NL1’最差。 Abstract:Objective The aim is to quickly perform the difference among pumpkin cultivars, a suitable evaluation system was established for pumpkin. Method 10 pumpkin cultivars were used to determine 30 indicators relevant to plant growth, fruit, texture, seed, as well as quality characteristics. Biological characteristics were obtained by ruler etc and analysis of nutritional quality were performed according to the methods from references. Each sample was analyzed five times and each experiment was conducted in five repetition (n=5). The results were expressed as means ±SE. Statistical comparisons were made by one-way analysis of variance (ANOVA) followed by Duncan's multiple range test (P=0.05). A principal component analysis was used for a comprehensive evaluation of the pumpkin cultivars and was constructed by taking the eigenvalues corresponding to the principal components and the ratio of a single principal component to the extracted principal components. Result There are strong differences among pumpkin cultivars. The first pistillate flower node of 'Doll' was earlier than that of others. Also, the branchiness of 'Red Chestnut' and 'NGMB' were strong. Although the chlorophyll content of 'Black Japan' was lowest, petiole diameter and leaf size of 'Black Japan' were higher than those of the other nine cultivars. Chlorophyll content of 'Rising Sun' and 'Jin Li' was highest. As for soluble sugar and starch content, 'Jin Li' was the best among all pumpkin cultivars. The highest chroma value and lowest chroma angle were found in 'Red Chestnut' which had the largest circumference and the most important single fruit. The flesh of the Cream series and 'Yellow Wolf' was relatively hard, and the toughness was very different for 'Cream NL1', 'Cream Y', and 'Yellow Wolf'. The seed number in 'Rising Sun' was highest, but in the cream pumpkin series the seed number was small. The seed weight of Red Chestnut was heaviest; whereas, the longitudinal diameter and thickness of the seeds were much larger than other cultivars. The principal component analysis extracted a total of five principal components with a cumulative contribution rate of 87.240%. Conclusion The best comprehensive score was found in 'Red Chestnut'; whereas, the worst was found in 'Cream NL1'. This study provided a theoretical reference for rapid screening of germplasm resources and pumpkin breeding. -
土地利用是城市发展规划及资源开发利用的关键信息,同时也是区域土地利用变化研究的重要基础[1]。然而高原山区的遥感影像自动分类相比其他地形区而言,传统的遥感分类方法在分类精度上受各方面因素影响,难以满足研究需求[2]。传统的监督分类方法和非监督分类方法,是基于像元的数理统计法,地物分类时考虑的主要为像元的光谱信息,对遥感影像的形状、纹理及空间关系等利用不够充分[3],容易发生“同物异谱”和“同谱异物”。近年来,国内外许多学者尝试利用不同类型遥感影像来提高土地利用分类精度,在遥感影像的使用上多以Landsat和Modis系列的中低分辨率数据为主,分类精度经常受到影像空间分辨率的限制,在地物破碎的区域提取草地、水塘和小规模村庄等时存在较大的局限性[4]。近年来采用高分辨率卫星作为实验数据的分类研究逐年增多[5-7],高分辨率影像可利用清晰的地物几何特征和纹理等信息,具有覆盖范围大、重访周期短、定量化探测等优点,但影像成本较高,获取难度较大[8]。哨兵二号遥感卫星最高的空间分辨率可达10 m,与传统遥感数据相比,Sentinel-2A遥感数据新增加的4个红边波段与叶绿素含量关系紧密[9]。在地物提取分类研究领域中,近年来有众多学者运用红边波段进行湿地提取[10]、作物识别[11]、地物类型划分[12]等方面的研究,均取得了较好的效果。随着计算机和3S技术的发展,遥感研究的逐渐深入,新的分类方法不断涌现,如多重滤波[13]、面向对象分类法[14]、模糊分类法[15]、随机森林分类法[16]、神经网络法[17]等。尽管这些分类方法在不同程度上均提高了分类精度,然而在分类结果中依然存在着或多或少的“椒盐效应”[18]。本研究以云南省大理市为研究区域,以Sentinel-2A遥感影像为数据源,提出一种面向对象特征与决策树规则相结合的分类方法,依靠多维遥感信息复合技术,充分利用地物的光谱特征[19]、几何结构和纹理等提高遥感影像在大理市不同土地利用类型的区分效果,可探索提高高原山区分类精度的有效途径。
1. 研究区概况
云南省大理市地处云贵高原,大理州中部,25°25′~25°58′N,99°58′~100°27′E,总面积为1 815 km2,基础海拔1 000 m以上,地面起伏较大,地形以山地为主,其中山地面积为1 278.8 km2,山区、半山区面积达70.5%。总体特征是西北高,东南低,四周高,中间低。研究区地处盆地,中部是洱海,被四周的高山环抱,西部是苍山,东侧为马尾山,四周山坡均朝向洱海。
2. 研究方法
2.1 数据来源与预处理
本研究使用的Sentinel-2数据源通过欧空局的哥白尼数据中心下载,辅助数据包括2.5 m天地图影像数据和从地理空间数据云获取的大理市行政边界矢量数据。利用欧洲航天局(ESA)官方提供的SNAP软件和sen2cor插件对下载的原始影像进行大气校正,得到L2A级数据,采用最近邻插值法将波段重采样为10 m分辨率,基于ENVI软件对其进行几何校正。因高原山区云雾较多,为降低影像云覆盖对分类精度影响,将2020年1月1日至12月31日大理市Sentinel-2A影像最小云量进行年度多时相合成,通过大理市行政边界矢量数据对遥感影像数据进行裁剪。
2.2 土地利用分类体系
土地利用分类标准在参照GB/T 21010—2017《土地利用现状分类标准》[20]的基础上结合高原山区各方面特征,将研究区分为七大类,选出准确可靠的7个类型样本,进行样本间的分离度计算,计算结果如表1所示。
表 1 各种类型地物样本组合的Jeffries-Matusita距离Table 1 Jeffries Matusita distance of various types of feature sample combinations土地利用类型 分离度 土地利用类型 分离度 林地-农田 1.953 农田-其他 1.994 林地-水体 2.000 水体-草地 1.993 林地-草地 1.895 水体-建设用地 2.000 林地-建设用地 1.998 水体-冰川积雪 1.998 林地-冰川积雪 1.995 水体-其他 1.996 林地-其他 1.994 草地-建设用地 1.996 农田-水体 1.983 草地-冰川积雪 1.997 农田-草地 1.894 草地-其他 1.996 农田-建设用地 1.993 建设用地-冰川积雪 1.992 农田-冰川积雪 1.993 建设用地-其他 1.983 冰川积雪-其他 1.990 2.3 面向对象特征的决策树分类
2.3.1 决策树分类模型粗分类
为能充分利用基于像素和面向对象分类方法优势,组合方法已被广泛应用于土地利用分类领域[21]。QUEST决策树从运算速度和分类精度方面均衡考量,优于其他决策树方法[22]。利用面向对象特征的遥感分类方法,可结合研究对象的光谱、形状、纹理、空间关系等不同属性信息,将相同性质的像元组成为基本处理单元“对象”完成分类[23]。对研究区各地物类型的光谱特征、纹理特征和几何特征分析后,以第3绿光波段、第8近红外波段、第4红波段和第11短波红外为特征波段,再提取农田、草地、冰川积雪和其他等4个不同类别地类的面向对象特征,根据各特征建立分类规则进行建模。构建面向对象特征与QUEST决策树相结合的分类模型,如图1所示。
①水体区域提取。基于研究区实地情况,本研究采取归一化差异水体指数(NDWI)方法[24]将研究区水体部分划分出来。根据对样本数据的初步分析以及人工判读,先将QUEST决策树分类条件设置为NDWI>0.4125。②植被区域提取。因为Sentinel-2数据的优势是在红边范围含有3个波段的数据,且研究区是典型的高原山区,全域植被覆盖率较高,所以归一化植被指数(NDVI)能从影像中更加有效地提取植被区域[25]。以此为基础将决策树分类条件设置为NDVI>0.312 5,可将植被区域与非植被区域分离开,且不与水体区域混淆。再通过设置NDVI指数范围阙值,进一步将植被中的农田、草地分类条件设置为0.312 5<NDVI<0.654 3,林地则设置为0.654 3<NDVI<1.000 0。③非植被区域提取。将研究区的水体和植被两大类提取成功后,其余部分则为非植被区域。为了进一步将建筑用地从非植被区域提取出来,在前几步的基础上又计算了归一化建筑指数(NDBI),并将QUEST决策树分类条件设置为NDBI>0,发现此时可将研究区大部分建设用地从非植被区域提取出来。
2.3.2 面向对象特征的细分类
面向对象可充分利用各对象的各类特征信息,本研究使用了面向对象的光谱特征、几何特征和纹理特征,其定义如表2所示。
表 2 面向对象特征定义表Table 2 Object oriented feature definition类别 特征 定义和公式 光谱特征 光谱均值 斑块内像素光谱均值 纹理特征 纹理特征 灰度共生矩阵(GLCM,包括5×5卷积模板内的均值、方差、同质性、熵值、对比度、二阶矩、相关性) 几何特征 面积 斑块总面积 延伸率 最大直径与最小直径比值 矩形形状参数 矩形形状度量值(Rect)=面积/(最大直径×最小直径) 本研究采用多尺度分割算法进行影像分割,共设置了一个分割层次,主要目的是将农田与草地、冰川积雪与其他进行区分。在确保影像分类精度的前提下进行多次实验,最终结果表明:分割尺度设置为30较为适宜,此时,各个分类对象均有较好的可分离性,且各个对象内部的同质性较高。再根据相邻对象的纹理特征和内部一致性确定归并尺度,对分割好的原始影像进行迭代归并,进一步完成相邻同类对象的归并。经多次实验,确定的归并尺度为65最为适宜。①草地与农田的面向对象特征。草地与农田相比,具有规则的几何形状,同时,草地与农田的光谱均值也有一定差异。所以,可将农田的对象筛选条件设置为:面积>3 000 m2,矩形形状参数>0.3,光谱均值>3 000 nm,余下不满足设定的农田筛选条件的地区为草地。②冰川积雪与其他的面向对象特征。其他用地类型延伸率较小且形状不规则,光谱均值也有较大差异,而冰川积雪大都分布于苍山高海拔地区,且连续性高,面积较大。所以为将两者区分开来,设定其他用地的筛选条件为:延伸率<3.5,1 210 nm<光谱均值(第4波段)<1 360 nm,1 225 nm<光谱均值(第3波段)<1 335 nm,1 400 nm<光谱均值(第2波段)<1 465 nm ,符合该条件的区域可判定为其他用地,余下不满足设定条件的则为冰川积雪。
2.4 其他分类方法
本研究还运用了最大似然分类法、ISODATA法与面向对象特征决策树法进行比较。ISODATA法分类与最大似然法均未引入面向对象特征,ISODATA法使用ENVI 5.3软件,选择IsoData分类器,预设22个类别和最大迭代次数为10进行分类计算,最后通过目视识别分类结果合并为本研究的7个类别。最大似然法基于ENVI 5.3软件使用ROIS方法定义7类训练样本进行分类。面向对象特征决策树分类使用IDL8.5结合ENVI 5.3编程实现。
2.5 精度评定
为了检验研究区影像分类解译结果的可信度,通过野外调查和2.5 m精度的天地图相结合的方式目视判读检验研究区各个样本点的真实土地利用类别,采用误差矩阵方法进行检验。在研究区内利用ArcGIS软件随机生成500个检验样本点,各地类验证点个数如表3所示。
表 3 各地类验证点个数Table 3 Number of verification points of each class土地利用类型 天地图验证点个数 野外调查验证点个数 水体 94 5 林地 68 58 建设用地 54 6 农田 67 18 草地 89 8 冰川积雪 13 0 其他 16 4 3. 结果与分析
3.1 不同分类方法空间分布比较
将3个分类结果与同期高分辨率天地图影像进行叠加对比(图2):ISODATA法相比前2种方法虽然显示结果较差,但具有明显特征的地物基本都能被识别出来,冰川积雪与建筑用地因光谱特征类似,从而产生了部分混淆。最大似然分类和面向对象决策树分类得到的研究区地物分布与天地图影像显示结果基本一致。但是,由于高原山区草地和部分农田分布较为破碎,且研究区地表植被覆盖度较高,所以利用最大似然方法提取的某些林地、草地和面积较小的农田会产生部分混淆。而面向对象决策树分类由于构建特征指数将不同地物差异放大,且引入了面向对象特征,更有利于决策规则的制定,所以提取的结果在空间表现上相比与其他分类方法更合理。
对3种土地利用分类方法各地类的面积进行统计,并与欧空局公布的2020年10 m分辨率土地利用数据进行验证对比。结果如图3所示:面向对象特征的决策树法提取的研究区内林地面积最大,其次是农田、草地、水体、建设用地和冰川积雪,面积最小的为其他用地:3种分类方法中此方法结果与研究区的实际情况最为符合。 ISODATA法基于机器学习,在地物分布较为破碎的区域,机器学习的效果会受样本中噪声的影响,产生过拟合现象。最大似然法是基于统计分析的原理,可减轻样本中噪声的影响,提取结果在空间分布上也更为合理。面向对象特征的决策树法以对象为处理单元,充分利用研究对象的光谱、形状、纹理、空间关系等不同属性信息,所以提取的结果与实际情况最为接近。
3.2 不同地类的方法适用性比较
为进一步比较不同方法下各类地物的提取差异,采用2.5 m天地图的500个样点结合野外调查对3种方法的分类结果进行验证,利用误差矩阵分析得到的分类结果进行精度评价,结果如表4所示。从制图精度角度看,ISODATA法制图精度由高到低依次是其他、建设用地、水体、林地、农田、冰川积雪和草地,其中精度最高的其他为89.37%,最低的草地仅为58.00%。对于用户精度,ISODATA法的水体用户精度最高,为97.44%。余下的地类用户精度由高到低分别为林地、其他、冰川积雪、草地、建设用地和农田。从以上2个精度对比来看,林地和水体的分类精度最高,建设用地、草地、冰川积雪和其他分类精度也较高,农田分类精度较低。分析认为,由于水体的光谱特性相对单一,误分状况较少。而林地、农田和草地三者误分与互相之间光谱特性重合有较大关系。建设用地的误分区域主要分布在洱海周边和建成区周围的裸地,因裸地和房屋具有相似的高反射特性,主要误分为建设用地和草地,草地和冰川积雪误分为建设用地由光谱特性相近导致。
表 4 ISODATA法遥感解译误差矩阵Table 4 ISODATA remote sensing interpretation error matrix土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/% 林地 93 0 3 0 4 0 0 100 93.00 建设用地 0 67 0 7 5 5 3 87 77.01 农田 16 2 47 0 2 1 7 75 62.67 水体 0 0 0 76 2 0 0 78 97.44 草地 3 0 0 3 29 2 0 37 78.38 其他 0 4 2 0 8 71 0 85 83.53 冰川积雪 0 2 6 0 0 0 30 38 78.95 分类样本数 112 75 58 86 50 79 40 500 制图精度/% 83.04 89.33 81.03 88.37 58.00 89.37 75.00 由表5可得:基于最大似然法的水体制图精度最高,为94.79%,余下6个地类制图精度由高到低分别为林地、草地、其他、农田、冰川积雪和建设用地。用户精度最高的地类是水体,为100.00%,其他地类用户精度由高到低分别是林地、建设用地、草地、农田、其他和冰川积雪。冰川积雪精度最低,仅为66.67%。通过分析认为,水体的光谱特性较为单一,极少出现误分。充分利用不同类型的光谱表现特征和周边地理环境,所以林地和农田区分度较好,但和草地仍有部分混淆。部分建设用地位于山区,受周边地理环境影响较大,加之城区建设用地光谱特征较为复杂。农田误分主要是误分为林地、草地和建设用地,由于前三者均属于绿色植被,在气温湿度均较好的情况下,选择样本时会经常造成3类间的误分。与建设用地的误分由于山区农田与建设用地交错分布,难以分辨。其他地类误分为建设用地由于两者具有相似的高反射特性,极易造成混淆。
表 5 最大似然法遥感解译误差矩阵Table 5 Maximum likelihood remote sensing interpretation error matrix土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/% 林地 119 0 0 0 2 0 0 121 98.35 建设用地 3 51 2 5 1 2 0 64 79.69 农田 6 4 61 0 4 4 1 80 76.25 水体 0 0 0 91 0 0 0 91 100.00 草地 5 4 7 0 55 0 3 74 74.32 其他 0 14 2 0 0 36 0 52 69.23 冰川积雪 1 4 0 0 1 0 12 18 66.67 分类样本数 134 77 72 96 63 42 16 500 制图精度/% 88.81 66.23 84.72 94.79 87.30 85.71 75.00 由表6可以看出:基于面向对象特征决策树法中的水体制图精度仍是最高,为93.94%,其他地类制图精度由高到低分别是林地、农田、草地、建设用地、其他和冰川积雪。冰川积雪虽然精度最低,但仍达76.92%。面向对象特征决策树法制图精度由高到低分别是水体、其他、林地、冰川积雪、草地、农田和建设用地,其中用户精度最高的水体为95.88%,最低的建设用地精度为83.61%。分析认为,误分情况主要是由于决策树粗分类时3个指数的参数设置原因。农田和草地之间的部分误分也与面向对象特征参数设置有关,此方法分类中冰川积雪和其他2个地类无错分现象,由此看出面向对象特征参数设置较为适合。
表 6 面向对象特征决策树法遥感解译误差矩阵Table 6 Remote sensing interpretation error matrix of object-oriented feature decision tree method土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/% 林地 118 0 2 0 5 0 0 125 94.40 建设用地 0 51 3 3 1 2 1 61 83.61 农田 4 2 76 0 4 1 2 89 85.39 水体 1 2 0 93 1 0 0 97 95.88 草地 3 3 4 3 86 0 0 99 86.87 其他 0 1 0 0 0 17 0 18 94.44 冰川积雪 0 1 0 0 0 0 10 11 90.91 分类样本数 126 60 85 99 97 20 13 500 制图精度/% 93.65 85.00 89.41 93.94 88.66 85.00 76.92 以上精度分析可以看出,面向对象特征决策树法相比于其他方法在农田、草地、建设用地和其他这4类分类精度上有了显著提高,且在高原山区特有地类冰川积雪的信息提取上也有较好的适用性。而对于研究区水域和林地的提取来说,最大似然法的适用性更好。
3.3 不同分类方法总体精度比较
一般总体精度在80%以上可以认为精度良好,表7表明:3种分类方法分类精度良好。其中,ISODATA法总体分类精度最低,但也满足基本分类需求,总体分类精度为82.60%,Kappa系数为79.40%;其次是最大似然法,总体分类精度较ISODATA法略有提高,总体分类精度为85.00%,Kappa系数为81.90%,但最大似然法基于机器学习的提取方法也可能会带来过拟合效应,导致提取精度偏高;面向对象特征决策树分类方法精度最高,总体分类精度可达90.20%,Kappa系数为87.95%,说明此方法的分类结果与实际情况最为贴近,更加适用于高原山区土地利用分类。
表 7 3种分类方法比较Table 7 Comparison of three classification methods分类方法 总体分类精度/% Kappa系数/% ISODATA法分类 82.60 79.40 最大似然法分类 85.00 81.90 面向对象特征决策树法 90.20 87.95 4. 结论
本研究结果表明:①从地物空间分布上看,面向对象与决策树相结合的方法得到的最终分类结果与同期高分辨率天地图影像较为一致,表明与地物的实际分布情况更为接近。②从地类方法适用性角度来看,最大似然分类法在水域和林地的提取上适用性较好,面向对象特征决策树法在农田和草地、建设用地和其他这些光谱特征较为相似的地类区分度较好。在高原山地特有的地类冰川积雪提取上也表现出了极大的优越性。③从不同方法总体分类精度角度看,面向对象特征的决策树法在大理市的土地利用信息提取中效果最好,总体分类精度和Kappa系数分别为90.20%和87.95%,较传统的最大似然法和ISODATA法分类精度均有提升,可实现大理市土地利用的高精度提取。
本研究在进行大理市土地利用分类时,利用先粗分类再进一步细分类的思想,将面向对象特征与决策树规则相结合,粗分类先设计决策树分类规则,在决策树基础上进行类别的细分类,此方法可避免区域之间的混淆问题,反映了提高遥感影像分类精度的一个方法,具有良好的应用前景[26]。面向对象特征辅助决策树分类,其分类精度和准确性虽有提高,但与欧空局面积仍存在一定的出入,说明分类过程中仅提取面向对象特征辅助是不够的。因此,在今后的计算机分类过程中,需进一步加强遥感影像计算机自动解译的研究,充分利用地物形状、纹理、空间关系、空间位置等特征,对影像进行综合评判,提高影像的分类精度。
-
表 1 不同南瓜品种的生物学性状比较
Table 1. Biological characteristics comparison of different pumpkin cultivars
品种 雌首花节位 分枝性 主蔓直径/cm 叶柄直径/cm 叶片中脉/cm 叶片下侧脉/cm 植株被毛 叶绿素SPAD值 ‘奶油NL1’ 6.3 b 中 0.99 ab 1.02 bc 15.17 bc 9.07 cd 糙毛 34.2 c ‘奶油NL2’ 12.7 ab 中 0.68 b 1.03 bc 21.17 abc 12.10 bcd 被毛 38.0 abc ‘奶油Y’ 6.7 b 中 1.24 ab 1.29 ab 19.10 abc 15.34 b 糙毛 35.6 abcde ‘玩偶’ 15.1 a 中 0.84 b 0.39 d 13.80 c 7.21 d 被毛 33.6 c ‘锦栗’ 7.0 b 中 1.06 ab 1.07 bc 18.10 bc 12.16 bcd 糙毛 42.5 a ‘旭日’ 5.0 b 中 0.97 ab 1.31 ab 18.22 bc 14.22 b 绒毛 43.5 a ‘红栗’ 9.3 ab 强 0.99 ab 1.32 ab 21.57 ab 15.36 b 刺毛 34.8 c ‘蜜本’ 6.3 b 强 1.48 a 1.04 bc 20.67 abc 14.14 bc 糙毛 41.1 ab ‘日本黑’ 7.7 b 中 0.97 ab 1.81 a 25.88 a 24.89 a 刺毛 33.1 c ‘黄狼’ 8.3 ab 中 0.99 ab 0.78 cd 20.55 abc 12.14 bcd 糙毛 34.2 c 说明:同列数据后不同字母表示品种间差异显著(P < 0.05) 表 2 不同南瓜品种果实性状比较
Table 2. Fruit traits of different pumpkin cultivars
品种 皮色 肉色 瓜长/cm 周长/cm 瓜肉厚/cm 单果质量/kg 可溶性糖/(mg·g-1) 淀粉/(mg·g-1) 果柄 瓜形 瓜面斑纹 瓜棱 瓜瘤 C H C H ‘奶油NL1’ 34.7 d 1.1 cd 67.4 c 1.2 cd 14.2 cd 28.6 g 1.5 e 0.43 c 1.86 d 1.67 d 紧实 梨形 无花斑 无棱 无 ‘奶油NL2’ 31.0 d 0.9 e 66.9 c 1.3 bc 18.4 c 39.9 e 2.3 cde 1.16 b 1.45 e 1.33 e 紧实 梨形 无花斑 浅棱 无 ‘奶油Y’ 31.6 d 1.0 de 66.9 c 1.2 bcd 32.1 b 45.1 d 2.38 cd 1.68 b 1.62 e 1.45 de 紧实 长把梨形 橙色条斑 无棱 无 ‘玩偶’ 4.8 f
(65.9 a)31.5 d
(1.1 bc)31.5 d 1.5 a 13.6 cd 24.3 h 1.6 de 0.38 c 2.64 b 2.34 ab 紧实 梨形 黄绿分界 浅棱 无 ‘锦栗’ 65.7 a 1.5 a 70.2 c 1.2 bcd 12.2 d 78.2 b 3.5 ab 2.38 a 2.85 a 2.56 a 中空 扁圆 条纹 浅棱 中 ‘旭日’ 60.9 ab 0.6 g 76.4 b 1.2 d 14.3 cd 75.1 b 4.1 a 2.37 a 2.63 b 2.38 ab 中空 扁圆 条纹 浅棱 中 ‘红栗’ 58.7 b 0.6 g 92.6 a 0.8 e 14.8 cd 96.2 a 3.6 a 2.68 a 2.63 b 2.38 ab 紧实 扁圆 条纹 浅棱 中 ‘蜜本’ 51.6 c 1.2 b 68.2 c 1.3 bc 39.6 a 43.2 d 2.7 bc 2.56 a 2.63 b 2.37 ab 紧实 棒槌形 浅黄条斑 浅棱 中 ‘日本黑’ 21.5 e 1.4 a 67.2 c 1.2 bcd 13.8 cd 54.3 c 3.5 ab 2.35 a 2.45 b 2.19 bc 紧实 扁圆 浅绿花斑 深棱 中 ‘黄狼’ 29.4 d 1.0 cd 67.9 c 1.3 b 53.5 a 36.3 f 3.6 a 2.39 a 2.16 c 1.96 c 紧实 棒槌形 绿色条斑 浅棱 无 说明:C表示色度值,H表示色调角;‘玩偶’的皮色括号外数据为绿色部分的,括号内数据为黄色部分的;同列数据后不同字母表示品种间差异显著(P<0.5) 表 3 不同南瓜品种的种子特征
Table 3. Seed traits of different pumpkin cultivars
品种 种子数量 种子单粒质量/g 种子横径/cm 种子纵径/cm 种子厚度/cm ‘奶油NL1’ 32.1 f 0.21 ed 0.61 c 1.21 de 0.29 cd ‘奶油NL2’ 30.3 f 0.23 d 1.09 a 1.62 c 0.24 d ‘奶油Y’ 35.3 f 0.24 d 1.13 a 1.62 c 0.26 cd ‘玩偶’ 74.0 e 0.14 e 0.81 b 1.13 e 0.32 cd ‘锦栗’ 173.3 c 0.43 b 1.13 a 1.83 b 0.52 ab ‘旭日’ 221.7 a 0.49 b 1.22 a 1.87 b 0.49 b ‘红栗’ 178.0 c 0.62 a 1.27 a 2.16 a 0.66 a ‘蜜本’ 198.3 b 0.49 b 1.12 a 1.22 de 0.32 cd ‘日本黑’ 204.3 ab 0.32 c 1.13 a 1.31 d 0.41 bc ‘黄狼’ 152.3 d 0.49 b 1.20 a 1.62 c 0.28 cd 说明:同列数据后不同字母表示品种间差异显著(P<0.5) 表 4 南瓜性状评价因子的特征值和累积方差贡献率
Table 4. Characteristic value and cumulative variance contribution rate of pumpkin evaluation factor
主成分 特征值 方差贡献率/% 累计方差贡献率/% 1 11.261 37.537 37.537 2 4.989 16.630 54.167 3 4.306 14.353 68.520 4 3.148 10.494 79.014 5 2.468 8.227 87.240 表 5 主成分在各性状指标上的因子载荷矩阵
Table 5. Rotated component matrix of the principle component analysis
性状 主成分 1 2 3 4 5 种子数量(X1) 0.911 -0.124 0.038 0.304 -0.006 瓜肉厚(X2) 0.907 0.132 0.077 -0.084 0.089 单果质量(X3) 0.888 0.299 0.223 0.135 0.205 周长(X4) 0.874 0.063 -0.181 -0.371 0.075 种子单粒质量(X5) 0.827 0.318 -0.078 0.045 0.308 种子厚度(X6) 0.811 -0.200 -0.315 -0.287 0.075 种子横径(X7) 0.759 0.264 0.211 -0.032 0.420 皮色(X8) 0.717 0.487 -0.341 -0.149 -0.106 果肉硬度(X9) -0.696 0.408 -0.141 -0.377 0.165 淀粉质量分数(X10) 0.695 -0.386 -0.387 0.380 0.027 可溶性糖质量分数(X11) 0.676 -0.406 -0.386 0.392 0.016 肉色(X12) 0.639 0.505 0.163 -0.443 0.027 种子纵径(X13) 0.623 0.317 -0.249 -0.557 0.295 果皮初性(X14) -0.541 0.505 0.066 -0.157 -0.473 质量分数(X15) 0.499 0.349 -0.426 0.151 -0.224 蜡粉(X16) -0.186 0.758 -0.077 0.369 0.270 果皮硬度(X17) -0.121 0.748 0.241 -0.345 0.193 瓜棱(X18) 0.546 -0.593 0.371 0.093 0.202 瓜长(X19) -0.123 0.592 0.261 0.511 0.403 植株被毛(X20) -0.245 -0.579 0.372 -0.266 0.513 瓜形(X21) -0.551 0.567 0.206 0.450 0.189 叶片中脉(X22) 0.516 0.040 0.814 -0.128 0.200 叶片下侧脉(X23) 0.571 -0.111 0.774 -0.050 -0.158 分枝性(X24) 0.289 -0.195 0.660 0.539 -0.145 直径(X25) 0.579 0.068 0.613 -0.299 -0.381 瓜面斑纹(X26) 0.553 -0.125 -0.570 0.319 0.260 果柄(X27) -0.563 -0.082 0.565 0.088 0.403 主蔓直径(X28) 0.255 0.493 0.112 0.682 -0.137 雌首花节位(X29) -0.477 -0.586 -0.105 -0.132 0.591 瓜瘤(X30) 0.459 -0.206 0.408 -0.045 -0.541 表 6 不同南瓜品种性状预测评价结果
Table 6. Prediction results of different characteristics of pumpkin cultivars
品种 F1 F2 F3 F4 F5 F综 排名 ‘奶油NL1’ 4.04 0.75 0.54 -0.26 0.86 1.65 10 ‘奶油NL2’ 4.57 0.96 0.96 -0.27 0.96 1.94 7 ‘奶油Y’ 5.04 1.03 0.61 -0.04 0.98 2.08 5 ‘玩偶’ 4.06 1.22 0.86 -0.06 0.89 1.81 9 ‘锦栗’ 5.55 1.21 0.54 -0.30 1.24 2.28 4 ‘旭日’ 4.96 1.09 0.87 -0.35 0.95 2.06 6 ‘红栗’ 6.37 1.54 0.92 -0.27 1.21 2.65 1 ‘蜜本’ 5.88 1.59 0.65 -0.20 1.13 2.45 2 ‘日本黑’ 5.88 1.50 0.74 -0.27 1.14 2.45 3 ‘黄狼’ 4.32 1.39 0.72 -0.10 0.84 1.88 8 -
[1] 中国科学院中国植物志编辑委员会.中国植物志:第73卷第1册[M].北京:科学出版社, 1986:262. [2] LIU Guimei, LIANG Li, YU Guoyong, et al. Pumpkin polysaccharide modifies the gut microbiota during alleviation of type 2 diabetes in rats[J]. Int J Biol Macromol, 2018, 115(4):711-717. [3] MILC J, CAFFAGNI A, RONGA D, et al. Evaluation of Cucurbita pepo germplasm for staminate flower production and adaptation to the frozen food industry[J]. Sci Hortic, 2016(10):213, 321-330. [4] 屈淑平, 刘超, 葛宇, 等.籽用南瓜种质资源形态学多样性分析[J].东北农业大学学报, 2013, 44(10):67-75. QU Shuping, LIU Chao, GE Yu, et al. Morphological diversity analysis of seed-used pumpkin germplasm resources[J]. J Northeast Agric Univ, 2013, 44(10):67-75. [5] 刘振威, 李新峥, 邱会云. 51种南瓜杂交组合农艺性状的相关分析和聚类分析[J].内蒙古农业大学学报(自然科学版), 2014, 35(5):24-29. LIU Zhenwei, LI Xinzheng, QIU Huiyun. The correlation and cluster analysis on agronomic characters of 51 kinds of cross combinations (F1) in pumpkins[J]. J Inn Mongolia Agric Univ Nat Sci Ed, 2014, 35(5):24-29. [6] GOMES C F, SARKIS J R, MARCZAK L D F. Ohmic blanching of Tetsukabuto pumpkin:effects on peroxidase inactivation kinetics and color changes[J]. J Food Eng, 2018, 233(4):74-80. [7] ROSE W. Principal component analysis[J]. Georgia Inst Technol, 2013, 87(4):218-225. [8] VALIENTE-GONZALEZ J M, ANDREU-GAROIA G, POTTER P, et al. Automatic corn (Zea mays) kernel inspection system using novelty detection based on principal component analysis[J]. Biosyst Eng, 2014, 117(1):94-103. [9] 边嘉宾, 施利利, 张欣, 等.稻米主要品质性状的相关及主成分分析[J].中国农学通报, 2012, 28(24):8-12. BIAN Jiabin, SHI Lili, ZHANG Xin, et al. Correlation and principal component analysis on the major quality traits of rice lines[J]. Chin Agric Sci Bull, 2012, 28(24):8-12. [10] 何文铸, 杨勤, 高强, 等.主成分分析对青贮玉米材料综合评价与筛选的研究[J].玉米科学, 2008, 16(3):26-29. HE Wenzhu, YANG Qin, GAO Qiang, et al. Screening and evaluation for the silage maize inbred lines by using PCA[J]. J Maize Sci, 2008, 16(3):26-29. [11] 郭笃发, 王秋兵.主成分分析法对土壤养分与小麦产量关系的研究[J].土壤学报, 2005, 42(3):523-527. GUO Dufa, WANG Qiubing. Principal component analysis of relationship between various nutrients in albiudic cambosols profile and wheat yield[J]. Acta Pedol Sin, 2005, 42(3):523-527. [12] 张诚.葡萄叶形结构和品种鉴别相关性研究[D].重庆: 西南大学, 2006. ZHANG Cheng. Research on the Relationship of Foliar Morphological Parameters with Grape Cultivar Identification[D]. Chongqing: Southwest University, 2006. [13] BENIC G I, SCHERRER D, SANCHO-PUCHADES M, et al. Spectrophotometric and visual evaluation of peri-implant soft tissue color[J]. Clinical Oral Implants Res, 2017, 28(2):192-200. [14] NAGENDRA R, RAO S V. An improved colorimetric method for the estimation of lactulose in lactose-lactulose mixtures[J]. Food Chem, 1992, 43(5):399-402. [15] 徐昌杰, 陈文峻, 陈昆松, 等.淀粉含量测定的一种简便方法:碘显色法[J].生物技术, 1998, 8(2):41-43. XU Changjie, CHEN Wenjun, CHEN Kunsong, et al. A simple method for determining the content of star eh:Iodine colorimety[J]. Biotechnology, 1998, 8(2):41-43. [16] 袁建民, 李易蓉, 唐文冲, 等. 37份南瓜种质资源形态性状的多样性分析[J].热带农业科学, 2012, 32(5):41-45, 75. YUAN Jianmin, LI Yirong, TANG Wenchong, et al. Diversity analysis of morphological traits of 37 pumpkin germplasm resources[J]. Chin J Trop Agric, 2012, 32(5):41-45, 75 [17] 张宏荣.南瓜农艺性状与产量及品质性状的比较研究[D].武汉: 华中农业大学, 2005. ZHANG Hongrong. Comparison Studies of Relationships between Agronomic Traits and Yield, Nutrient Quality Traits on Pumpkins[D]. Wuhan: Huazhong Agriculture University, 2005. [18] 杜晓华, 李新峥, 刘海妮, 等.南瓜前期农艺性状的主成分分析[J].西北农业学报, 2010, 19(2):168-171. DU Xiaohua, LI Xinzheng, LIU Haini, et al. Principal component analysis on prophase agronomic traits of pumpkin[J]. Acta Agric Boreal-Occident Sin, 2010, 19(2):168-171. [19] LABBAFI M, KHALAJ H, ALLAHDADI I, et al. Using models to estimation of leaf area index in Cucurbita pepo L.[J]. J Saudi Soc Agric Sci, 2019, 18(1):55-60. [20] 尹玲.南瓜感官品质分析和淀粉性质研究[D].北京: 中国农业科学院, 2012. YIN Ling. Sensory Assess and Starch Properties Analysis of Pumpkin[D]. Beijing: Chinese Academy of Agricultural Sciences, 2012. [21] 胡新军, 韩小霞, 粟建文, 等.中国南瓜可溶性固形物含量的主基因+多基因遗传分析[J].中国农学通报, 2015, 31(10):69-73. HU Xinjun, HAN Xiaoxia, SU Jianwen, et al. Genetic analysis of soluble solid content in Cucurbita moschata using mixed major gene plus polygene inheritance model[J]. Chin Agric Sci Bull, 2015, 31(10):69-73. [22] 尹玲, 王长林, 王迎杰, 等.南瓜的感官品质、质构及生化分析[J].食品科学, 2013, 34(5):26-30. YIN Ling, WANG Changlin, WANG Yingjie, et al. Sensory quality, texture and chemical composition analysis of pumpkin[J]. Food Sci, 2013, 34(5):26-30. [23] 王安君.基于RNA-Seq的南瓜果实重要品质形成的代谢和分子调控研究[D].广州: 暨南大学, 2017. WANG Anjun. The Metabolic and Molecular Regulating Mechanism of Pumpkin Fruit Quality Development Using RNA-Seq[D]. Guangzhou: Ji'nan University, 2017. [24] 徐鹏程.几个葡萄品种胚与果实发育及落粒果实品质的研究[D].南京: 南京农业大学, 2015. XU Pengcheng. Study on Embryonic and Fruit Development, Quality of Abscission Fruit of Several Grape Cultivars[D]. Nanjing: Nanjing Agricultural University, 2015. [25] 刘旭, 杨丽, 张芳芳, 等.酿酒葡萄成熟期间果实质地特性和花色苷含量变化[J].食品科学, 2015, 36(2):105-109. LIU Xu, YANG Li, ZHANG Fangfang, et al. Changes in textural properties and anthocyanins content of wine grape during maturation[J]. Food Sci, 2015, 36(2):105-109. 期刊类型引用(5)
1. 董亚坤,王钰,何紫玲,王鹏,赵昊,曾维军. 基于GEE的洱海流域土地利用/覆被分类算法对比研究. 西北林学院学报. 2024(01): 28-35 . 百度学术
2. 武英洁,冯勇,徐晓琳,刘思宇,朱辉. 典型遥感影像分类方法适用性分析. 现代电子技术. 2024(06): 137-141 . 百度学术
3. 廖超明,云子恒,罗恒,韦媛媛,凌子燕,潘桂颖. 基于特征优选的喀斯特地区覆被信息提取及精度分析. 测绘通报. 2024(02): 45-50 . 百度学术
4. 包塔娜,范文义. 基于集合卡尔曼滤波的帽儿山森林多源LAI产品重建及融合校正方法. 浙江农林大学学报. 2024(04): 841-849 . 本站查看
5. 李艳,张帆. 基于Sentinel-2影像的厦门市茶园遥感提取. 亚热带植物科学. 2023(04): 327-335 . 百度学术
其他类型引用(6)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.2020.01.019