打开文本图片集
摘要： 通过对竹笋表形性状的测量、主成分和聚类分析，研究其表形性状的特性，根据主成分分析结果，反映笋重量最主要的因素是笋的长度类性状，其次是笋的曲度类性状。2个主成分因子特征值的累计贡献率达72.21%。对绿竹笋进行分类定级，建议根据绿竹笋短边长、长短边差2个性状进行。根据聚类分析，建议将绿竹笋分为五类四级：特级、一级、二级、三级、等外。
关键词： 绿竹;笋; 表形性状; 主成分分析; 聚类分析
中图分类号： S 644. 2 文献标识码： A
绿竹（Bambusa oldhamii）[ 1 ] 为丛生竹，是南方极其优良的竹种，其竹笋风味极佳，种植绿竹还具有良好的生态价值[ 2 ]。绿竹笋市场价格主要由其重量因素决定，除此之外，笋的表形也是影响价格的主要因子。但在表形评判方面，例如评判因子的选择、评判等级的划分标准等内容，一直缺乏较为科学的理论基础。绿竹笋的表形为不规则的几何锥体，形状多样复杂，这是因为绿竹笋是个有机体，其形状除了自身的遗传因素决定外，还受到生长环境因素的影响，个体表型表现出复杂的多样性。同一物种其形状具有相似性，绿竹笋的形状虽然有一定的差异，但总体显现弯曲状园锥体。目前运用主成分分析和聚类分析于农产品的分类已有较多研究[ 3 - 8 ]，但在笋产品分类应用方面的研究尚未发现。本研究基于绿竹笋表形的圆锥体状，开展表形性状的多样性研究，通过对表形性状的测量、分析研究其特性，旨在长期为绿竹笋的分级提供理论基础。
1 材料与方法
1. 1 材料
绿竹笋产自于福建省尤溪、古田县2个产地。
1. 2 绿竹笋表形检测方法的理论假设
根据数学计算锥体体积V=πr2h/3方法，又由于绿竹笋大多显现弯曲状，即其表形确立的同时受弯曲度的影响。因此，以直径、高度、曲度三个方面为自变量作出理论假设来检测绿竹笋的形状。理论假设旨在研究性状间的相关性，及筛选与重量相关性显著的表形性状。
（1）笋体大小（直径）的决定性状假设有：笋体切面的最大直径（DJ）、笋体切面的最小值直径（XJ）、笋体切面的周长（ZC）。生产实践中，笋切面的圆不规则，测量笋体周长的操作简单、易行。
（2）笋体长度的决定性状假设有：笋尖测量点到笋体切面所在平面的垂直距离，即投影长高（TY）;笋体切面上最大直径与最小直径的交叉点至笋尖测量点的直线距离（SC）;笋体的最大边长（CB）;笋体的最短边长（DB）
（3）笋体曲度的决定性状假设有：笋尖到笋体切面的最长边距与最短边距的差值（CB-DB），及比值（CB/DB）;筍体切面的中心点到笋尖的连线与切面的中心点到笋尖在切面上的投影点连线，所形成的角度（JD）。
1. 3 研究方法
1. 3. 1 概念与定义
笋体“切面”指笋体上第一个完整的箨环所在的平面。笋尖的测量点为去除笋稍（箨叶）后的笋体顶部的中心点。用卡尺测量直径，皮尺测量周长、长度等，数显角度尺测量曲度。
1. 3. 2 性状的计量与分析
绿竹笋采收切割时不易掌握准确的可食用位置，因此在采收后，应该切除不可食用的“笋头”进行计量;采收后的绿竹笋很容易“老化”，当绿竹笋作为商品时，绿竹笋的要求以计量时为准。绿竹笋从土壤中取出称重前要求去除笋体外的肉眼可见的泥土等杂物;去老头（不可食用部分）;可食用部分笋体的笋箨可以保留，但不可有非完全依附在笋体上的笋箨。
试验因子的测量方法：最大直径、最小直径用卡尺测量，软尺测量周长，中心点到笋尖长度、投影高度、最长边、最短边的长度用软尺测量，直角尺测量投影高度，角度尺测量角度，带箨重（DTZ）用托盘电子秤称量。
分别在福建省尤溪县、古田县2个产地，随机抽取520个大小不一、笋体完好的绿竹笋进行测量，并进行相关分析、主成分分析、聚类分析。
1. 4 数据分析
试验数据采用Excel 2003软件整理，用DPS7.05软件对数据进行统计;主成分分析处理软件：Unscrambler;聚类分析处理软件：STATA、R。
2 结果与分析
2. 1 绿竹笋表形性状的相关性分析
2. 1. 1 笋表形各性状之间的相关性
对绿竹笋的8个表形性状进行相关性分析的结果（表1）显示，笋体切面的周长与笋的最大直径相关性很大，而与笋的最小直径相关性很小，表明笋体切面的大小主要取决于最大直径;在投影高、短边、长边、笋长4个笋体长度性状中，各性状之间的相关系数都在0.799 3以上，表明各个长度性状之间是相互关联的;笋体表形的角度与直径类性状相关系数很小，与长度类相关系数也很小，但与投影的高度、短边长度有一定的关系，反应笋体表形的角度越大笋越直，投影高度、短边长度就越大，该结果与几何学相符。
2. 1. 2 带箨重与各性状的相关性
由表1可知，带箨重（DTZ）与各表形性状的相关性强弱依次为最长边、周长、最大径、笋长、最短边、投影高，与以上六者的相关系数均大于0.679 6。在笋体的直径类3个性状（DJ、XJ、ZC）中，重量与周长、最大径相关性好，而最小径相关性较差;在笋体的长度类性状（TY、DB、CB、SC）中，最长边、笋长、最短边、投影长的相关性都较好，达到显著水平，其中最长边的相关性最好。
在曲度方面，重量与夹角相关性较差。本研究进一步对长短边比值（CB/DB）、长短边差的值（CB-DB）进行分析，结果表明笋体重量与长短边比值（CB/DB）的相关系数没有达到显著水平，重量与长短边的差值的相关系数较小，为0.295 9，但达到显著水平。长短边差的值（CB-DB）越大，说明笋的曲度越大。
2. 2 绿竹笋表形性状的主成分分析
绿竹笋表形性状的主成分分析结果（表2）表明，特征值较大的有2个因子Factor1、Factor2，其值分别是47.92%、24.28%，排列第三的Factor3值为9.22%，与前者相比大大降低。前2个主成分因子特征值的累计贡献率达72.21%，表明这2个因子解释了信息的72.21%的内容。特征根大于1的有三个因子，其主成分特征值的累积贡献率达到了81.42%。前4、前5的累积贡献率分别是90.41%、96.27%。
从三个因素对各个指标的因子载荷上看，第一个因素载荷最大的是短边（0.952 1），载荷量大的还有投影（0.942 9）、笋长（0.913 1）、長边（0.822 4），这四个因子都是笋长度类因子，即都是随笋长度（高度）的增加而增加，四者之间的相关系数大于0.897 6以上;第二个因素载荷最大的是长短边差，值为0.951 3，其次为长短边比及角度，这三个因子为假设的笋曲度类性状;第三个因素载荷最大的是最小径。所以从主成分分析结果上看，反映笋重量的主要性状是笋的长度，其次是笋的曲度性状，第三为最小径。进一步选择最大载荷值的性状，即为短边、长边短边差、最小径。
2. 3 绿竹笋表形性状的聚类分析
绿竹笋形状的聚类分析采用平均距离法，根据树系图（图1）和参考已有的绿竹笋分级标准[ 9 - 10 ]，以及部分地方市场销售分级习惯，将绿竹笋分为5组。计算机输出5组的分析结果中，每组分析结果包含样本数、均值、最小值、最大值。根据主成分的分析结果（表2），对3个特征值最大的Factor1、Factor2、Factor3中载荷量最大的变量（因子）进行归类，即选择Factor1中的DB、Factor2中的CB-DB、Factor3中的XJ进行归类（表3）。表3中的“均值”为聚类分析中样本组别（类别）的平均值，“组间中值”为根据两组的均值所取的中点值，该中值作为级别的分界点。
根据主成分分析结果（表2），选择短边长作为最主要的定级依据，从特征值的累计看，第一特征值因子Factor1其贡献率达47.92%，而短边长的载荷最大（0.952 1）。
反映曲度的长短边差是主成分分析中的第二特征因子Factor2（贡献率24.28%）的最大载荷因子。在曲度方面，本研究认为应对反映曲度的长短边差进行排序（次序）颠倒，这是因为该试验的主成分分析是以绿竹笋的重量为基础，忽略了市场销售中的人们的感官审美因素。
在最小直径方面，各组的值不是显现递增或递增排序，而是出现交叉状态。反映曲度的最小直径，是主成分分析中的第三特征Factor3（贡献率9.22%）的最大载荷因子。
在样本量的分布上，绿竹笋的分布主要是一组和二组，分别占49.2%、44.6%，而三组占比1.7%，四组占比4.1%。
2. 4 绿竹笋的分级建议
根据聚类分析结果和市场销售中的人们的感官审美要求，建议根据绿竹笋短边长、长短边差两个性状对绿竹笋进行分类定级，表3中的“组间中值”作为级别的分界点。同时建议将绿竹笋分成五类四级：特级、一级、二级、三级、等外（表4）。
同时满足DB、CB-DB两个划定标准者制定对应的等级，否则以低条件者定级。例：当DB≥13.55或<16.94，且CB-DB≥3.15时，笋体定为一级;当DB≥13.55，而CB-DB<3.15时，笋体定级以CB-DB所在级别为准。从表4、表5中看出绿竹笋在数量分布上，三级笋与二级笋占绝大多数，合计占93.8%、特级笋的占比大于一级笋，分别为4.1%、1.7%。
3 小结与讨论
3. 1 绿竹笋带箨重与各表形性状的相关性强弱依次为最长边、周长、最大径、笋长、最短边、投影高，相关系数均大于0.679 6，最长边、最大径、笋长、最短边、投影高是笋体的长度类性状，表明绿竹笋的带箨重与笋的长度相关性最大。
3. 2 根据主成分分析结果，前2个主成分因子特征值的累计贡献率达72.21%，特征值大于1的有三个因子，累积贡献率达到了81.42%。从各个指标的因子载荷上看，反映笋重量最主要的性状是笋的长度，其中直径类的载荷也比较大（周长0.736 1，大径0.716 1），这与相关性分析一致;其次是笋的曲度类性状，曲度类的主成分分析结果与相关性分析结果有所差异，相关性的分析结果是带箨重与长短边差、长短边比等的相关系数较小，对此本研究亦未能很好地解析，尚待进一步研究。
3. 3 本研究对主成分的分析结果进行了排序（次序）颠倒，这是由于主成分分析忽略了市场销售中的人们的感官审美因素，以此来反映曲度的长短边差在分级中的应用。根据聚类分析树系图，建议根据绿竹笋短边长（DB）、长短边差（CB-DB）两个性状进行分类定级。分别是：特级、一级、二级、三级、等外。
参考文献
[1] 1989-2013 Flora of China编委会. Flora of China[M]. 北京：科学出版社， 密苏里植物园出版社， 2006.
[2] 朱勇. 绿竹[M]. 北京： 中国林业出版社， 1997.
[3] 郝建平， 杨锦忠， 杜天庆， 等. 基于图像处理的玉米品种的种子形态分析及其分类研究[J]. 中国农业科学， 2008， 41（4）： 994 - 1 002.
[4] 王丰元， 周一鸣. 种子形状参数检测的计算机图象处理技术[J]. 农业机械学报， 1995， 26（2）： 52 - 57
[5] 赵凯歌， 虞江晋芳， 陈龙清. 蜡梅品种的数量分类和主成分分析[J]. 北京林业大学， 2004， 26： 79 - 83.
[6] 张毅华， 张耀文， 张泽燕. 绿豆种质资源表型性状多样性分析[J]. 农业学报， 2013， 3（1）： 15 - 19.
[7] 陈河龙， 張世清， 高建明， 等. 芦笋种质资源形态多样性分析[J]. 热带农业科学， 2016， 36（5）： 55 - 60.
[8] 阮成江， 何祯祥， 钦佩， 等. 海滨锦葵数量性状的相关和主成分分析（英文）[J]. 南京林业大学学报（自然科学版）， 2003， 27（5）： 6 - 11.
[9] DB35/568-2004. 绿竹笋[S]. 北京： 中国标准出版社，2004.
[10] DB33/T 343-2015. 绿竹笋（马蹄笋）栽培技术规程[S]. 北京： 中国标准出版社， 2015.
The Research of Phenotypic Characters Diversity and Suggestion of Classification of Bambusa oldhamii Bamboo Shoot
ZHU Yong
（Youxi County Forestry Bureau of Fujian Province， Fujian Youxi 256500）
Abstract Bambusa oldhamii is native to Taiwan and southeastern China， but has been widely cultivated elsewhere because young shoots are cultivated for their texture and taste. To analyze the diversity of the phenotypic characteristics of B. oldhamii bamboo shoot， measurements were made of phenotypic characters followed by principle component and cluster analyses. These data were also used to suggest a classification system for bamboo shoots. The results of principle component analysis show the length and curvature of bamboo shoots can be used to estimate their weight. The first two principle components accounted for 72.21% of the variation in the data. The shorter length of bamboo shoots along with the difference between the shorter and longer length were used to classify bamboo shoots. Based on cluster analysis， the bamboo shoots were classified into five quality classes： best， second， third， fourth， and other quality.
Key words Bambusa oldhamii; Bamboo shoot; Phenotypic character; Principal component analysis; Cluster analysis