第一作者:段倩雯(1992-),女,甘肃兰州人,在读硕士生,研究方向为草业农场管理。E-mail:[email protected]
为了预测景泰绿洲春小麦( Triticum aestivum)、燕麦( Avena sativa)、黑麦( Secale cereale)的产草量和营养品质,通过田间试验,测得牧产草量、株高和分蘖,室内测定粗蛋白、粗脂肪、中性洗涤纤维、酸性洗涤纤维、粗灰分和可溶性碳水化合物,分析各指标之间的相关性。结果表明,收获干草的3种小谷物分蘖和株高均与可溶性碳水化合物之外其它5个营养指标存在显著相关性( P<0.05),模拟轮牧的春小麦和黑麦株高与营养指标均无相关性( P>0.05),燕麦和黑麦的分蘖与6个营养指标均呈显著相关( P<0.05)。建立了根据株高预测产草量和营养品质的模型、用分蘖预测牧草营养品质的模型、用产草量预测牧草营养品质的模型、用分蘖和产草量两个因子综合预测营养品质的模型。经过与实测值对比,各预测模型的准确性均较高。
To predict forage yield and nutritional quality of spring wheat( Triticum aestivum), oat( Avena sativa) and rye( Secale cereale), the field experiment was conducted in Jingtai oasis and hay yield. Plant height, tiller density, crude protein, crude fat, NDF, ADF, crude ash and water soluble carbohydrate were determined in 2010, then the relationships among these indicators were analyzed. Under condition of hay harvest of three crops, there were significant relationship among growth indicators (plant height, tiller density, hay yield) and five nutritional indicators (except soluble carbohydrates). Undersimulated grazing, there were no significant relationships between plant height and nutritional indicators for both spring wheat and rye, but there were significant relationships between tiller density and nutritional indices for oats and rye. In terms of the above, multi-variable regression equations were established to predict the nutritional quality on basis of tiller density and forage yield, which were considerably accurate while being compared with the observed values.
小麦(Triticum aestivum)、燕麦(Avena sativa)、黑麦(Secale cereale)是全球广泛种植的一年生禾本科作物, 对环境具有广泛适应性、生长快、耐刈割、再生能力强[1, 2, 3], 产草量、粗蛋白和消化率高[1, 4, 5, 6, 7]。它们在草地农业发达的国家作为多功能作物, 既满足人类对植物性食物需求, 通过放牧或刈割通过草食家畜转化为畜产品, 满足人类对动物性食物的需求[8, 9, 10, 11, 12, 13, 14, 15]。小谷物常在冬春季或其它作物生长间期用作覆盖作物, 在其生长期间多次刈割或放牧利用, 能够有效控制病虫害[16, 17], 阻止水土流失, 营养体生产可以延长耕地的生长时间, 提高降水、光能和土地利用率[4, 18, 19]。小谷物参与草田轮作体系[16], 丰富农业系统的多样性, 增强其稳定性[20], 提高经济和生态效益[16, 21, 22]。我国小谷物用于籽实生产历史悠久, 但随着耕地农业向草地农业转型, 国内开始研究小谷物的饲草生产[1, 23, 24, 25, 26]。
国内外对饲草作物的产量和营养成分等预测有大量研究。在大尺度上, 常常建立饲草生育期主要气候因子与饲产草量的关系模型, 以预测产草量[27, 28]; 或者, 使用遥感技术反演叶面积指数(LAI)间接获取生物量信息, 建立遥感信息和饲草生育期各指标的关联性, 预测牧草饲用成分[29, 30, 31]。在中小尺度上, 一般通过饲草作物群体指标与氮营养状况预测牧草种子产量和品质[3]。也有利用CROPWAT模型、DSSAT模型和AquaCrop模型等预测饲产草量[32, 33, 34]; 另外, 还有通过饲草的化学成分和体外发酵特点来预测饲草的营养成分[35, 36, 37, 38, 39]。但利用饲草作物株高、分蘖等形态指标预测牧草产草量和品质的研究相对较少。为此, 在景泰绿洲开展春小麦、燕麦、黑麦的模拟轮牧试验, 建立预测其产量和品质的模型, 力图为我国推进粮改饲、三元种植结构提供理论与技术。
景泰绿洲地处甘、宁、蒙三省(区)交汇处, 是黄土高原、青藏高原与西北内陆干旱区的交错地带, 为引黄灌区。研究区设在兰州大学景泰草地农业试验站, 位于景泰绿洲中部(103° 33' E, 36° 43' N), 属典型温带大陆性季风气候, 年平均气温8.6 ℃, 昼夜温差大, 年降水量185 mm, 年平均蒸发量3 081 mm, 无霜期159 d, 年日照时数2 718.3 h, ≥ 0 ℃年积温3 300~3 620 ℃· d, 湿润度K值为0.51。在草原综合顺序分类法中属微温干旱温带半荒漠类[40], 优势农业系统为作物/天然草地-家畜综合生产系统[16]。
参试小谷物分别为春小麦“ 永良四号” 、燕麦“ 林娜” 、黑麦“ 甘引一号” 。完全随机区组设计, 每小区面积为4.5 m× 9 m, 小区间距1 m, 4次重复, 区组间距2 m。2010年3月23日播种, 播种量375 kg· hm-2, 行距25 cm, 播深2.5 cm。4月6日出苗。
每小区平均分成两个裂区。一个裂区每20 d刈割一次, 以模拟家畜轮牧(simulated grazing, SG), 2010年5月23日首次刈割, 留茬高度8 cm, 7月21日最后1次齐地面刈割, 整个生长期间共刈割4次。播种后、每次刈割后灌水, 试验期间共计灌水7 500 m3· hm-2, 每次灌水后追施尿素, 总计225 kg· hm-2。另一裂区全株收获做为干草(making hay, MH), 灌水量与施肥量同模拟轮牧裂区, 并且与模拟轮牧裂区每次刈割同步测定生长状况[20]。其它管理同当地农户。
每次刈割时, 在每个裂区做2个1 m× 1 m样方, SG裂区刈割高度同上, MH裂区齐地面刈割。草样分为两份:1份105 ℃烘至恒重, 测定产草量; 另1份65 ℃烘48 h, 粉碎后过0.425 mm 筛, 分析中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、粗纤维(crude fiber, CF)、粗蛋白(crude protein, CP)、粗脂肪(ether extract, EE)、可溶性碳水化合物(water soluble carbohydrate, WSC)、粗灰分(crude ash, CA)等[12]。
用SPSS 21.0, 对3种小谷物的产草量、分蘖、株高、CP、EE、NDF、ADF、CA和WSC进行相关性分析, 以及回归方程斜率和截距的差异显著性比较, 若显著性无差异将春小麦、燕麦和黑麦的数据合并后拟合, 用Microsoft Excel 2010软件绘图。
春小麦收获干草, WSC与产草量、分蘖、CP、EE、CA无显著相关性(P> 0.05), 与株高、NDF和ADF指标显著相关(P< 0.05)或极显著(P< 0.01)(表1)。春小麦模拟轮牧, 产草量、分蘖与株高三者之间除产草量与株高相关性不显著外(P> 0.05), 其它均相关性显著(P< 0.05), 分蘖与粗蛋白、粗脂肪、中性洗涤纤维显著相关(P< 0.05)或极显著相关(P< 0.01)(表1)。可见, 春小麦收获干草对WSC与其它营养成分指标之间的关系影响较大。
燕麦收获干草, 除了和CA与EE, WSC与分蘖、株高、ADF和CA之间相关关系不显著(P> 0.05), 其余两两指标间的相关性均达到显著(P< 0.05)或极显著水平(P< 0.01)(表2)。燕麦模拟轮牧, 产草量除与株高无显著相关性外, 与其它指标均达到极显著水平(P< 0.01); 分蘖除与株高无显著相关关系外, 与其它指标均达到极显著相关水平(P< 0.01); 株高除与CP和ADF显著相关外(P< 0.05), 与其它指标均无显著相关性; 其余各营养成分指标间均存在显著(P< 0.05)或极显著(P< 0.01)相关(表2)。
黑麦收获干草, 产草量除了与WSC无显著相关外, 与其它指标极显著相关, WSC与分蘖、CP、和CA之间无显著相关(P> 0.05)外, 与株高、NDF和ADF的相关性均显著(P< 0.05)(表3); 模拟家畜轮牧, 黑麦产草量和分蘖均除株高外的其它指标均极显著相关(P< 0.01), 株高与其它营养成分无显著相关, 其余各营养成分指标间均极显著(P< 0.01)相关(表3)。
2.2.1 根据株高预测产草量 随株高的增加收获干草的产草量呈对数上升, 黑麦和春小麦、燕麦的升幅(斜率)差异显著(P黑麦-春小麦< 0.001, P黑麦-燕麦=0.020), 春小麦和燕麦差异不显著(P> 0.05); 模拟轮牧的3种小谷物产草量随株高增加呈对数上升, 三者之间的升幅差异不显著(P> 0.05)(图1)。
注:不同大、小写字母分别表示3种作物的斜率间差异极显著(P< 0.01)或显著(P< 0.05)。若3种作物之间存在显著相关性且无斜率差异, 则将3种作物数据合并后拟合。下同。
Note:Different capital and lower case letters indicate significant difference of slopes of three crops at 0.01 and 0.05 level, respectively. If there is significant correlation among three kinds of crops and slope has not difference, all data will be merged and fitted. The same below.
2.2.2 根据株高预测营养成分 收获干草的3种小谷物CP和EE随着株高的增加呈对数减少趋势, 燕麦和黑麦的降幅差异不显著(P> 0.05), 均与春小麦间差异显著, (CP:P春小麦-燕麦< 0.001, P燕麦-黑麦=0.041,
P春小麦-黑麦< 0.001, EE:P春小麦-燕麦=0.003, P春小麦-黑麦< 0.001); NDF随株高呈幂函数上升, 燕麦和黑麦的升幅没有显著差异(P> 0.05), 二者与春小麦间差异显著(P春小麦-燕麦=0.024, P春小麦-黑麦< 0.001); ADF随株高呈显著对数上升趋势, 春小麦和燕麦的升幅差异显著(P春小麦、燕麦=0.014); 随株高的增加, CA显著呈线性下降, 3种小谷物间的降幅无显著差异(P> 0.05); 3种小谷物的WSC呈指数上升趋势, 燕麦与春小麦、黑麦的升幅存在显著性差异(P春小麦-燕麦=0.015, P燕麦-黑麦=0.028), 春小麦与黑麦之间差异不显著(P> 0.05)(图2)。
模拟轮牧下, 随着株高的增加, 燕麦和黑麦的CA呈幂函数上升趋势, 春小麦呈幂函数下降趋势; WSC呈线性减少, 燕麦和春小麦、黑麦的降幅(斜率)存在显著性差异(P春小麦-燕麦=0.015, P燕麦-黑麦=0.028), 春小麦和黑麦的降幅差异不显著(P> 0.05)(图3)。
随分蘖的增加收获干草的3种小谷物产草量呈指数下降, 黑麦和春小麦、燕麦的降幅(斜率)差异显著(P黑麦-春小麦=0.005, P黑麦-燕麦=0.001), 春小麦和燕麦差异不显著(P> 0.05)(图4); 模拟轮牧的3种小谷物产草量随分蘖增加呈对数下降, 黑麦和春小麦、燕麦的降幅(斜率)差异不显著(P> 0.05), 春小麦和燕麦有显著性差异(P燕麦-春小麦=0.024)。
随着分蘖的增加, 3种小谷物收获干草的CP呈对数上升, 燕麦和黑麦的升幅差异不显著(P> 0.05), 均与春小麦差异显著(P春小麦-燕麦=0.002, P春小麦-黑麦=0.002); EE呈指数增加, 春小麦与燕麦、黑麦差异显著(P春小麦-燕麦=0.004, P春小麦-黑麦=0.002); NDF和ADF随分蘖数增加呈线性下降, 3种小谷物间均无显著性差异(P> 0.05); CA呈线性上升趋势, 3种小谷物之间的降幅差异不显著(P> 0.05)(图5)。
随着分蘖的增加, 3种小谷物中CP呈线性上升, 三者间升幅(斜率)差异均不显著(P> 0.05)(图6); EE呈指数上升趋势, 燕麦和春小麦、黑麦的升幅存在显著差异(P春小麦-燕麦=0.038, P燕麦-黑麦=0.006), 春小麦和黑麦升幅的差异不显著(P> 0.05); NDF呈线性减少, 三者间降幅均无显著性差异(P> 0.05); ADF呈线性下降趋势, 三者之间降幅斜率差异不显著(P>
随着产草量的增加, 牧草的CP和EE呈对数下降, 春小麦和燕麦、黑麦降幅(斜率)差异不显著(P> 0.05), 燕麦和黑麦降幅存在极显著差异(CP:P燕麦-黑麦< 0.001, EE:P燕麦-黑麦< 0.001); NDF和ADF呈多项式变化, 三者之间的增幅差异不显著(P> 0.05); CA呈对数减少, 3种牧草之间差异不显著(P> 0.05); WSC呈多项式变化, 先增加后减少, 三者之间变化无显著性差异(P> 0.05)(图7)。
模拟轮牧条件下, 随着产草量的增加3种小谷物中CP和EE呈线性下降趋势, 三者之间的降幅均无显著性差异(P> 0.05); NDF和ADF呈多项式规律变化, 增幅差异不显著(P> 0.05); CA呈对数减少, 三者之间的降幅斜率无显著性差异(P> 0.05); WSC呈线性增加, 增幅差异不显著(P> 0.05)(图8)。
景泰绿洲春小麦、燕麦和黑麦的形态特征和营养品质性状之间有显著的相关性(表1-3)(P< 0.05), 能够相互预测(图1-图11, 表4)(P< 0.05)。美国的学者[34, 35]利用株高预测NDF, 建立紫花苜蓿的NYPQ(New York Predictive Quality)和NYHT(New York Height)预测模型, 用株高预测NDF[41, 42], 国内一般通过饲草作物群体指标与氮营养状况预测牧草种子产量和品质[3], 也有研究利用CROPWAT模型、DSSAT模型和AquaCrop模型等预测饲产草量[32, 33, 34], 本研究通过产草量和分蘖拟合的多因子预测模型预测3种小谷物的CP结果与实测值比较(图9, 表4), 春小麦(MH: CP=-0.543FY+0.017TD-1.1542; SG:CP=-1.576FY+0.000011TD+21.893)在两种利用方式下粗蛋白的预测值与实测值相近, 通过产草量和分蘖拟合方程的拟合系数分别为0.971 4、0.676 1; 燕麦(MH:CP=-0.990FY+0.005TD+15.824; SG:CP=-1.028FY-0.001TD+23.133)中MH的预测值略大于实测值, SG的预测值与实测值相近; 黑麦(MH:CP=-2.130FY-0.002TD+25.314; SG:CP=-0.604FY+0.002TD+15.632)在两种利用方式的粗蛋白的预测值与实测值相近, 通过产草量和分蘖拟合方程的拟合系数分别为0.946 5、0.748 4。说明本研究中方程可以很好地预测3种小谷物的营养品质, 春小麦和黑麦两种利用方式的实测值均有规律的分布在直线两侧, 而燕麦的实测值与预测值差距稍大, 说明春小麦和黑麦预测效果更好。
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
|
[18] |
|
[19] |
|
[20] |
|
[21] |
|
[22] |
|
[23] |
|
[24] |
|
[25] |
|
[26] |
|
[27] |
|
[28] |
|
[29] |
|
[30] |
|
[31] |
|
[32] |
|
[33] |
|
[34] |
|
[35] |
|
[36] |
|
[37] |
|
[38] |
|
[39] |
|
[40] |
|
[41] |
|
[42] |
|