潘 越，史開奇，劉 珩，馬 勇，，，劉陽陽，，，郭 靖，王寶慶，王世偉

（1.新疆林業(yè)科學(xué)院 a.園林綠化研究所，新疆 烏魯木齊 830063；b.佳木國家重點林木良種基地，新疆 阿克蘇 843100；2.伊犁哈薩克自治州平原林場，新疆 伊犁 835300；3.新疆農(nóng)業(yè)大學(xué) 林學(xué)與園藝學(xué)院，新疆 烏魯木齊 830052；4.新疆阿克蘇森林生態(tài)系統(tǒng)國家定位觀測研究站，新疆 阿克蘇 843100）

葡萄Vitis vinifera為新疆地區(qū)的特色優(yōu)勢果樹樹種之一，據(jù)2019—2020年統(tǒng)計數(shù)據(jù)，在全區(qū)各類水果中產(chǎn)量居第1 位[1]。截至2020年，釀造葡萄栽培面積已達1.97 萬hm2，產(chǎn)量8.87×104t。北疆冬季寒冷，無霜期短，有效積溫嚴重不足[2-3]，雖然釀酒所采用的歐亞種葡萄通過覆蓋埋土可安全越冬，但是大多數(shù)漿果無法充分成熟，導(dǎo)致釀酒原料品質(zhì)不佳。山葡萄V.amurensis也稱東北葡萄，野生種源生長于海拔200 ～1 200 m 的山區(qū)，其枝條可耐-40 ℃的低溫，無需埋土防寒，為最抗寒的葡萄種，同時果實中花色苷、白藜蘆醇和酚類物質(zhì)的含量遠高于其他品種[4-6]。

有關(guān)葡萄光響應(yīng)方面的研究以理化性質(zhì)分析為主，鐘海霞等[7]、戶金鴿等[8]、伍新宇等[9]先后研究了灌水措施、砧穗組合和氣候環(huán)境對葡萄光合特性的影響。近年來，國內(nèi)研究者陸續(xù)開展了一系列葡萄光合-光響應(yīng)方面的研究。韓曉等[10]在采用4 種光響應(yīng)模型研究不同砧木夏黑葡萄耐弱光的能力時發(fā)現(xiàn)，夏黑（接穗）+SO4（砧木）、夏黑（接穗）+420A（砧木）2 組砧穗組合的表觀量子效率高、光補償點低、暗呼吸速率低，說明兩者對弱光的利用效率高，耐弱光能力強，呼吸消耗少。婁玉穗等[11]通過對8個葡萄品種的光合參數(shù)和光響應(yīng)參數(shù)進行測定分析，篩選出2個耐高溫且抗弱光的品種。從前人的研究結(jié)果可以看出，光合-光響應(yīng)曲線能夠清晰反映植被的光合速率，可間接反映其對環(huán)境的適應(yīng)能力。常用的光合-光響應(yīng)曲線模型包含直角雙曲線模型[12]、非直角雙曲線模型[13]、直角雙曲線修正模型[14]和指數(shù)模型[15]等，借助模型可估算出表觀量子效率、最大凈光合速率、暗呼吸速率、光補償點和光飽和點等一系列反映光合生理狀況的指標(biāo)。針對不同的樹種和環(huán)境條件，需要結(jié)合實際甄別與之匹配的光響應(yīng)曲線。

伊犁地區(qū)地處歐亞大陸腹地，具有優(yōu)越的光、熱、水、土條件[16]，同時與山葡萄原產(chǎn)地具有相似的地理緯度和生態(tài)環(huán)境條件[5,17]。為了擴充釀酒葡萄的種質(zhì)資源類型，提高釀酒原材料的質(zhì)量，節(jié)約埋土用工的成本，2019年以來，本課題組陸續(xù)引進8個山葡萄品種，在伊犁河谷地區(qū)開展引種和栽培技術(shù)研究。本試驗中，以8個山葡萄品種為研究對象，采用直角雙曲線模型、非直角雙曲線模型、直角雙曲線修正模型和指數(shù)函數(shù)模型對山葡萄的光合-光響應(yīng)曲線進行擬合，比較各模型的生理參數(shù)預(yù)測值與實際值的差異，篩選出最適合山葡萄光合作用的光響應(yīng)模型，并基于層次分析法對伊犁河谷地帶山葡萄品種的適應(yīng)性進行評價，旨在為新疆地區(qū)山葡萄的優(yōu)質(zhì)豐產(chǎn)及推廣發(fā)展提供理論參考。

1 材料與方法

1.1 試驗地概況

試驗地位于新疆維吾爾自治區(qū)伊犁哈薩克自治州察布查爾縣種羊場美利奴種畜繁育有限公司。該地區(qū)年均氣溫7.9 ℃，極端最高溫39.5 ℃，極端最低溫-43.2 ℃，≥10 ℃積溫3 389.1 ℃，無霜期161 d，年平均降水量206 mm，年平均蒸發(fā)量1 400 ～1 630 mm。試驗地土壤為灰鈣土，土層瘠薄，腐殖質(zhì)和有機質(zhì)含量較低。

1.2 試驗材料

供試葡萄為中國農(nóng)業(yè)科學(xué)院左家特產(chǎn)所引進的8個優(yōu)良山葡萄品種的2年生植株，分別為‘北冰紅’‘雙紅’‘左優(yōu)紅’‘雙豐’‘雪蘭紅’‘北國紅’‘左山1’和‘左山2’。2019年，進行埋土防寒處理；2020年3月，于溫室內(nèi)使用營養(yǎng)缽定植；2020年5月，移栽至大田，株行距1.0 m×3.5 m，各品種栽培條件和管理措施保持一致。

1.3 試驗方法

每個山葡萄品種選擇5 株長勢相對一致的試驗株，設(shè)置5 組重復(fù)。2020年9月14日（葡萄成熟期），使用LI-6400 便攜式光合儀（美國LI-COR公司）測定光合參數(shù)。紅藍光光合有效輻射設(shè)計1 900、1 700、1 500、1 200、1 000、800、500、300、200、150、100、80、50、20、0 μmol/(m2·s)共15個梯度，光照強度改變后，最少穩(wěn)定時長為120 s，當(dāng)測量結(jié)果變異率小于0.05 s 時，由儀器自動記錄。測定時為保持環(huán)境的穩(wěn)定，葉室CO2體積分數(shù)設(shè)定在(380±10)μmol/mol，葉溫為(32±1)℃，濕度為自然相對濕度。通過繪制光合-光響應(yīng)曲線，得出表觀量子效率（α）、最大凈光合速率（Pn,max）、暗呼吸速率（Rd）、光補償點（PLC）和光飽和點（PLS）。

1.4 數(shù)據(jù)處理

借助Excel 2003 和SPSS 21.0 軟件進行聚類分析和光響應(yīng)模型擬合[18]，采用隸屬函數(shù)法統(tǒng)一數(shù)據(jù)量綱，按照指標(biāo)屬性和評價需要區(qū)分正相關(guān)和負相關(guān)。

正相關(guān)計算公式：Ui,n=(Xi,n-Xi,min)/(Xi,max-Xi,min)；

負相關(guān)計算公式：U′i,n=1-(Xi,n-Xi,min)/(Xi,max-Xi,min)。式中：Ui,n和U′i,n分別為正相關(guān)和負相關(guān)時第n個樣本第i個指標(biāo)轉(zhuǎn)化后的隸屬函數(shù)值，Xi,n指第n個樣本第i個指標(biāo)的原始測定值，Xi,max和Xi,min分別指樣本組中第i個指標(biāo)的最大值和最小值。

1.4.1 各品種光響應(yīng)模型的擬合

分別使用直角雙曲線模型、非直角雙曲線模型、直角雙曲線修正模型和指數(shù)函數(shù)模型進行光合-光響應(yīng)曲線擬合[19]。

直角雙曲線模型：

式中：Pn為凈光合速率；I為光合有效輻射。

非直角雙曲線模型：

式中：k為光合有效輻射；θ為反映曲線彎曲程度的光合-光響應(yīng)曲線角，0 ≤θ≤1。

直角雙曲線修正模型：

式中：β、γ為獨立于I的常數(shù)。

指數(shù)函數(shù)模型：

式中：C0為弱光環(huán)境下凈光合速率區(qū)域為0 的指標(biāo)。

使用均方差（mean square error）法和平均標(biāo)準(zhǔn)誤差（mean standard error）法對4個模型擬合結(jié)果的精準(zhǔn)度進行評價，誤差越趨于0，表明擬合值越接近實測值[20]。

式中：ES為均方差；EA為平均標(biāo)準(zhǔn)誤差；n為樣本數(shù)；yt和分別是凈光合速率的實測值和擬合值。

分別選擇對8個品種擬合效果最好的光響應(yīng)模型的相關(guān)光合參數(shù)，采用Ward 法分別對強光環(huán)境因子（光飽和點、最大凈光合速率）和弱光環(huán)境因子（表觀量子效率、暗呼吸速率和光補償點）進行組間聚類分析[21-22]。

1.4.2 各品種光能利用效率的綜合評價

首先按照層次分析法評價原理，分強光因子和暗光因子2個維度準(zhǔn)則層的共4 項評價指標(biāo)，按照各指標(biāo)的隸屬函數(shù)值和各指標(biāo)的權(quán)重計算各山葡萄品種光能利用效率的綜合價值得分（N）。

式中：i為指標(biāo)編號；m為指標(biāo)數(shù)；Wi為指標(biāo)i的權(quán)重；Si為各指標(biāo)的標(biāo)準(zhǔn)化值。

根據(jù)對12 位專家的問卷調(diào)查結(jié)果確定權(quán)重值，運用層次分析法構(gòu)建判斷矩陣進行計算。按照1 ～9 標(biāo)度對相鄰指標(biāo)進行兩兩比較，確定判斷矩陣，標(biāo)度1、3、5、7、9 分別表示相鄰2 項指標(biāo)具備同等重要性、稍強重要性、較強重要性、很強重要性和極強重要性，標(biāo)度2、4、6、8 作為相鄰2 項指標(biāo)的中值，指標(biāo)的重要性標(biāo)度源自權(quán)衡后的專家意見[23]。計算各層次判斷矩陣的最大特征根λmax，經(jīng)一致性檢驗后，得出各指標(biāo)的權(quán)重值Wi。一致性指標(biāo)（IC）越小，說明判斷矩陣越接近于一致。平均隨機一致性比率（RC）為IC與同階一致性指標(biāo)（IR）之比，RC小于0.10 時，說明判斷矩陣具備可接受的一致性，否則需要調(diào)整修正判斷矩陣，使之滿足一致性[24]。

2 結(jié)果與分析

2.1 不同山葡萄品種的光合-光響應(yīng)曲線

基于4 種模型的8個山葡萄品種的光合-光響應(yīng)曲線如圖1 ～8所示。由圖1 ～8 可見，8個山葡萄品種的光合-光響應(yīng)曲線總體呈“慢、快、慢”的變化趨勢。在弱光0 ～100 μmol/(m2·s)環(huán)境下，隨光合有效輻射（photosynthetic active radiation，PAR）增加，Pn緩慢上升；在中等光強100 ～800 μmol/(m2·s)環(huán)境下，Pn迅速升高，與PAR 間呈線性關(guān)系；在強光800 ～2 000 μmol/(m2·s)環(huán)境下，Pn趨于飽和。

圖2 基于4 種模型的山葡萄品種‘雙紅’的光合-光響應(yīng)曲線Fig.2 Light response curves of ‘Shuanghong’ based on four models

圖3 基于4 種模型的山葡萄品種‘左優(yōu)紅’的光合-光響應(yīng)曲線Fig.3 Light response curves of ‘Zuoyouhong’ based on four models

圖4 基于4 種模型的山葡萄品種‘雪蘭紅’的光合-光響應(yīng)曲線Fig.4 Light response curves of ‘Xuelanhong’ based on four models

圖5 基于4 種模型的山葡萄品種‘北國紅’的光合-光響應(yīng)曲線Fig.5 Light response curves of ‘Beiguohong’ based on four models

圖6 基于4 種模型的山葡萄品種‘雙豐’的光合-光響應(yīng)曲線Fig.6 Light response curves of ‘Shuangfeng’ based on four models

圖7 基于4 種模型的山葡萄品種‘左山1’的光合-光響應(yīng)曲線Fig.7 Light response curves of ‘Zuoshan 1’ based on four models

圖8 基于4 種模型的山葡萄品種‘左山2’的光合-光響應(yīng)曲線Fig.8 Light response curves of ‘Zuoshan 2’ based on four models

在PAR為0 μmol/(m2·s)時，‘北冰紅’和‘雙豐’2個品種的Pn值低于1 μmol/(m2·s)，其他6個品種的Pn值高于1 μmol/(m2· s)，說明‘北冰紅’和‘雙豐’的暗呼吸速率高于另外6個品種。隨PAR 上升，各品種的Pn值由高到低依次為‘北冰紅’‘左優(yōu)紅’‘雙紅’‘雪蘭紅’‘雙豐’‘左山1’‘左山2’‘北國紅’。PAR 為2 500 μmol/(m2·s)時，‘北冰紅’的Pn值趨于飽和；PAR 為2 000 μmol/(m2· s)時，‘雙紅’‘雪蘭紅’‘雙豐’‘左山1’和‘左山2’的Pn值趨于飽和；PAR 為1 500 ～1 700 μmol/(m2·s)時，其他品種的Pn值即飽和。說明在強光環(huán)境中‘北冰紅’的光能利用效率優(yōu)于其他7個品種。

2.2 不同山葡萄品種光合-光響應(yīng)曲線的擬合精度

以均方根誤差、平均標(biāo)準(zhǔn)誤差和決定系數(shù)檢驗?zāi)Ｐ蛿M合的精度，基于4 種模型的8個山葡萄品種光合-光響應(yīng)曲線的擬合精度見表1。均方根誤差、平均標(biāo)準(zhǔn)誤差越小，決定系數(shù)越大，擬合效果越好[25]。由表1 可知，采用4 種模型擬合的8個山葡萄品種光合-光響應(yīng)曲線的決定系數(shù)均超過了0.98，擬合精度較高。其中，非直角雙曲線模型的擬合效果最優(yōu)，均方根誤差最低，且擬合的8個山葡萄品種的光合-光響應(yīng)曲線的決定系數(shù)均在0.99 以上；指數(shù)函數(shù)模型的擬合精度較低，擬合的‘北國紅’‘左山1’和‘左山2’品種的光合-光響應(yīng)曲線的決定系數(shù)低于0.99。就均方根誤差來看，非直角雙曲線模型的擬合精度最高，擬合效果最優(yōu)。4 種模型對各品種的擬合效果由優(yōu)到劣依次是‘北冰紅’‘雙紅’‘左優(yōu)紅’‘雙豐’‘雪蘭紅’‘左山2’‘左山1’‘北國紅’。

表1 基于4 種模型的8個山葡萄品種光合-光響應(yīng)曲線的擬合精度?Table 1 Photosynthesis-light response curve fitting accuracy of 8 V.amurensis varieties based on four models

2.3 不同山葡萄品種光響應(yīng)參數(shù)預(yù)測值與實際值的比較

表觀量子效率、光補償點和暗呼吸速率3 項參數(shù)用以反映暗光條件下的光能利用水平，最大凈光合速率和光飽和點2 項參數(shù)用以反映強光條件下的光能利用水平[26]?；? 種模型的8個山葡萄品種光合-光響應(yīng)曲線的生理參數(shù)預(yù)測值和實際值見表2。由表2 可知，與實測值相比，由基于直角雙曲線修正模型擬合的光合-光響應(yīng)曲線預(yù)測的最大凈光合速率最精準(zhǔn)；由基于非直角雙曲線模型擬合的光合-光響應(yīng)曲線預(yù)測的光補償點和暗呼吸速率最準(zhǔn)確。由于指數(shù)函數(shù)模型不能直接求得山葡萄的Pn,max[27]，直角雙曲線模型和非直角雙曲線模型在求解過程中無極值且計算的光飽和點為負值，均無法模擬光飽和點。

表2 基于4 種模型的8個山葡萄品種光合-光響應(yīng)曲線的生理參數(shù)預(yù)測值和實際值?Table 2 The photosynthetic light-response curve of predicted value and actual value in physiological parameters of 8 V.amurensis varieties based on four models

續(xù)表2Continuation of Table 2

2.4 不同山葡萄品種耐強光和耐暗光能力的聚類分析

新疆光照資源十分充裕，根據(jù)選育需要，首先對8個山葡萄品種的耐強光能力進行聚類分析，結(jié)果如圖9所示。由圖9 可見，8個品種被分為4 類，各品種間距離較大，特點均較為突出。第1 類為‘北國紅’，其最大凈光合速率和光飽和點均最低，耐強光能力和強光利用效率均最差。第2 類為‘雙豐’‘左山1’‘左山2’，這3個品種的最大凈光合速率為6.404 ～7.457 μmol/(m2·s)，光飽和點為2 195.63 ～2 616.39 μmol/(m2·s)，屬于強光利用效率較低，耐強光能力較弱的品種。第3 類為‘左優(yōu)紅’和‘雪蘭紅’，這2個品種的最大凈光合速率中等，但光飽和點較低，屬于強光利用效率較高但耐強光能力弱的品種。第4 類為‘北冰紅’和‘雙紅’，這2個品種的最大凈光合速率和光飽和點均較高，屬于強光環(huán)境利用效率較高且耐強光的品種。

圖9 8個山葡萄品種耐強光能力的聚類分析結(jié)果Fig.9 Cluster analysis result of strong light environmental factors of 8 V.amurensis varieties

對8個山葡萄品種的耐暗光能力進行聚類分析，結(jié)果如圖10所示。由圖10 可見，8個品種被分為4 類。第1 類為‘左山1’‘左山2’‘雙紅’，該類品種的表觀量子效率、光補償點和暗呼吸速率均為中等，說明其暗光利用效率、耐暗光能力、暗呼吸消耗均為中等。第2 類為‘北國紅’，該品種的表觀量子效率較低，暗呼吸速率較低，光補償點較高，屬于暗光利用效率較低、暗光適應(yīng)能力較弱、呼吸消耗較高的品種。第3 類為‘左優(yōu)紅’和‘雪蘭紅’，這2個品種的表觀量子效率、暗呼吸速率和光補償點均較低，屬于耐暗光能力強、暗呼吸消耗少但弱光利用效率較差的品種。第4 類為‘北冰紅’和‘雙豐’，這2個品種的表觀量子效率較高，光補償點較高，暗呼吸速率較高，屬于暗光利用效率較高、耐暗光能力弱且暗呼吸消耗高的品種。

圖10 8個山葡萄品種耐暗光能力的聚類分析結(jié)果Fig.10 Cluster analysis result of weak light environmental factors of V.amurensis varieties

2.5 不同山葡萄品種光能利用效率的層次分析

2.5.1 評價指標(biāo)體系的建立

各品種的耐強光能力和耐暗光能力的聚類結(jié)果不一致，故采用層次分析法對各山葡萄品種的光能利用效率進行綜合評價。綜合考慮表觀量子效率、光補償點和暗呼吸速率3 項指標(biāo)，建立暗光環(huán)境因子指標(biāo)（IA）評價模型：

IA=W1α+W2PLC+W3Rd。

式中：W1為表觀量子效率的權(quán)重；W2為光補償點的權(quán)重；W3為暗呼吸速率的權(quán)重。

綜合考慮最大凈光合速率和光飽和點2 項指標(biāo)，建立強光環(huán)境因子指標(biāo)（IQ）評價模型：

IQ=W4Pn,max+W5PLC

式中：W4為最大凈光合速率的權(quán)重；W5為光飽和點的權(quán)重。

將暗光環(huán)境因子和強光環(huán)境因子2個層次作為主要評價要素，綜合其單項要素構(gòu)建山葡萄品種光能利用效率評價模型（E），根據(jù)E值篩選光能利用效率最佳的山葡萄品種。

E=(W6IA+W7IQ)×100。

式中：W6是暗光環(huán)境因子的權(quán)重；W7是強光環(huán)境因子的權(quán)重。

采用AHP 層次軟件包對山葡萄光響應(yīng)參數(shù)指標(biāo)評分數(shù)據(jù)進行分析，對構(gòu)造的判斷矩陣進行一致性檢驗，3 組判斷矩陣RC均為0，均通過了一致性檢驗（表3），得出各指標(biāo)的權(quán)重值（表4）。

表3 最佳光能利用效率山葡萄品種篩選總目標(biāo)下各要素標(biāo)度及權(quán)重Table 3 Scale and weight of each factor under the general target of V.amurensis screening for optimal light use efficiency

表4 最佳光能利用效率山葡萄品種篩選體系的層次結(jié)構(gòu)Table 4 Hierarchical structure of varietal screening system for optimal light use efficiency of V.amurensis

2.5.2 綜合評價

由于基于直角雙曲線修正模型所預(yù)測的最大凈光合速率與實測值最吻合，但對光飽和點的預(yù)測值遠大于實測值，基于非直角雙曲線模型所預(yù)測的表觀量子效率和光補償點與實測值最吻合，因此在進行評價時分別選取基于直角雙曲線修正模型所預(yù)測的最大凈光合速率和基于非直角雙曲線模型所預(yù)測的表觀量子效率和光補償點進行標(biāo)準(zhǔn)化，計算各品種的綜合得分，結(jié)果見表5。由表5 可知，各品種的強光環(huán)境因子得分由高到低依次為‘北冰紅’‘雙紅’‘雪蘭紅’‘左優(yōu)紅’‘雙豐’‘左山2’‘左山1’‘北國紅’，各品種的弱光環(huán)境因子得分由高到低依次為‘雪蘭紅’‘左優(yōu)紅’‘雙紅’‘左山2’‘左山1’‘北冰紅’‘雙豐’‘北國紅’。各品種的綜合得分由高到低依次為‘北冰紅’‘雙紅’‘雪蘭紅’‘左優(yōu)紅’‘雙豐’‘左山2’‘左山1’‘北國紅’?！北t’得分最高，表現(xiàn)最優(yōu)。

表5 8個山葡萄品種光能利用效率的綜合評價結(jié)果Table 5 Comprehensive evaluation result of light response capability on 8 V.amurensis varieties

3 結(jié)論與討論

研究結(jié)果表明，采用光合-光響應(yīng)模型模擬山葡萄光合過程的可行性較高，采用非直角雙曲線模型模擬8個山葡萄品種光合-光響應(yīng)曲線的效果最佳，采用指數(shù)函數(shù)模型擬合的效果最差，基于直角雙曲線修正模型預(yù)測光響應(yīng)參數(shù)更為全面。采用層次分析法對8個山葡萄品種的光能利用效率進行綜合評價，結(jié)果表明‘北冰紅’在強光和弱光環(huán)境下的光能利用效率最佳，‘雙紅’次之，‘北國紅’最差，因此可以得出‘北冰紅’是比較適合在伊犁地區(qū)推廣種植的山葡萄品種。

不同模型對同一樹種光響應(yīng)的擬合具有顯著差異，因而模型具有一定的適配范圍[24,27-28]，因此分析光響應(yīng)模型的適用性顯得尤為重要，其中關(guān)鍵是對光響應(yīng)參數(shù)的分析。本研究結(jié)果表明，基于直角雙曲線模型、非直角雙曲線模型所預(yù)測的最大凈光合速率普遍大于實測值，這是由于采用這2種模型預(yù)測最大凈光合速率時經(jīng)非線性最小二乘法計算，因此無極值[29]，基于指數(shù)函數(shù)模型所預(yù)測的最大凈光合速率低于實測值，基于直角雙曲線修正模型的預(yù)測值最接近真實值，與韓曉等[10]、李曉銳等[26]的研究結(jié)論一致。在光飽和點的預(yù)測上，由于直角雙曲線和非直角雙曲線模型是無極點的漸近線，二者皆無極值，因此無法計算植物的飽和光強[24,30]。本研究結(jié)果表明：基于直角雙曲線模型、非直角雙曲線模型和指數(shù)函數(shù)模型所預(yù)測的8個山葡萄品種的光飽和點均顯著大于或小于實測值；基于非直角雙曲線模型預(yù)測的光補償點與實測值最為接近；對于多數(shù)供試山葡萄品種來說，基于直角雙曲線修正模型預(yù)測暗呼吸速率的效果最佳，非直角雙曲線模型次之，與劉強等[31]和韓曉等[10]的研究結(jié)論一致。4 種模型擬合效果的分析結(jié)果表明，除指數(shù)函數(shù)模型外，基于其他3 種模型擬合的光響應(yīng)曲線的均方根誤差和平均標(biāo)準(zhǔn)誤差差別不大。其中，基于非直角雙曲線模型擬合的8個山葡萄品種光響應(yīng)曲線的均方根誤差和平均標(biāo)準(zhǔn)誤差均為最低，決定系數(shù)最大，擬合效果最佳。張保玉[32]經(jīng)研究發(fā)現(xiàn)，在直角雙曲線模型、非直角雙曲線模型和二項式回歸模型中，采用非直角雙曲線模型對40 余個葡萄品種的光響應(yīng)曲線進行擬合的效果最佳；Favreau 等[33]在甜菜光響應(yīng)的研究中也得到了相同的結(jié)論。

層次分析法是一種將定性評價與定量評價相結(jié)合的系統(tǒng)評價法，其特點在于各參數(shù)權(quán)重值由行業(yè)內(nèi)專家共同商議來確定，避免了對重要參數(shù)的忽略，其評價結(jié)果更貼合生產(chǎn)實際[24,34-35]。本研究中，采用層次分析法將8個山葡萄品種的5 項光響應(yīng)參數(shù)分為強光環(huán)境因子和弱光環(huán)境因子，由于試驗地屬大陸性北溫帶溫和干旱氣候，熱量豐富，光照充足，全年有效光照達2 846 h[28]，因此應(yīng)首先考慮光響應(yīng)參數(shù)中的強光環(huán)境因子指標(biāo)（所賦權(quán)重最高），其次為弱光環(huán)境因子指標(biāo)（所賦權(quán)重最低），該結(jié)果與伊犁地區(qū)的生產(chǎn)實際最為吻合。

本研究中未涉及蒸騰速率、氣孔導(dǎo)度等光合參數(shù)，且在‘北冰紅’‘雙豐’‘左山1’和‘左山2’4個品種光響應(yīng)曲線的擬合過程中出現(xiàn)了過擬合現(xiàn)象，后續(xù)研究中可考慮增加光合參數(shù)，擴大光合有效輻射范圍。