Тесты Шапиро–Уилка показали, что распределения всех измеренных переменных существенно не отклонялись от нормального в оба сезона (p > 0.05). Дисперсионный анализ выявил, что взаимодействие между уровнем компостного чая (Ct) и обработкой листьев биостимулятором (F) оказывало значительное влияние на показатели вегетативного роста, количество зонтиков и показатели содержания масла (процент масла, выход масла с одного растения и выход масла с гектара) в оба вегетационных периода.
Отклик урожайности относительно контрольной обработки
В первый сезон (Рисунок 2) выход масла с гектара (Oy ha⁻1) прогрессивно увеличивался с повышением уровня компостного чая. Все варианты с применением Ct3 (600 L ha⁻1) обеспечили более высокий выход масла, чем в контрольном варианте (T1: Ct1 × F1, 360 L ha⁻1 без некорневой подкормки). Самый высокий выход масла (55,58 kg ha⁻1) был получен при сочетании Ct3 со Spirulina в концентрации 2 cm3 L⁻1 (T13), что существенно превышало показатели контроля и всех вариантов Ct1, выходя за пределы значения НСР (2,93 kg ha⁻1). По сравнению с контролем в этом варианте наблюдалось заметное увеличение выхода масла с гектара (Рисунок 3).

Рисунок 3: Биплот анализа главных компонентов для пятнадцати взаимодействующих вариантов обработки на основе четырех вегетативных признаков, количества зонтиков на растение и трех признаков, связанных с маслом, с использованием первой и второй компонент; каждая точка представляет вариант обработки. Положение внутри графика показывает степень сходства или различия между вариантами обработки в соответствии с входными факторами (8 характеристик роста и масла); чем ближе расположены точки, тем более схожи варианты, и чем дальше они друг от друга, тем более они отличаются. PH: высота растения (cm), NB: количество ветвей на растение, HFW: общая сырая масса травы (g), HDW: общая сухая масса травы (g), O%: содержание эфирного масла, Oy/p: выход масла на растение (cm3), Oy/ha: выход масла на гектар (L) и NU: количество зонтиков на растение; T1 (Ct1 × F1), T2 (Ct1 × F2), T3 (Ct1 × F3), T4 (Ct1 × F4), T5 (Ct1 × F5), T6 (Ct2 × F1), T7 (Ct2 × F2), T8 (Ct2 × F3), T9 (Ct2 × F4), T10 (Ct2 × F5), T11 (Ct3 × F1), T12 (Ct3 × F2), T13 (Ct3 × F3), T14 (Ct3 × F4) и T15 (Ct3 × F5). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Аналогичные тенденции наблюдались для выхода масла с одного растения и количества зонтиков, что указывает на то, что варианты обработки, обеспечивающие более высокий выход масла с гектара, также были связаны с более высокой репродуктивной способностью и накоплением биомассы. Эти взаимосвязи представлены как статистические ассоциации между измеренными признаками без вывода о причинно-следственных механизмах.
Во второй сезон вариант Ct3 × F3 (T13) снова обеспечил самый высокий выход масла с гектара (58.85 kg ha⁻1), значительно превысив показатели контроля и большинства вариантов Ct2 (LSD = 3.17 kg ha⁻1). Ранжирование вариантов относительно контроля в значительной степени совпадало между сезонами, что указывает на воспроизводимость эффектов обработки в протестированных условиях окружающей среды.
Метод главных компонент (МГК)
Метод главных компонентов был применен в качестве инструмента эксплораторного анализа для обобщения многомерных взаимосвязей между восемью измеряемыми признаками в 15 вариантах обработки. Первые две главные компоненты объяснили 98,4% общей дисперсии, при этом на долю PC₁ пришлось 96,5%, а на долю PC₂ — 1,9% (Таблица 2; Рисунок 4). Доминирование PC₁ отражает сильную ковариацию между признаками, связанными с ростом и урожайностью в наборе данных, а не отдельные лежащие в их основе биологические процессы.
| Параметр | ПК1 | ПК2 | ПК3 | ПК4 |
| НУ | 0.3516 | 0.3064 | -0.3732 | 0.772 |
| 0% | 0.349 | -0.6068 | -0.1873 | -0.0634 |
| Ой/п | 0.3591 | -0.11 | -0.0028 | -0.0974 |
| Ой/ха | 0.3583 | -0.1579 | -0.1046 | -0.2021 |
| pH | 0.3476 | 0.5757 | 0.3834 | -0.3296 |
| NB | 0.3495 | -0.26 | 0.7504 | 0.3693 |
| HFW | 0.3551 | 0.3138 | -0.1821 | -0.1535 |
| HDW | 0.358 | -0.0575 | -0.2675 | -0.2847 |
| Собственное значение | 7.7201 | 0.1518 | 0.0721 | 0.0346 |
| % дисперсии | 96.5 | 1.9 | 0.9 | 0.43 |
| Кумулятивный (%) | 96.5 | 98.4 | 99.3 | 99.73 |
| PH: высота растений (см), NB: количество ветвей на растение, HFW: общая сырая масса зеленой массы (г), HDW: общая сухая масса зеленой массы (г), O%: содержание эфирного масла, Oy/p: выход масла на одно растение (см³), Oy/ha: выход масла на гектар (л) и NU: количество зонтиков на растение |
Таблица 2: Собственные значения, собственные векторы, процент дисперсии и кумулятивная дисперсия четырех первых главных компонентов на основе восьми признаков роста и содержания масла для 15 комбинаций вариантов обработки. Сокращения признаков следующие: PH (высота растения, cm), NB (количество ветвей на растение), HFW (сырая масса надземной части, g), HDW (сухая масса надземной части, g), O% (содержание эфирного масла), Oy/p (выход масла с одного растения, cm3), Oy/ha (выход масла с гектара, L) и NU (количество зонтиков на растение).

Рисунок 4: График нагрузок собственных векторов для 8 изученных признаков при 15 взаимодействующих вариантах обработки: столбцы PC₁ соответствуют левой оси; PC₂, PC₃, PC₄ обозначены различными формами точек и цветами на правой оси. PH: высота растения (cm), NB: количество ветвей на растение, HFW: общая сырая масса травы (g), HDW: общая сухая масса травы (g), O%: содержание эфирного масла, Oy/p: выход масла на растение (cm3), Oy/ha: выход масла на гектар (L) и NU: количество зонтиков на растение. Планки погрешностей представляют собой стандартные ошибки среднего (SEM). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Все признаки продемонстрировали сильные и схожие положительные нагрузки на PC₁, включая количество зонтиков, процент содержания масла, выход масла с одного растения, выход масла с гектара, высоту растения, количество ветвей, сырую массу травы и сухую массу травы (Таблица 2; Рисунок 5). Соответственно, PC₁ можно интерпретировать как общий градиент продуктивности, обобщающий вариации признаков биомассы и выхода масла в различных вариантах обработки. PC₂ объяснял лишь небольшую часть дисперсии и вносил ограниченный дополнительный вклад в дифференциацию вариантов обработки.

Рисунок 5: График значений PCA, иллюстрирующий распределение 15 вариантов обработки на основе измеренных признаков. Варианты обработки определены следующим образом: T1 (Ct1 × F1), T2 (Ct1 × F2), T3 (Ct1 × F3), T4 (Ct1 × F4), T5 (Ct1 × F5), T6 (Ct2 × F1), T7 (Ct2 × F2), T8 (Ct2 × F3), T9 (Ct2 × F4), T10 (Ct2 × F5), T11 (Ct3 × F1), T12 (Ct3 × F2), T13 (Ct3 × F3), T14 (Ct3 × F4) и T15 (Ct3 × F5). Планки погрешностей представляют собой стандартную ошибку среднего (SEM). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Показатели PCA и сравнение с контролем
Варианты обработки с высокими положительными значениями PC₁ (в частности T13, T12, T15 и T14) также продемонстрировали наибольший процентный прирост относительно контроля (T1) по большинству признаков (Рисунок 5 и Рисунок 6). Например, при T13 наблюдалось увеличение количества зонтиков на 94.44% и выхода масла с гектара на 98.18% по сравнению с контролем.

Рисунок 6: Относительное процентное увеличение измеряемых признаков по сравнению с контрольной группой (T1: Ct1 × F1). Варианты обработки определены следующим образом: T1 (Ct1 × F1), T2 (Ct1 × F2), T3 (Ct1 × F3), T4 (Ct1 × F4), T5 (Ct1 × F5), T6 (Ct2 × F1), T7 (Ct2 × F2), T8 (Ct2 × F3), T9 (Ct2 × F4), T10 (Ct2 × F5), T11 (Ct3 × F1), T12 (Ct3 × F2), T13 (Ct3 × F3), T14 (Ct3 × F4) и T15 (Ct3 × F5). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Образцы с промежуточными значениями PC₁ (например, T8 и T10) продемонстрировали умеренное улучшение по сравнению с контролем, в то время как варианты с отрицательными значениями PC₁, включая контроль и другие комбинации Ct1, показали минимальные относительные изменения. Эти закономерности указывают на то, что значения PC₁ тесно коррелируют с ответами на лечение с поправкой на базовый уровень, что подтверждает результаты однофакторного ANOVA. Тем не менее, PCA использовался строго для редукции данных и визуализации многомерных паттернов и не заменяет инференциационный статистический анализ.
Связи признаков на биоплоте PCA
Биплот PCA (Рисунок 4>) иллюстрирует тесную связь между выходом масла на одно растение, выходом масла на гектар и сухой массой травы, что отражает сильные корреляции между этими переменными. Высота растений, сырая масса травы и количество зонтиков также продемонстрировали схожую ориентацию векторов, что указывает на скоординированную изменчивость этих признаков в данном наборе данных. Количество ветвей показало частичное отделение от других компонентов урожайности, что говорит о более слабых взаимосвязях в данных экспериментальных условиях. Эти зависимости описывают только наблюдаемые корреляции и не подразумевают наличие механизмов связи.
Варианты обработки (T12–T15), получавшие компостный чай в дозе 600 L ha⁻1 в сочетании с листовыми биостимуляторами, продемонстрировали более высокие многомерные показатели по параметрам роста и содержания масла. Напротив, варианты обработки (T7–T11) характеризовались сравнительно более низкими значениями для большинства оцениваемых параметров. Варианты обработки, расположенные в противоположном направлении от большинства векторов, такие как Ct1 (360 L ha⁻1) без листового опрыскивания или в сочетании с Nostoc, были связаны с более низкими значениями большинства измеряемых признаков.
В целом, PCA позволил получить краткую многомерную сводку, которая дополняет ANOVA, наглядно демонстрируя, как воздействия отличались от контрольной группы по нескольким признакам одновременно. Согласованность между паттернами PCA и результатами одномерного анализа с поправкой на исходный уровень подтверждает устойчивость эффектов воздействия, не выходя за рамки интерпретации измеренных переменных.
ДОСТУПНОСТЬ ДАННЫХ:
Исходные данные для этой рукописи доступны в дополнительных файлах.
Дополнительная таблица 1: Необработанные экспериментальные данные для результатов. Пожалуйста, нажмите здесь, чтобы скачать этот файл.