基于熵值赋权的DTOPSIS法对鲁南地区11个饲用燕麦品种的综合评价研究

张春艳 庄克章 吴荣华 李 静 李新新王 恒 董西辰 徐 赓 吴本华

（1临沂市农业科学院，276012，山东临沂；2日照市农业技术服务中心，276826，山东日照；3沂南县畜牧发展促进中心，276300，山东临沂）

饲用燕麦（Avena sativa L.）又称皮燕麦、普通栽培燕麦，与裸燕麦（Avena nuda L.）同属禾本科早熟禾亚科燕麦属植物，是一种优良的饲草作物。燕麦的青刈茎叶较其他麦类作物更富含营养[1-2]，嫩而多汁，适宜青饲或调制干草。与其他牧草相比，燕麦干草的中性洗涤纤维含量较低且更为适口[3-4]，其水溶性碳水化合物含量丰富，且钾含量低于2%，是一类能量高、有效纤维丰富、质地柔软、适口性好的优质禾本科饲草[5-8]。近年来，随着人们生活水平的提高，牛羊肉和奶制品需求量也越来越大，鲁南地区牛羊饲养量不断增加，饲草需求量持续扩大，亟需优质牧草来满足当地饲养业需求，饲用燕麦在鲁南地区种植还存在盲目性。大量研究[9-10]显示，不同燕麦品种因遗传基础不同，其适应能力和生长潜力差异较大，因此需要筛选出适合本地区生态条件的燕麦品种。

DTOPSIS法已经用于对大豆[11]、小麦[12]、水稻[13]和玉米[14]等多种作物进行评价，传统的DTOPSIS法是采用等权赋值或根据经验进行赋值，易因权重赋值不合理导致评价结果不准确。熵权法是一种客观赋权方法，其权重计算完全按照指标间数值的离散程度来设置，对评价系统各指标赋予权重，可剔除指标体系中对评价结果贡献不大的指标，规避主观因素对结果的影响，能有效排除人为干扰因素，使研究结果更加公正有效[15-16]。已有学者在不同地区开展了关于燕麦品种的筛选评价相关研究[17-20]，但关于鲁南地区饲用燕麦种植品种筛选的研究未见报道。本研究以鲁南地区种植的11个燕麦品种为试验材料，运用DTOPSIS法，并采用熵值法对各评价指标赋权，综合评价燕麦的生长性状、产量以及营养品质等，探讨一种新的燕麦综合评价方法，为筛选出适宜当地推广种植的燕麦品种提供参考。

1 材料与方法

1.1 供试材料

供试的11个燕麦品种由山东省农业可持续发展研究所提供，具体信息见表1。

表1 燕麦品种及来源Table1 The origin of oat varieties

1.2 试验地概况

试验在山东省临沂市农业科学院试验田（35°10′83″E，118°26′92″N）进行，该地属暖温带季风气候，常年降水量约840mm，无霜期在200d以上。土壤为潮土，前茬作物为玉米，0～20cm耕层土壤基础养分为全氮127.6mg/kg、全磷14.25mg/kg、速效钾135mg/kg、有机质119mg/kg。

1.3 试验设计

参试品种于2019年3月5日播种，采用随机区组设计，小区面积36m2（8.0m×4.5m），采用条播，播种深度3cm，行距30cm，边距10cm，共15行，小区播种量15g/m2，6月12日收割。

1.4 测定指标与方法

1.4.1 生长性状 株高：每个小区抽取10株燕麦测量其绝对高度。茎叶比：每个小区在收获前取2行0.23m样段，齐地刈割后分成茎、叶和穗3部分称重，分别装入牛皮纸袋置于105℃烘箱中杀青30min后，在80℃条件下烘至恒重，称重并计算茎叶比。

1.4.2 营养成分 利用凯氏定氮法测定粗蛋白（crude protein，CP）含量；利用范氏洗涤法测定中性洗涤纤维（neutral detergent fiber，NDF）和酸性洗涤纤维（acid detergent fiber，ADF）含量；用索氏浸提法测定粗脂肪（crude fat，EE）含量；样品经600℃高温灼烧氧化后称重测定粗灰分（ash，ASH）。

1.4.3 相对饲草品质（relative forage quality，RFQ）根据以下公式[21]计算相关指标：DMI（%BW）=120/NDF（%DM）；DDM（%DM）=88.9-0.779×ADF（%DM）；RFV=DMI×DDM/1.29；RFQ=1.9499RFV-67.038（R2=0.7552）。

式中，DMI（dry matter intake）为干物质采食量（%BW）；DDM为可消化性干物质(%DM)；DM为干物质；%BW为占动物代谢体重的百分比；RFV为相对饲喂价值。

1.5 数据处理

1.5.1 DTOPSIS法 对11个燕麦品种及其性状指标进行平均值（3次小区重复）处理，构建比较矩阵，设有i个品种，j个性状指标，建立评价矩阵P：

式中，Ej为第j个指标的熵值，其中Ej不能大于1，lnN必须大于0。

各项指标的权重W：

采用Excel 2003和SPSS 16.0软件进行计算、作图和方差分析。

2 结果与分析

2.1 构建比较矩阵

将11个燕麦品种及其10个性状指标构成比较矩阵（表2），株高、鲜重、干草产量、茎叶比、NDF、ADF、EE、CP、ASH和RFQ作为评价性状。

表2 11个燕麦品种的性状及产量Table 2 The quality properties and yields of 11 oat varieties

2.2 无量纲化处理

将11个燕麦品种的比较矩阵进行无量纲化处理。燕麦在生产上作为饲料，除高产外，还要求低纤维、高脂肪和高蛋白等，因此将株高、鲜重、干草产量、EE、CP、ASH和RFQ作为正向指标，茎叶比、NDF和ADF作为负向指标。由正向指标公式（1）和负向指标公式（2）计算得到无量纲化矩阵Z（表3）。

表3 11个燕麦品种的无量纲化矩阵Table 3 Dimensionless matrix of 11 oat varieties

2.3 确定各指标权重

根据表2计算出各性状指标比重矩阵P（表4）。由公式（9）和（10）计算品种对性状的贡献量矩阵X（表5），由此计算各指标的熵权及权重（表6）。

表4 11个燕麦品种的性状指标的比重矩阵Table 4 Specific gravity matrix of 11 oat varieties

表5 11个燕麦品种对性状的贡献量Table 5 Contribution of 11 oat varieties to characters

表6 燕麦各性状的熵权及权重Table 6 Entropy weights and weights of different oat indicators

2.4 建立决策矩阵

各性状指标权重（ai）乘以矩阵Z的第j列得到决策矩阵R（表7）。

根据公式（3）（4）和表7，得到正理想解和负理想解序列。

表7 11个燕麦品种的决策矩阵Table 7 Dcision matrix of 11 oat varieties

正理想解序列为：

负理想解序列为：

2.5 关联度计算

根据公式（5）（6）（7）计算出Ci，并按照Ci及产量排序。由表8可知，Ci值最大的是燕王（0.8007），其产量排在第4位，说明燕王不但产量高，其他各性状综合表现也比较优异。排在第2位的是牧王，其产量最高，魄力Ci值排第3位，产量排第5位；贝勒排第4位，产量排第2位。青海444和林纳的Ci值为最后2位。

表8 DTOPSIS法计算结果Table 8 Calculation results of DTOPSIS method

3 讨论

3.1 不同燕麦品种生产性能及品质

燕麦生产性能包括产量、植株高度及生长情况等。在本研究中，品种间各指标差异显著。株高最高的为青海444（122.3cm），燕王株高最低（88.0cm）。饲草产量反映了饲草的生产性能，本研究中，11个供试燕麦品种鲜草产量为29.83～66.70t/hm2，干草产量为9.63～16.12t/hm2，其中林纳鲜草产量最低，燕王最高。茎叶比影响牧草的适口性及青干草品质[22-23]，牧王和燕王的茎叶比较低，说明其适口性好，青干草品质高；NDF含量影响动物采食率，ADF含量影响饲草消化率[24-25]，本研究中饲用燕麦NDF含量在46.28%～63.18%，青引1号最低，燕王最高，ADF含量在33.11%～42.63%，加燕2号最低，牧王最高。ASH代表牧草中矿物质，含量越高，品质越好，本研究中饲用燕麦ASH含量8.38%～11.76%，贝勒最低，燕王最高。CP能满足动物对蛋白质需求，含量越高，营养品质越好，本研究中饲用燕麦CP含量为7.61%～12.33%，其中加燕2号最低，青引1号最高。EE提供动物生长发育必需脂肪酸和提供动物生命活动所需热能[26-27]，11个饲用燕麦品种EE含量在7.62%～12.57%，其中牧王最低，魄力最高。RFQ用来评价燕麦牧草质量，其值越高，饲料价值越高[28]，本研究中饲用燕麦的RFQ都在160以上，青引1号、贝勒、青海444、加燕2号和贝勒的RFQ均在200以上。本研究燕麦产量与已有研究[19,29-32]的结果差异较大，可能与品种特性、种植密度、生育期、海拔高度、生态环境、栽培方式和收获期不同等有关。

3.2 基于熵权赋值的DTOPSIS法的结果

前人[1,24,30-31,33-37]对于燕麦品种的评价多用灰色关联度法，其优点是不需要满足概率论分布，对样本容量没有要求，且方法简单、工作量少等，但是其缺点在于需要对各项指标的最优值进行现行确定，主观性过强，同时部分指标最优值难以确定，例如，一般来说燕麦株高越高其产量越高，但是植株过高往往会带来倒伏的风险，所以最佳株高不好确定。而一个品种往往包括多个性状指标，各个性状指标无统一度量，而且许多性状指标之间呈负相关关系，因而灰色关联度法难以找到各性状都达到理想目标的品种[38]。利用DTOPSIS法来对作物进行评价已有研究[39]。DTOPSIS法更侧重于品种的综合性状[40]，符合本研究的试验目的。前人[40-45]在多种作物上的研究认为，DTOPSIS法比灰色关联度法更适用于较多品种的归类淘汰，在客观评价作物方面分辨力更强结果更准确。运用DTOPSIS法评价作物品种的关键在于参考性状的选择和权重大小的确定，而熵权赋值有效解决了经验赋权等主观因素的干扰，其结果更客观。本研究利用熵权赋值的DTOPSIS法对11个燕麦品种的生产性能及饲用品质进行评价，发现性状指标权重大小直接决定了燕麦品种的综合评价，这与前人[46-47]研究结果一致，性状指标中权重最大的是茎叶比（0.2583），其余依次是鲜重、EE含量、RFQ、干草产量、CP含量、株高、NDF含量、ASH含量和ADF含量，符合对燕麦饲料的要求。

4 结论

利用基于熵值赋权的DTOPSIS法对鲁南地区11个燕麦品种进行评价，性状指标中权重由大到小依次是茎叶比、鲜草产量、EE含量、RFQ、干草产量、CP含量、株高、NDF含量、ASH含量和ADF含量，符合对燕麦饲料的要求。其中燕王、牧王、魄力、贝勒和甜燕麦不仅产量较高，综合品质表现也较优异，适宜在鲁南地区种植推广。