基于灰色关联与DTOPSIS框架的贵州多生态区青贮玉米品种综合评价与筛选

Comprehensive evaluation and screening of silage maize varieties in multiple ecological regions of Guizhou Province based on grey relational analysis and a DTOPSIS framework

摘要

为应对贵州省内不同区域的显著气候异质性并解决优质饲草短缺问题，本研究旨在通过多环境测试（METs）和多标准决策（MCDM）模型，构建一个科学的品种评价体系，筛选出适宜于贵州不同生态区的优良品种。研究在贵州东部（思南）、中部（贵定）和西部（大方）3个典型生态区，对21个青贮玉米品种进行了随机区组试验，系统测定了鲜草产量、干物质产量、粗蛋白和相对饲用价值等10项关键指标，采用灰色关联度分析（GRA）探明影响品种表现的关键气象因子，并构建了熵权动态逼近理想解排序（DTOPSIS）模型对各品种在不同生态区的综合表现进行客观排序。研究发现，品种在不同位点的综合排序差异明显。灰色关联度分析表明，与传统温带地区不同，日平均降水量和日平均光合有效辐射是限制贵州青贮玉米干物质产量和粗蛋白含量的关键气象因子，关联系数分别为0.7429、0.6678。基于熵权DTOPSIS模型的综合评价，筛选出了适应不同生态区的最优品种：东部及中部暖湿地区（思南、贵定）表现较优的品种为豫青贮23、大京九4059和曲辰19号。西部相对冷凉地区（大方）则推荐京科青贮932、曲辰512和京九青贮16。本研究首次为贵州复杂山区的青贮玉米提供了基于基因型（G）×环境（E）互作和MCDM模型的区域化布局方案，为“粮改饲”政策的精准实施和区域草食畜牧业发展提供了关键的决策支持与理论依据。

Abstract

To address the pronounced climatic heterogeneity within Guizhou Province and a scarcity of premium forage， this study aimed to construct a scientific cultivar evaluation framework utilizing multi-environment trials and multi-criteria decision-making （MCDM） models. The objective was to identify cultivars optimally suited for the distinct ecological zones of the region. The investigation involved field trials of 21 silage maize （Zea mays） cultivars， conducted across three representative ecological zones of Guizhou-eastern （Sinan）， central （Guiding）， and western （Dafang）-using a randomized complete block design. Ten critical parameters， encompassing fresh yield， dry matter yield， crude protein， and relative feed value， were systematically assessed. Grey relational analysis （GRA） was employed to elucidate the key meteorological determinants influencing cultivar performance， and an entropy-weighted dynamic technique for order preference by similarity to ideal solution （DTOPSIS） model was constructed for the objective ranking of the overall performance of each cultivar within each ecological zone. The results revealed significant variations in the rankings of cultivars across the different trial sites. The GRA indicated that， in contrast to traditional temperate zones， daily average precipitation and daily average photosynthetically active radiation were the primary limiting meteorological factors constraining the dry matter yield and crude protein content of silage maize in Guizhou， exhibiting high relational degrees （0.7429 and 0.6678， respectively）. The multivariate evaluation via the entropy-weighted DTOPSIS model facilitated the identification of cultivars adapted to specific ecological niches. For the warm and humid eastern and central regions （Sinan， Guiding）， the better-performing cultivars were identified as Yu silage 23， Dajingjiu 4059， and Quchen No.19. By contrast， for the cooler western region （Dafang）， Jingke silage 932， Quchen 512， and Jingjiu silage 16 were recommended. This study provides a novel， regionalized deployment strategy for silage maize in the complex mountainous terrain of Guizhou， grounded in genotype×environment （G×E） interaction analysis and MCDM modeling. It offers crucial decision-making support and a theoretical foundation for the precise implementation of the national “Grain-to-Fodder” policy and the sustainable development of the regional grass-feeding livestock industry.

Graphical abstract

关键词

青贮玉米 / 品种 / 产量 / 营养品质 / 灰色关联度分析 / 动态逼近理想解排序

Key words

silage maize / variety / yield / nutritional quality / grey relational analysis / dynamic technique for order preference by similarity to ideal solution

青贮玉米（Zea mays）因其生物量大、营养价值均衡、适口性好、易于贮藏等特点，是畜牧业发展中的重要饲草作物^［1］，自2015年我国实施“粮改饲”政策以来，青贮玉米的战略地位日益凸显^［2］，已成为缓解“草畜矛盾”、保障国家食物安全的重要支撑^［3］。饲草作物的产量和品质是复杂的数量性状，由其基因型（genotype，G）、栽培环境（environment，E）及其互作（G×E）共同决定。G×E互作效应可能导致同一品种在不同生态环境下的表现发生显著变化甚至排序翻转^［4-5］，对饲草作物品种的跨区域布局构成挑战。因此，开展多环境测试（multi-environment trials，METs），是最大限度发挥优良品种遗传潜力、优化农业生产效益的核心前提。

贵州省地处中国西南喀斯特山区，地形地貌复杂，形成了黔东、黔中、黔西等气候特征迥异的多个生态区，为研究G×E互作提供了天然的试验平台。近年来，贵州草食畜牧业的迅猛发展，使得优质饲草供给不足的问题日益突出^［6-7］。青贮玉米被视为解决该问题的关键作物，但目前该地区品种的引种与推广多依赖于局部、单一环境的试验结果，缺乏系统性多环境评价，难以精准适配区域生态条件，制约了优良品种潜力发挥与产业效益提升。因此，亟需构建科学、客观的评价体系，以精准识别并推荐适宜于贵州不同生态区的青贮玉米品种。

面对多品种、多性状、多环境的复杂评价，传统的单一指标分析方法已难以胜任。多标准决策（multi-criteria decision-making，MCDM）模型，如基于熵值赋权的动态逼近理想解排序（dynamic technique for order preference by similarity to ideal solution，DTOPSIS）综合评价法，为作物品种的综合筛选提供了强大的分析工具^［8-10］。同时，厘清导致品种表现差异的关键环境驱动因子是理解基因型×环境互作内在机理的核心，而灰色关联度分析（grey relational analysis，GRA）正是识别复杂系统中主导因素并评估其影响的有效方法^［11-13］。鉴于此，本研究在贵州东、中、西3个典型生态区同步开展了21个青贮玉米品种的田间试验，旨在：1）量化评估不同品种在不同生态区的产量及营养品质表现，明确基因型×环境互作的效应；2）利用灰色关联度分析，探明影响品种表现的关键驱动及限制性气象因子；3）构建基于熵权DTOPSIS的综合评价模型，客观筛选出适宜于各区域的优良品种组合，为贵州省青贮玉米的科学化、区域化布局提供决策支持与理论依据。

1 材料与方法

1.1 试验地概况

本试验在2022年分别于贵州省铜仁市思南县塘头镇（27°44′ N，108°11′ E，海拔386 m）、黔南布依族苗族自治州贵定县昌明镇（26°25′ N，107°17′ E，海拔1100 m）和毕节市大方县星宿乡（27°24′ N，105°56′ E，海拔1760 m）开展，三地均属于亚热带湿润季风气候。不同位点多年气象数据见表1，2022年各试验点土壤理化性质及青贮玉米生长季气象数据见表2及图1。

1.2 试验设计

结合文献调研与前期研究，最终确定了在3个生态区参试的21个供试青贮玉米品种，详见表3。3个试验点统一采用随机区组设计，每个品种设置4个重复，单个试验点共计84个小区，小区的面积为32.4 m²（6.0 m×5.4 m），小区间隔1.5 m。播前采用小型旋耕机（宗申1WG-6.3，重庆；威马1WG4.0-100FQ-ZC，重庆；威马1WG6.3-135FC-Z，重庆）对思南、贵定和大方的试验地进行耕作，深度约20 cm，于2022年4月5日、4月15日和4月25日分别在思南、贵定和大方进行播种，密度为81000株·hm^-2，行间采用宽窄行设计（80 cm+40 cm），株距20 cm，穴播种植，播深3~5 cm。基肥在播种前施入，分别为尿素（N≥46%）、过磷酸钙（P₂O₅≥18%）和硫酸钾（K₂O≥52%），施氮（N）量48.3 kg·hm^-2，施磷（P）量81.0 kg·hm^-2，施钾（K）量46.8 kg·hm^-2，在拔节期和大喇叭口期施用尿素（N≥46%）作为追肥，施肥量分别为62.1和82.8 kg·hm^-2。病虫草害防治等田间管理与当地青贮玉米生产保持一致。青贮玉米生育期分别为思南4月5日至8月5日，共122 d；贵定4月15日至8月15日，共122 d；大方4月25日至8月26日，共123 d。

1.3 测定项目及方法

1.3.1 气象因子测定

青贮玉米生育期内的气象数据，包括生育期日平均温度（daily average temperature，DAT）、日平均降水量（daily average precipitation，DAP）、日平均光合有效辐射（daily average photosynthetically active radiation，DAPAR）均通过各试验点气象站（YGGL-QXZ，北京云谷硅力科技有限公司，北京）获取。生育期有效积温（growing degree days，GDD）采用以下公式计算^［11］：

GDD={\sum }_{t=\mathrm{1}}^N(\frac{T_{\mathrm{m}\mathrm{a}\mathrm{x}}+T_{\mathrm{m}\mathrm{i}\mathrm{n}}}{\mathrm{2}}-T_{\mathrm{b}\mathrm{a}\mathrm{s}\mathrm{e}})（1）

式中：t为从播期开始算起的第1天；N为从播种到收获的天数；T_max和T_min分别为第t天的日最高气温和日最低气温。青贮玉米开始生长基础温度T_base=10 ℃，最高温度为T_top=35 ℃，当T_max>T_top时，T_max=T_top。

1.3.2 产量测定

在乳熟末期到蜡熟初期之间收获全株青贮玉米，采用小区测产的方式^［14］测定青贮玉米鲜草产量，每个小区随机选取7株青贮玉米，从根部整株刈割，留茬高度为5 cm左右。带回实验室后于烘箱内105 ℃杀青30 min，65 ℃下烘干至恒重，确定其干物质产量。

1.3.3 营养品质测定

烘干的青贮玉米粉碎过1 mm筛后用于营养品质的测定：粗蛋白（crude protein，CP）含量采用凯氏定氮法测定，参考GB/T 6432-2018^［15］；中性洗涤纤维（neutral detergent fiber，NDF）和酸性洗涤纤维（acid detergent fiber，ADF）含量采用滤袋法和过滤法测定，参考GB/T 20806-2022^［16］和NY/T 1459-2022^［17］；粗脂肪（ether extract，EE）含量采用近红外法测定，参考GB/T 24902-2010^［18］；粗灰分（crude ash，CA）含量采用灼烧法测定，参考GB/T 6438-2007^［19］；淀粉（starch，ST）含量采用旋光法测定，参考GB/T 20194-2018^［20］；水溶性碳水化合物（water soluble carbohydrates，WSC）采用硫酸-蒽酮比色法测定^［21］。

相对饲用价值（relative feed value，RFV）的计算公式如下^［22］：

RFV=\frac{DMI\times DDM}{\mathrm{1.29}}（2）

DMI=\frac{\mathrm{120}}{NDF}（3）

DDM=\mathrm{88.96}-\mathrm{0.779}\times ADF（4）

式中：DMI是干物质采食量［dry matter intake，%BW（体重body weight）］，DDM是可消化干物质含量［digestible dry matter content，%DM（干物质dry matter）］。

1.4 气象因子与青贮玉米产量及营养品质的灰色关联度分析

确定参考数列和比较数列：将21个青贮玉米品种产量、营养品质及各气象因子设为一个整体，即为灰色系统，设产量或营养品质为参考数列X₀；日平均温度、有效积温、降水量、光合有效辐射分别为比较数列X₁、X₂、X₃和X₄。

数据无量纲化处理：由于原始数据中各气象因子、产量和营养品质的量纲不同，采用均值化方法，即用各数据列的值除以该数据列的平均值。

计算灰色关联系数：根据原始数据标准化处理结果，进一步求出X₀与各气象因子X_i 对应点的绝对差值，即Δ _i （k）=|X₀（k）-X_i （k）|，求出关联系数ε_i （k），计算公式如下^［23］：

{\epsilon }_i(k)=\frac{\mathrm{m}\mathrm{i}\mathrm{n}\left[\mathrm{m}\mathrm{i}\mathrm{n}\left|x_{\mathrm{0}}\left(k\right)-x_i\left(k\right)\right|\right]+\mathrm{\rho }\times \mathrm{m}\mathrm{a}\mathrm{x}\left[\mathrm{m}\mathrm{a}\mathrm{x}\left|x_{\mathrm{0}}\left(k\right)-x_i\left(k\right)\right|\right]}{\left|x_{\mathrm{0}}\left(k\right)-x_i\left(k\right)\right|+\mathrm{\rho }\times \mathrm{m}\mathrm{a}\mathrm{x}\left[\mathrm{m}\mathrm{a}\mathrm{x}\left|x_{\mathrm{0}}\left(k\right)-x_i\left(k\right)\right|\right]}（5）

式中：min［min|x₀（k）-x_i （k）|］为二级最小差；max［max|x₀（k）-x_i （k）|］为二级最大差；ρ为分辨系数，此处为0.5。

1.5 熵值赋权的DTOPSIS分析

熵原为热力学概念，现被用来度量信息的不确定性。熵权法通过计算指标的熵值来确定指标的权重。动态逼近理想解排序（DTOPSIS）法通过构造评价问题的正理想解和负理想解，计算各评价对象与正、负理想解的距离，进而得到各评价对象与正理想解的接近程度，以此作为评价优劣的依据。熵值赋权的DTOPSIS法是将熵权法确定的客观权重引入到DTOPSIS法中，先利用熵权法计算各指标的权重，再将这些权重用于DTOPSIS法的加权决策矩阵构造等步骤^［24］。

1.5.1　熵值法确定各项指标权重　　1）各品种各指标的比重P_ij，即计算各供试品种的指标值占全部品种指标值之和的比重，计算公式如下：

P_{ij}=\frac{X_{ij}}{{\sum }_{i=\mathrm{1}}^N{X}_{ij}}（6）

式中：N为品种总数；X_ij 为品种的指标值，i为品种，j为指标。

2）各项指标的熵权e _j，计算公式如下：

{\mathrm{e}}_j=-\frac{\mathrm{1}}{\mathrm{l}\mathrm{n}N}{\sum }_{i=\mathrm{1}}^N{P}_{ij}\mathrm{l}\mathrm{n}{P}_{ij}（7）

3）各项指标的权重w_j，计算公式如下：

w_j=\frac{\mathrm{1}-{\mathrm{e}}_j}{{\sum }_{j=\mathrm{1}}^N(\mathrm{1}-{\mathrm{e}}_j)}（8）

式中：N为指标总数。

1.5.2　DTOPSIS分析　　1）对不同位点下21个青贮玉米品种及其指标进行平均值（4次重复）处理，构建比较矩阵，设有m个品种，n个指标，建立评价矩阵A：

A=\left\{\begin{array}{cccc}{Y}_{\mathrm{11}}& Y_{\mathrm{12}}& \cdots & Y_{\mathrm{1}n}\\ Y_{\mathrm{21}}& Y_{\mathrm{22}}& \cdots & Y_{\mathrm{2}n}\\ ⋮& ⋮& \cdots & ⋮\\ Y_{m\mathrm{1}}& Y_{m\mathrm{2}}& \cdots & Y_{mn}\end{array}\right.（9）

2）无量纲化处理：将比较矩阵A进行无量纲化处理后得到矩阵B，按照筛选目标，分为正向和负向指标，计算公式如下：

正向指标计算公式：

Z_{ij}=\frac{Y_{ij}}{Y_{j\mathrm{m}\mathrm{a}\mathrm{x}}}（10）

式中：Y_ij 为矩阵B中第i个品种，第j个指标的原始值；Y_jmax=max（Y_ij ），max为最大值。

负向指标计算公式：

Z_{ij}=\frac{Y_{j\mathrm{m}\mathrm{i}\mathrm{n}}}{Y_{ij}}（11）

式中：Y_jmin=min（Y_ij ），min为最小值。

3）建立决策矩阵R：各指标权重w_j 乘以矩阵B中第i个品种第j个指标的无量纲化值得到决策矩阵R。

4）各指标的理想解和负理想解的计算公式如下：

X^{+}=\mathrm{m}\mathrm{a}\mathrm{x}\left(R_{ij}\right)=\left\{X_{\mathrm{1}}^{+},X_{\mathrm{2}}^{+},\cdots ,X_n^{+}\right\}（12）

X^{-}=\mathrm{m}\mathrm{i}\mathrm{n}\left(R_{ij}\right)=\left\{X_{\mathrm{1}}^{-},X_{\mathrm{2}}^{-},\cdots ,X_n^{-}\right\}（13）

式中：R_ij 为决策矩阵R中的值，i为品种，j为指标；X_n⁺为第n个指标的正理想解，X_n^-为第n个指标的负理想解。

5）关联度的计算采用欧几里得范数计算各品种各指标与最佳指标的距离S⁺及与最差指标间的距离S^-，并计算相对接近度C_i，计算公式如下：

S_i^{+}=\sqrt[]{{{\sum }_{j=\mathrm{1}}^n(R_{ij}-X_j^{+})}^{\mathrm{2}}}（14）

S_i^{-}=\sqrt[]{{{\sum }_{j=\mathrm{1}}^n(R_{ij}-X_j^{-})}^{\mathrm{2}}}（15）

C_i=\frac{S_i^{-}}{S_i^{-}+S_i^{+}}（16）

式中：n为指标数；X_j⁺为第j个指标的正理想解；X_j^-为第j个指标的负理想解。

1.6 数据统计与分析

利用Excel 2021对数据进行灰色关联系数和相对接近度的计算，Origin 2021软件作图，使用SPSS 27.0软件进行单因素方差分析（ANOVA），Duncan法进行多重比较（P<0.05）。

2 结果与分析

2.1 不同位点青贮玉米品种产量和营养品质的比较

为系统比较不同青贮玉米品种在产量与营养品质上的综合表现，本研究对各试验点的鲜草产量、干物质产量、粗蛋白等10个指标进行了方差分析及多重比较、聚类热图分析（表4和图2），以期将表现相似的品种归并为同一类群。

在思南试验点，可将21个青贮玉米品种划为3类（图2），第Ⅰ类（豫青贮23）表现为高产量，高粗蛋白、低中性洗涤纤维与酸性洗涤纤维，较高相对饲用价值；第Ⅱ类（迪卡159等9个品种）各指标表现较好，但中性洗涤纤维与酸性洗涤纤维含量较高；第Ⅲ类（金岭青贮97等11个品种）产量较低，粗蛋白、中性洗涤纤维及酸性洗涤纤维含量低，但相对饲用价值高。鲜草产量最高的是大京九4059（77536.44 kg·hm^-2），干物质产量最高的是豫青贮23（22012.29 kg·hm^-2），而金岭青贮97的鲜草产量和干物质产量最低（29700.47 kg·hm^-2、9058.10 kg·hm^-2）。粗蛋白含量为大京九4059最高（89.71 g·kg^-1），禾玉9566最低（50.59 g·kg^-1）；相对饲用价值为金岭青贮97最高（206.34），迪卡159最低（95.57）。

在贵定试验点，可将21个青贮玉米品种划为3类，第Ⅰ类（豫青贮23），干物质产量较低，中性洗涤纤维与酸性洗涤纤维含量低，但相对饲用价值显著高于其他类群；第Ⅱ类（禾玉36等10个品种）产量、营养品质及相对饲用价值表现中等；第Ⅲ类（曲辰512等10个品种）产量较高，粗蛋白、中性洗涤纤维和酸性洗涤纤维含量高，但相对饲用价值低。鲜草产量最高的是曲辰19号（100950.30 kg·hm^-2），干物质产量最高的是金玉908（34020.00 kg·hm^-2），而金岭青贮10号的鲜草产量和干物质产量最低（48351.60 kg·hm^-2、17658.00 kg·hm^-2）。粗蛋白含量为曲辰512最高（103.12 g·kg^-1），迪卡159最低（48.38 g·kg^-1）；相对饲用价值在豫青贮23最高（257.81），曲辰512最低（94.60）。

大方试验点21个青贮玉米品种也可划分为3类，第Ⅰ类（迪卡159等7个品种）产量低，中性洗涤纤维及酸性洗涤纤维含量低，但相对饲用价值表现良好；第Ⅱ类（北农青贮368等9个品种）产量、中性洗涤纤维与酸性洗涤纤维含量中等，但相对饲用价值较低；第Ⅲ类（京九青贮16等5个品种）产量、粗蛋白、中性洗涤纤维和酸性洗涤纤维含量高，但相对饲用价值低。曲辰512的鲜草产量及干物质产量最高（80910.00 kg·hm^-2、18576.75 kg·hm^-2），而迪卡159的鲜草产量和干物质产量最低（36055.88 kg·hm^-2、8278.31 kg·hm^-2）。粗蛋白含量为曲辰512最高（100.76 g·kg^-1），迪卡159最低（44.90 g·kg^-1）；相对饲用价值为迪卡159最高（200.45），曲辰512最低（88.87）。

2.2 青贮玉米产量及营养品质与气象因子的灰色关联度分析

灰色关联度分析结果表明，青贮玉米产量及营养品质受气象因子影响的程度各异（表5），在产量方面，鲜草产量受日平均光合有效辐射的影响最大（关联度系数为0.6852）；干物质产量与日平均降水量密切相关（关联度系数达0.7429）。营养品质方面，粗蛋白、酸性洗涤纤维和粗灰分主要受日平均光合有效辐射的影响（关联度系数为0.6678、0.6428、0.6765）；中性洗涤纤维、粗脂肪及水溶性碳水化合物含量与日平均降水量关联度最高（关联度系数为0.7002、0.6659和0.6620）；此外，淀粉含量和相对饲用价值则主要受日平均温度影响（关联度系数为0.6598和0.7504）。

2.3 不同位点青贮玉米产量和营养品质的综合评价

在思南试验点，青贮玉米各指标权重排前4的是鲜草产量、干物质产量、相对饲用价值和酸性洗涤纤维含量，权重值分别为0.1875、0.1628、0.1442和0.1156，权重值加和为0.6101，表明这4个指标在思南试验点的综合评价中影响较大。在贵定试验点，相对饲用价值、粗灰分含量、鲜草产量、粗蛋白含量的权重值分别为0.1704、0.1199、0.1129和0.1098，权重值加和为0.5130，表明这4个指标在贵定试验点的综合评价中影响较大。在大方试验点，权重值排名较高的是粗脂肪含量、相对饲用价值、干物质产量、粗蛋白含量、酸性洗涤纤维含量，权重值加和为0.5877，表明这5个指标在大方试验点综合评价中的重要性较高，对最终评价结果的影响更大（表6）。

按照相对接近度对不同青贮玉米品种的产量及营养品质进行排序，在思南试验点C_i 值排名前5的青贮玉米品种是豫青贮23、大京九4059、迪卡159、曲辰19号和北农青贮368，C_i 值分别为0.7522、0.6121、0.5876、0.5231和0.4883，C_i 值排名后3位的是金玉908、曲辰11号、北农青贮208，其C_i 值分别为0.3701、0.3673和0.3535；贵定试验点C_i 值排名前5的青贮玉米品种是豫青贮23、禾玉36、大京九4059、曲辰19号和金玉908，C_i 值分别为0.5951、0.4553、0.4485、0.4419和0.4270，金岭青贮10号、北农青贮208和雅玉8号的C_i 值排名为后3位，分别为0.3043、0.3021、0.2984；在大方试验点C_i 值排前5名的青贮玉米品种为京科青贮932、曲辰512、京九青贮16、桂青贮5号和金岭青贮97，C_i 值分别为0.5562、0.5560、0.5554、0.5535和0.5459，C_i 值后3名的青贮玉米品种则包括大京九4059、禾玉36和曲辰28号，其C_i 值分别为0.3855、0.3717及0.3592（图3）。综上，品种大京九4059在思南、贵定排名靠前，在大方排名靠后，表明其适应性可能受当地气候条件限制。

3 讨论

3.1 基因型与环境互作效应揭示了品种的区域特异性

同一品种的产量表现受到基因型与环境互作的显著影响^［25］。豫青贮23在思南和贵定位点综合表现优异，但在大方位点的C_i 值排名却非常靠后，而曲辰512等品种则表现出对大方环境的特异性适应。品种排序的显著变化揭示了任何单一优异品种都难以普适于所有环境，实施品种区域化布局是必要的科学策略。思南位点（黔东）海拔最低，生育期平均温度最高，但其平均产量却为三地最低。这可能归因于持续的高温胁迫，一方面高温加剧了植株的呼吸作用，增加了能量消耗，降低了净干物质的积累效率^［26-27］；另一方面高温加速了生育进程，缩短了灌浆期，最终限制了产量潜力的发挥^［28］。这一机制解释了在贵州中、西部地区高产的曲辰512等品种在思南的干物质产量较贵定、大方分别减少了63.52%和37.94%。

3.2 光、水因子是影响贵州青贮玉米生产力的关键限制因子

灰色关联度分析揭示，在贵州这一亚热带湿润季风气候区，日平均降水量和光合有效辐射是影响青贮玉米产量与品质的主导气象因子，其重要性高于传统上被视为核心驱动力的温度和有效积温。这一结论迥异于温带地区普遍适用的作物生长模型，凸显了区域生态农学研究的必要性。贵州常年的多云寡照可能使光资源成为光合生产的首要限制因素^［29-30］。本研究中，光合有效辐射与鲜草产量、粗蛋白及粗灰分含量等关键指标的关联度较高，印证了光能利用效率是决定生物量积累和品质形成的核心环节^［31-32］。此外，季风气候带来的降水时空分布不均，使得阶段性干旱或洪涝成为常态^［33］。适宜的降水不仅直接满足作物生长需求，还通过影响土壤养分有效性间接调控作物的营养品质^［34］，这体现在降水与干物质产量、粗脂肪等指标的高度关联性。此外，日平均温度对淀粉含量和相对饲用价值（RFV）的影响较大，尤其是在高温的思南位点淀粉含量普遍偏低，这与高温胁迫会增强淀粉分解酶活性、抑制合成酶活性的生理机制相符^［35-36］。因此，本研究的发现为该区域未来的青贮玉米育种与品种选择指明了方向：选育耐阴、耐湿且对高温不敏感的品种，较单纯追求耐热性更具现实意义。

3.3 熵权DTOPSIS模型在品种综合评价中的客观性与优越性

本研究采用熵权DTOPSIS模型处理多维度评价数据，其基于数据自身信息熵确定指标权重，有效避免了主观赋权偏差，体现出良好的客观决策能力。不同位点的指标权重体系存在差异：思南以产量指标权重最高，贵定以RFV权重最高，而大方则呈现产量与品质并重的格局。这一结果客观体现了不同生态条件下品种性状表达的主导方向各异，也从侧面印证了G×E互作的复杂性。本研究的评价结果与张正洁等^［37］和王靖等^［38］在其他作物上的应用效果一致，证明了该方法在多目标作物优选中的普适性和可靠性。

4 结论

1）贵州思南、贵定及大方地区的21个不同青贮玉米品种在产量与品质上存在显著的基因型与环境互作效应，且日平均降水量与日平均光合有效辐射是限制青贮玉米生产力的关键气象因子。

2）基于熵权DTOPSIS模型的综合评价，为贵州青贮玉米的区域化提出品种布局方案：东部及中部暖湿地区宜优先种植豫青贮23、大京九4059和曲辰19号；西部相对冷凉地区则推荐适应性更强的京科青贮932、曲辰512和京九青贮16。

参考文献

[1] Wang X Y. Research on the application of forage maize and the progress in its cultivation measures. Feed Industry， 2024， 45（13）： 139-144.

[2] 王新友. 青贮玉米应用现状以及其栽培措施研究进展. 饲料工业， 2024， 45（13）： 139-144.

[3] Wang Y， Chen M. Study on the influence of “changing grain to forage” policy on livestock and poultry breeding scale. Feed Research， 2024， 47（8）： 191-194.

[4] 王玉， 陈明. “粮改饲”政策实施对畜禽养殖规模影响的研究. 饲料研究， 2024， 47（8）： 191-194.

[5] Fan Y H， Yue S Y， Nan Z B， et al. The evolution of China’s maize seed industry， relevant industrial policies and implications for grassland agriculture development. Acta Prataculturae Sinica， 2025， 34（3）： 189-203.

[6] 樊有鹤， 岳思妤， 南志标， 我国玉米种业与产业政策演进及其对草地农业发展的启示. 草业学报， 2025， 34（3）： 189-203.

[7] Wang L Q， Yu X F， Gao J L， et al. Patterns of influence of meteorological elements on maize grain weight and nutritional quality. Agronomy， 2023， 13（2）： 424.

[8] Guo J， Weng Q Y， Lin H， et al. Study on growth characters and adaptability of silage maize in different latitudes. Feed Research， 2022， 45（6）： 118-122.

[9] 郭江， 瓮巧云， 林红， 不同纬度地区青贮玉米生长性状、适应性研究. 饲料研究， 2022， 45（6）： 118-122.

[10] Peng M Y， Wang D H， He H， et al. Current situation， problems and countermeasures of Guizhou local cattle breeding industry. China Cattle Science， 2019， 45（4）： 55-58.

[11] 彭梦阳， 王大会， 贺花， 贵州地方黄牛种业现状、存在问题及对策. 中国牛业科学， 2019， 45（4）： 55-58.

[12] Wang J T， Sa D W， Shao L H， et al. Optimizing agricultural structure and accelerating the development of the forage industry. Acta Prataculturae Sinica， 2025， 34（2）： 211-220.

[13] 王加亭， 撒多文， 邵麟惠， 调整优化农业结构， 加快饲草产业发展. 草业学报， 2025， 34（2）： 211-220.

[14] Wu Y， Li W， Ma D Z， et al. Comprehensive evaluation of different maize varieties by DTOPSIS method based on entropy weight. Journal of Maize Sciences， 2019， 27（4）： 32-41.

[15] 吴玥， 李威， 马德志， 基于熵值赋权的DTOPSIS法对不同玉米品种综合评价研究. 玉米科学， 2019， 27（4）： 32-41.

[16] Liu L J， Liu Y G， Jin G X. Comprehensive evaluation of rice varieties by DTOPSIS method based on entropy weight. Shandong Agricultural Sciences， 2022， 54（7）： 39-45.

[17] 刘丽娟， 刘延刚， 金桂秀. 用基于熵值赋权的DTOPSIS法综合评价水稻品种. 山东农业科学， 2022， 54（7）： 39-45.

[18] Zhang Z Z， Zheng C Z， Xu Z P， et al. Comprehensive evaluation of forage performance of different oat varieties based on entropy weighted DTOPSIS method. Feed Research， 2023， 46（16）： 114-120.

[19] 张子臻， 郑成忠， 徐振朋， 基于熵值赋权DTOPSIS法对不同燕麦品种饲草生产性能综合评价. 饲料研究， 2023， 46（16）： 114-120.

[20] Zhang S， Xu K W， Pei L Z， et al. Grey correlation analysis of meteorological factors， maize lodging and yield in the hilly region of central Sichuan. Journal of Sichuan Agricultural University， 2021， 39（5）： 666-673， 680.

[21] 张森， 徐开未， 裴丽珍， 川中丘陵区气象因子与玉米倒伏和产量的灰色关联度分析. 四川农业大学学报， 2021， 39（5）： 666-673， 680.

[22] Zhang F， Xiao B. Grey correlation analysis between tea yield and meteorological factors-case study of tea region in southern Shaanxi. Acta Agriculturae Boreali-occidentalis Sinica， 2018， 27（5）： 735-740.

[23] 张璠， 肖斌. 茶叶产量与气象因子的灰色关联度分析—以陕南茶区为例. 西北农业学报， 2018， 27（5）： 735-740.

[24] Gu Z C， Wang Y， Wang Y F， et al. Relevance analyses between different meteorological factors and flue-cured tobacco leaf chemistry compositions in Yunnan Province. Chinese Agricultural Science Bulletin， 2012， 28（10）： 243-248.

[25] 古战朝， 王毅， 王逸飞， 云南烟区气象因子与烤烟化学成分的灰色关联度分析. 中国农学通报， 2012， 28（10）： 243-248.

[26] Xu G， Pan J， Wang T， et al. Yield， nutritional quality， and economic benefits of six silage maize varieties after phosphorus application. Pratacultural Science， 2025， 42（8）： 2123-2133.

[27] 徐广， 潘洁， 王涛， 施磷对6个青贮玉米品种产量、营养品质和经济效益的影响. 草业科学， 2025， 42（8）： 2123-2133.

[28] State Administration for Market Regulation， National Standardization Administration. Determination of crude protein in feeds-Kjeldahl method： GB/T 6432-2018. Beijing： Standards Press of China， 2018.

[29] 国家市场监督管理总局， 国家标准化管理委员会. 饲料中粗蛋白的测定-凯氏定氮法： GB/T 6432-2018. 北京： 中国标准出版社， 2018.

[30] State Administration for Market Regulation， National Standardization Administration. Determination of neutral detergent fiber （NDF） in feeds： GB/T 20806-2022. Beijing： Standards Press of China， 2022.

[31] 国家市场监督管理总局， 国家标准化管理委员会. 饲料中中性洗涤纤维（NDF）的测定： GB/T 20806-2022. 北京： 中国标准出版社， 2022.

[32] Ministry of Agriculture and Rural Affairs of the People’s Republic of China. Determination of acid detergent fiber （ADF） in feeds： NY/T 1459-2022. Beijing： Standards Press of China， 2022.

[33] 中华人民共和国农业农村部. 饲料中酸性洗涤纤维（ADF）的测定： NY/T 1459-2022. 北京： 中国标准出版社， 2022.

[34] General Administration of Quality Supervision， National Standardization Administration. Inspection of grain and oils-Determination of crude fat content in maize-Near-infrared method： GB/T 24902-2010. Beijing： Standards Press of China， 2010.

[35] 国家质量监督检验检疫总局， 国家标准化管理委员会. 粮油检验 玉米粗脂肪含量测定 近红外法： GB/T 24902-2010. 北京： 中国标准出版社， 2010.

[36] General Administration of Quality Supervision， National Standardization Administration. Animal feeding stuffs-Determination of crude ash： GB/T 6438-2007. Beijing： Standards Press of China， 2007.

[37] 国家质量监督检验检疫总局， 国家标准化管理委员会. 饲料中粗灰分的测定： GB/T 6438-2007. 北京： 中国标准出版社， 2007.

[38] State Administration for Market Regulation， National Standardization Administration. Determination of starch content-Polarimetry： GB/T 20194-2018. Beijing： Standards Press of China， 2018.

[39] 国家市场监督管理总局， 国家标准化管理委员会. 动物饲料中淀粉含量的测定-旋光法： GB/T 20194-2018. 北京： 中国标准出版社， 2018.

[40] Hansen J， Møller I. Percolation of starch and soluble carbohydrates from plant tissue for quantitative determination with anthrone. Analytical Biochemistry， 1975， 68（1）： 87-94.

[41] Rohweder D A， Barnes R F， Jorgensen N. Proposed hay grading standards based on laboratory analyses for evaluating quality. Journal of Animal Science， 1978， 47（3）： 747-759.

[42] Xu X X， Wang L N， Ding X Y， et al. Comprehensive evaluation of production performance and silage quality of different maize varieties in Tongliao area. Acta Agrestia Sinica， 2025， 33（9）： 3068-3076.

[43] 徐欣欣， 王莉娜， 丁雪妍， 通辽地区不同类型玉米品种生产性能和青贮品质综合评价. 草地学报， 2025， 33（9）： 3068-3076.

[44] Song X L， Wu Y， Yang X L， et al. Comparison of entropy weighted DTOPSIS method and grey relational degree analysis in comprehensive evaluation of maize varieties. Journal of Maize Sciences， 2020， 28（2）： 41-46.

[45] 宋秀丽， 吴玥， 杨锡朗， 基于熵值赋权的DTOPSIS法与灰色关联度分析在玉米品种综合评价中的比较. 玉米科学， 2020， 28（2）： 41-46.

[46] He P L， Jie H D， Zhu N J， et al. Comparison of silage maize production performance in the eastern and western regions of Hunan Province. Acta Agrestia Sinica， 2024， 32（3）： 977-984.

[47] 何鹏亮， 揭红东， 朱宁静， 湖南东西部地区青贮玉米生产性能比较研究. 草地学报， 2024， 32（3）： 977-984.

[48] Dumont B， Andueza D， Niderkorn V， et al. A meta-analysis of climate change effects on forage quality in grasslands： specificities of mountain and Mediterranean areas. Grass and Forage Science， 2015， 70（2）： 239-254.

[49] Mu X Y， Song M， Ma Z Y， et al. Responses of photosynthetic characteristics and yield of summer maize to high temperature stress during flowering. Journal of Southern Agriculture， 2025， 56（5）： 1361-1378， 1343.

[50] 穆心愿， 宋淼， 马智艳， 夏玉米光合特性及产量对花期高温胁迫的响应. 南方农业学报， 2025， 56（5）： 1361-1378， 1343.

[51] Liu P， Guo W S， Pu H C， et al. Effects of transient high temperature during grain filling period on starch formation in wheat （Triticum aestivum L.）. Acta Agronomica Sinica， 2006， 32（2）： 182-188.

[52] 刘萍， 郭文善， 浦汉春， 灌浆期短暂高温对小麦淀粉形成的影响. 作物学报， 2006， 32（2）： 182-188.

[53] Lu Q， Yang H X， Ci L J， et al. Effect of radiation transmission on crop yield and quality. Acta Ecologica Sinica， 1997， 17（1）： 38-46.

[54] 卢琦， 阳含熙， 慈龙骏， 农桐间作系统辐射传输对农作物产量和品质的影响. 生态学报， 1997， 17（1）： 38-46.

[55] Hamdollah E， Ahmad G， Mohammad M， et al. Forage quality of cow pea （Vigna sinensis） intercropped with corn （Zea mays） as affected by nutrient uptake and light interception. Notulae Botanicae Horti Agrobotanici Cluj-Napoca， 2009， 37（1）： 171-174.

[56] Liu M， Gong J R， Pan Y， et al. Effects of grass-legume mixtures on the production and photosynthetic capacity of constructed grasslands in Inner Mongolia， China. Crop and Pasture Science， 2016， 67（11）： 1188-1198.

[57] Gorooei A， Gaiser T， Aynehband A， et al. The effect of farming management and crop rotation systems on chlorophyll content， dry matter translocation， and grain quantity and quality of wheat （Triticum aestivum L.） grown in a semi-arid region of Iran. Agronomy， 2023， 13（4）： 1007.

[58] Yan X D， Xia Y， Ren M L， et al. The spatio-temporal distribution of precipitation during warm season in Guizhou and its relationship with atmospheric circulation anomalies. Journal of Mountain Meteorology， 2024， 48（6）： 1-8.

[59] 严小冬， 夏阳， 任曼琳， 贵州暖季降水时空分布及其与大气环流异常的关系. 山地气象学报， 2024， 48（6）： 1-8.

[60] Bi W X， Wang M K， Weng B S， et al. Effects of drought-flood abrupt alternation on the growth of summer maize. Atmosphere， 2020， 11（1）： 21.

[61] Ahmed N， Tetlow I J， Nawaz S， et al. Effect of high temperature on grain filling period， yield， amylose content and activity of starch biosynthesis enzymes in endosperm of basmati rice. Journal of the Science of Food and Agriculture， 2015， 95（11）： 2237-2243.

[62] Gu X T， Zhang X Y， Lu W P， et al. Starch structural and functional properties of waxy maize under different temperature regimes at grain formation stage. Food Chemistry： X， 2022， 16： 100463.

[63] Zhang Z J， Yang G H， Guo R H， et al. Comprehensive evaluation of regional trials for the spring maize in northwest China based on DTOPSIS method and membership function method. Crops， 2025， 41（3）： 78-84.

[64] 张正洁， 杨国华， 郭瑞红， 采用DTOPSIS法和隶属函数法对西北春玉米区域试验的综合评价. 作物杂志， 2025， 41（3）： 78-84.

[65] Wang J， Kong L G， Li B Q， et al. Wheat varieties in southern Shandong Province： comprehensive evaluation by DTOPSIS method based on entropy weight. Chinese Agricultural Science Bulletin， 2023， 39（12）： 1-7.

[66] 王靖， 孔令国， 李宝强， 基于熵值赋权的DTOPSIS法对小麦品种的综合评价研究. 中国农学通报， 2023， 39（12）： 1-7.

基金资助

国家自然科学基金(32160337)

贵州省科技支撑项目（黔科合支撑［2023］一般473）和贵州省科协项目（贵州贵定青贮玉米科技小院）资助