ارزيابي تغييرپذيري عملكرد ذرت بر مبناي خصوصيات خاك و آناليز مولفه هاي اصلي

Evaluation of Maize Yield Variability Based on Soil Properties and Principal Component Analysis

اجراي يك برنامه‌ي مديريتي موفق خاك و گياه نيازمند آگاهي از كميت ويژگي هاي مكاني و ميزان تاثير آن ها بر عملكرد محصول است. خصوصيات خاك از مهمترين ويژگي هاي مكاني موثر بر تغييرپذيري عملكرد در مقياس مزرعه اي مي باشد. از اين رو در اين پژوهش، همبستگي هاي متقابل بين خصوصيات خاك از جنبه هاي فيزيكي، شيميايي و بيولوژيكي با يكديگر و با عملكرد ذرت با استفاده از آناليز مولفه هاي اصلي (PCA) مورد ارزيابي قرار گرفت. براي اين منظور 18 متغير خاك و عملكرد ذرت در بخشي از اراضي كشاورزي مزرعه نمونه آستان قدس، شهرستان مشهد اندازه گيري شد. جهت كاهش تعداد متغيرهاي مورد مطالعه و حذف اثر چند هم خطي بين متغيرها از آناليز مولفه هاي اصلي استفاده شد. بر اساس نتايج حاصل، 4 مولفه اصلي با مقدار ويژه ? 1 و در برگيرنده 67 درصد تغييرات داده هاي اندازه گيري شده انتخاب گرديد. سپس خصوصيات خاك به مولفه‌هاي ظرفيت بالاي توصيف كننده حاصلخيزي خاك، ظرفيت متوسط توصيف كننده حاصلخيزي خاك، ظرفيت ميزان نفوذپذيري خاك و ظرفيت ميزان هم آوري خاك گروه بندي شدند. نتايج نشان داد كه مولفه ظرفيت بالاي توصيف كننده حاصلخيزي خاك با 43 درصد توصيف واريانس داده ها حدود 77درصد تغيير پذيري عملكرد ذرت را در مقياس مزرعه اي مي تواند توضيح دهد. بنابراين آناليز مولفه هاي اصلي امكان توصيف قسمت اعظمي از تغييرپذيري عملكرد محصول را با حذف اثر چند هم خطي فراهم مي سازد.

Successful implementation of soil and crop management program requires quantitative knowledge of site characteristics and interactions that affect crop yield. Soil properties are one of the most important site variables affecting within- field yield variability. The objective of this research was to identify intercorrelations among soil properties (chemical, physical and biological) using principal component analysis (PCA) and their relationships with maize yield variability in field. Site variables (18) and maize yield were measured in selected parts of Astan Quds agricultural fields in Mashhad city. The principal component analysis was used to reduce the site variables numbers and remove multicollinearity among variables. The first four PCs with eigenvalues > 1 accounted for > 67% of variability in measured soil properties. Soil properties were grouped in four PCs as: (PC1) Soil highly descriptive fertility potential, (PC2) Soil moderately descriptive fertility potential, (PC3) Soil permeability potential, (PC4) Soil aggregation potential. The results showed that the factor of soil highly descriptive fertility potential explained 43% of variance and accounted for 77% of the yield variability in the field. Principal component analysis allows explaining a major part of crop yield variability by removing the multicollinearity.