УДК 633.85:631:526.32 https://doi.org/10.36107/spfp.2021.216
Применение кластерного анализа для идентификации
масличного сырья
Клейменова Наталья Леонидовна
ФГБОУВО «Воронежский государственный университет
инженерных технологий» Адрес: 394036, г. Воронеж, проспект Революции, д. 19
E-mail: klesha78@list.ru
Болгова Инэсса Николаевна
ФГБОУВО «Воронежский государственный университет инженерных технологий» Адрес: 394036, г. Воронеж, проспект Революции, д. 19 E-mail: bolgovainessa@yandex. ru
Копылов Максим Васильевич
ФГБОУВО «Воронежский государственный университет инженерных технологий» Адрес: 394036, г. Воронеж, проспект Революции, д. 19 E-mail: kopylov-maks@yandex.ru
Пегина Алла Николаевна
ФГБОУВО «Воронежский государственный университет
инженерных технологий» Адрес: 394036, г. Воронеж, проспект Революции, д. 9
E-mail: toriss@yandex.ru
Кашолкина Дарья Андреевна
ФГБОУВО «Воронежский государственный университет
инженерных технологий» Адрес: 394036, г. Воронеж, проспект Революции, д. 19
E-mail: toriss@yandex.ru
В данной статье осуществлен поиск математических методов для оценки уровня сбалансированности основных количественных признаков у масличных сортов. На основе экспериментальных данных применения кластерного анализа для оценки сортов различных масличных культур проанализированы основные количественные признаки и урожайность. С помощью кластерного анализа проведена идентификация различных сортов масличных культур, которые выращивают в разных регионах страны. Изучены основные посевные площади масличных культур за 2017-2019 годы. В результате проведенных исследований установлено сокращение площадей по культурам льна, горчицы и рыжика, что связано с урожайностью и малым экспортом. Проанализированы состояние роста и развития масличных культур, продолжительность их возделывания, зависящая от биологических особенностей сорта, а также технологии выращивания. Изучена специфика и особенности исследуемых масличных культур. С помощью метода выявлены единые меры, которые включают ряд исследуемых признаков. Данные признаки объединены с помощью метрики в один кластер сходства группирования исследуемых объектов. Сорта сгруппированы в три кластера по годам. Состав каждого кластера менялся в зависимости от природно-климатических условий. Осуществлен разведочный анализ с использованием точечной диаграммы. Построена дендограмма сравнительной характеристики сортов масличных культур по элементам структуры урожая. При помощи метода K-means clustering кластеризации определены евклидовы расстояния исследуемых параметров средних значений соответствующих 5 кластеров, которые имеют схожие сорта масличных культур. На основании проведенных исследований можно определять конкурентоспособность различных масличных культур, разрабатывать новые пищевые продукты.
Ключевые слова: кластер, кластерный анализ, масличные культуры, статистика, дендограмма, урожай
Введение
В настоящее время наблюдаются позитивные изменения развития агропромышленного комплекса, которые позволяют использовать передовые технологии для выращивания масличных культур в различных климатических условиях (El-haak, Atta, & Abd Rabo, 2015; Lobeil & Gourdji, 2017).
Авторами (Тищенко, Панченко, & Чернышева, 2013) применялись выборки генотипов и их структурных элементов для пшеницы озимой и на основе Эвклидовой метрики получена классификация сорта и определена степень сбалансированности показателей для урожая. Кластерный анализ применялся для оценки сортов мягкой яровой пшеницы по элементам структуры урожая в статье (Шаманин, Петуховский, & Краснова, 2016).
Получены результаты кластерного анализа, в которых разделена совокупность сортов яровой мягкой пшеницы на 5 групп, имеющих разное сочетание параметров длины корней с мощностью их развития как в контроле, так и в присутствии алюминия (Лисицын & Амунова 2014). Авторы предполагают, что повышение алюмоустойчиво-сти сортов яровой мягкой пшеницы происходит косвенным путем, параллельно с целенаправленной селекцией на повышение уровня устойчивости растений к абиотическим факторам среды выращивания.
Авторами (Gebeyehu, Hammenhag, Ortiz, Tesfaye, & Geleta, 2020) проведено исследование по выявлению наличия значительных фенотипических и ге-нотипических различий в генофонде эфиопской нуги, отраженных как на качественных, так и на количественных признаках. Кластерный анализ на основе евклидовых расстояний показал, что схема кластеризации образцов плохо коррелирует с географическим расстоянием между местами сбора проб. Отсутствие четкой модели кластеризации присоединений с учетом их географической близости предполагает сильный поток генов между популяциями в широком географическом регионе - Эфиопии.
Исследования авторов (Румянцев & Глуховцев, 2011; Бушнев, Подлесный, & Хатит, 2019; Котля-рова, & Титовская, 2018), позволили предложить научную концепцию селекции зерновых культур по устойчивости к стрессовым факторам, что способствовало получению высокого урожая и высокопластичных сортов, которые имеют свойство противостоять экстремальным условиям в период вегетации.
Однако в природе имеются масличные культуры, которые имеют сбалансированный состав признаков, что обеспечивает им выживание в постоянно изменяющихся климатических условиях (Hussain et al., 2017; Hassan et al., 2019). Выращивание гибридов не способствует идеальному составу в генотипе масличного сырья (Тищенко, Ищенко, & Дубенец, 2016; Creissen, Jorgensen, & Brown, 2016; Bhattarai, Thapa, Ojha, Kharel, & Sapkota, 2017).
Известно, что лен и горчица выращиваются для экспорта, а из рыжика в перспективе можно получать масло и шрот (Patial, Paul, Sharma, Sood, & Kumar, 2019; Jankowski, Zahiski, & Sokólski, 2020; Krzyzaniak et al., 2019).
Для успешного выращивания богатого урожая необходимо знать состояние роста и развития масличных культур, продолжительность возделывания, зависящее от биологических особенностей сорта, а также технологии выращивания (Abdorreza, Hossein, & Morteza, 2015; Embaye et al., 2018; Cuesta-Marcos et al., 2016; Agahi, Ahmadi, Oghan, Fotokian, & Orang, 2020; Majerova & Nevima, 2017; Mustafa, Farooq, Hasan, Bibim, & Mahmood, 2015; Khalid & Hameed, 2021; Venujayakanth, Dudhat, Swaminathan, & Anurag, 2017). В данном контексте важным элементом является изучение специфики и особенностей масличных культур.
В современных условиях развития сельского хозяйства для качества продукции актуальной проблемой является совершенствование модернизации оборудования на основе развития инновационных процессов, при этом знания в области оценки технологических приёмов выращивания сельскохозяйственных культур необходимы для повышения конкурентоспособности. Анализ агро-морфологических признаков в зависимости от урожайности семян важен для повышения продуктивности масличной культуры. Поэтому важным аспектом является получение высокого урожая при наименьших затратах. С этой целью создаются новые перспективные удобрения, применяют высокопроизводительные агрегаты для обработки почвы и т.п.
Исследование направлено на поиск математических методов, с помощью которых можно оценить уровень сбалансированности основных количественных признаков у масличных сортов.
Цель исследования - провести анализ на основе экспериментальных данных применения кластерного анализа для оценки сортов различных
масличных культур по сбалансированности основных количественных признаков и урожайности.
Задача исследования - применить кластерный анализ для идентификации различных сортов масличных культур, произрастающих в разных регионах и установить сбалансированность количественных признаков, с помощью которых определяют адаптивные свойства, способствующие увеличению урожайности.
Материалы и методы Материалы
Масличные культуры, используемые в кластерном анализе - рапс (яровой), подсолнечник, рыжик (яровой и озимый), расторопша (пятнистая), лен (масличный), горчица (белая).
Методы
Цель кластерного анализа заключается в построении групп (или классов, или кластеров), обеспечивая при этом следующее свойство: внутри группы наблюдения должны быть как можно более похожими, в то время как наблюдения, принадлежащие к разным группам, должны быть как можно более разными.
Процедура исследования
В кластерном анализе в основу группировок было включено 5 признаков: урожайность зерна, продуктивная кустистость, число зерен в колосе, масса 1000 семян, масса зерна с колоса. На основе 5 признаков, которые характеризуют сорта исследуемых масличных культур, использовалась иерархическая кластеризация для поиска иерархии кластеров, которая представляет древовидную структуру - дендрограмма. На основании кластеризации к-средних необходимо вычислить расстояния, чтобы каждый кластер был связан с центроидом. Цель применения к-средних состоит в минимизации суммы расстояний между точками и их центроидом кластера.
Анализ данных
Анализ проводили, используя 54 сорта с помощью математического метода - кластерный анализ в программе 81аЙ5Йса.
Результаты и их обсуждение
Анализ литературных данных показал, что в России самой распространенной культурой является подсолнечник из всех исследуемых объектов. Урожайность масличных культур за 2017 2019 - года представлена на Рисунке 1.
Согласно Росстату1, в России за 2019 год различные масличные культуры занимают 19 % основных посевных площадей. Из исследуемых масличных культур: пшеница - 15,3 %, подсолнечник - 10,7 %, ячмень - 10,2 %; рапс - 1,9 %, лен масличный - 1 %, горчица - 0,5%, рыжик - 0,1 %. Однако наблюдалось сокращение площадей по культурам льна, горчицы и рыжика, что связано с урожайностью и малым экспортом. Данные агрокультуры занимают малую долю для производства пищевых растительных масел.
При проведении исследования возникла проблема объединения по сходству объектов, которые характеризуются множеством признаков, выраженных в разных единицах измерения. Поэтому воспользовались математическим методом - кластерным анализом. С помощью метода выявлены единые меры, которые включают ряд исследуемых признаков. Данные признаки объединяются с помощью метрики в один кластер сходства группирования исследуемых объектов. Исследованию подверглись 54 сорта масличных культур, значения параметров взяты преимущественно с видов, высаженных в Центральной части России2-3. Формирование кластеров основываются на исследовании сортов и выявлении значений элементов структуры урожая в среднем за 2017-2019 годы4. Для данного исследования сгруппировали сорта в три кластера по годам. Состав каждого кластера меняется в зависимости от природно-климатиче-ских факторов. В программе 81а1л51лса сформировали данные с анализируемыми параметрами (Таблица 1).
1 Валовые сборы и урожайность сельскохозяйственных культур в Российской Федерации в 2019 году. URL: https://rosstat.gov.ru (дата обращения: 13.04.2021).
1 Итоги сортоиспытания сельскохозяйственных культур. URL: https://agro.amurobl.ru (дата обращения: 20.0S.2021).
3 Сорта растений, включенные в Государственный реестр селекционных достижений, допущенных к использованию. URL: https://web.archive.org/web/20171101010903/http://reestr.gossort.com/reestrA/15 (дата обращения: 10.04.2021).
4 Результаты сортоиспытания сельскохозяйственных культур на госсортоучастках Кировской области за 2017-2019 годы и сортовое районирование на 2020 год. Рекомендации составлены в помощь специалистам сельскохозяйственного производства. URL: https://docviewer.yandex.ru (дата обращения: 10.04.2021).
Другие масличные кульр^ры
Ячмень
Пшеница
Подсолнечник
Лён масличныи
Рапс
Горчицэ
Рыжик
21,2
12019 ■2018 12017
10 15 20 25
Объем, %
Рисунок 1. Посевные площади масличных культур за 2017-19 годы
Следующим этапом работы являлось проведение разведочного анализа с использованием точечной диаграммы (БсаПегрЫз).
Анализ точечной диаграммы (Рисунок 2) показал, что по четырем исследуемым признакам анализируемые масличные культуры разбиваются на 5 кластеров, выделение кластеров необходимо для дальнейшего исследования анализа. При построении дендограммы использовалась Эвклидова метрика и метод единичной связи (Мулянова & Косников, 2018). Сравнительная характеристика сортов масличных культур по элементам структуры урожая представлена на Рисунке 3.
Для того чтобы наглядно увидеть разбиение на кластеры используем изменение масштаба (Рисунок 4).
Анализ Рисунка 4 показал, что первый кластер представлен горчицей разных сортов, представителем второго кластера является подсолнечник, третьего - разные сорта льна и рыжика, четвертого - расторопша, пятого - рыжик «Омич» и все сорта рапса. Известно, что различные сорта рапса
имеют невысокую зимостойкость и поэтому выращивают в регионах с мягким климатом. Рыжик «Омич» устойчив к климату Сибири, количество Омега 9 больше чем в других сортах рыжика.
Следующим этапом необходимо применить K-means clustering кластеризации (Venujayakanth et al., 2017). С помощью разведочного анализа построено 5 кластеров по результатам и графики средних значений для выбранных кластеров по элементам структуры урожая масличного сырья (Рисунок 5).
На Рисунке 5 получены средние переменные для пяти кластеров: урожайность, продуктивность куста, число зерен в колосе, масса 1000 зерен и масса зерна с колоса. Урожайность, масса 1000 зерен и с колоса незначительно влияют на классы, следовательно, можно игнорировать (исключить). Число зерен в колосе зависит от фаз развития, внесения питательных веществ, от погодных условий.
С помощью раздела описательной статистики для каждого класса определяется принадлежность исследуемых объектов к каждому классу (Рисунок 6).
Таблица 1
Формирование кластеров при исследовании различных масличных сортов
Номер Сорт Урожай- Продуктив- Число зёрен Масса 1000 Масса зер-
кластера ность, т/га ность куста в колосе, шт. зёрен, г на с колоса, г.
Рапс Яровой "Амулет" 2,3 1,2 22 3,7 8,03
Рапс Озимый "Лорис" 3,5 1,5 24 3,9 8,85
Рапс"Галант" 2Д 1,1 26 3,1 8,1
Подсолнечник "Бузулук" 3,1 1,3 417,6 55 33,3
Подсолнечник "Джинн" 3,2 1,2 440 56 35,4
Подсолнечник "Умник" 3,3 1,1 412,2 58 30,9
Рыжик "Карат" 2Д 0,99 98,2 0,9 0,46
Рыжик "Омич" 2 1,1 101,3 1,3 0,48
1 (2017) Рыжик «Пензяк" 2,3 1,3 105,4 0,9 0,49
Расторопша "Пятнистая" 1,6 0,93 35,2 0,9 6,5
Расторопша "Амулет" 1 0,99 40,3 1,1 4,2
Расторопша "Панацея" 0,5 1,01 39,4 1 7Д
Лён «Нилин" 1,9 0,94 87 5,5 0,86
Лён "Бирюза" 2,5 0,97 96 7,4 0,9
Лён «Даник" 2,5 0,98 101 7,9 1,05
Горчица Белая «Калла" 1,9 0,97 530,2 5,1 1,44
Горчица "Люкс" 2,3 0,95 510,6 3,2 1,87
Горчица "Ника" 2,8 0,94 537,2 3,4 1,6
Рапс Яровой "Амулет" 2,6 1,3 25 3,9 7,9
Рапс Озимый "Лорис" 3,3 1,4 24 4,1 8,02
Рапс"Галант" 2,3 1,3 25 2,9 8,7
Подсолнечник "Бузулук" 2,8 1,2 410,1 58 35,7
Подсолнечник "Джинн" 3 1,1 432,3 69 38,3
Подсолнечник "Умник" 3,1 1 405,9 60 34,9
Рыжик "Карат" 2 1,1 100,3 0,93 0,47
Рыжик "Омич" 1,9 1 104,2 1,2 0,49
Рыжик «Пензяк" 2,2 1,3 99,9 1,2 0,46
Расторопша "Пятнистая" 1,6 1,09 38,4 0,8 7,3
2 (2018) Расторопша "Амулет" 1,2 0,98 38,7 1 4,2
Рыжик "Омич" 1,9 1 104,2 1,2 0,49
Рыжик «Пензяк" 2,2 1,3 99,9 1,2 0,46
Расторопша "Пятнистая" 1,6 1,09 38,4 0,8 7,3
Расторопша "Амулет" 1,2 0,98 38,7 1 4,2
Расторопша "Панацея" 0,6 0,99 40,1 0,9 5,6
Лён «Нилин" 2Д 1,01 90 5,3 1,02
Лён "Бирюза" 2,4 0,96 99 7,5 0,99
Лён «Даник" 2,6 0,98 96 7,8 0,97
Горчица Белая «Колла" 2 0,96 540,3 5,2 1,93
Горчица "Люкс" 2 0,98 533,4 3,5 1,77
Горчица "Ника" 3,2 0,99 524,2 3,3 1,6
Рапс Яровой "Амулет" 2,4 1,1 22 4,1 8,1
3 (2019) Рапс Озимый "Лорис" 4,0 1,5 23 4,2 8
Рапс"Галант" 2,5 1,2 25 3 8,3
Номер Сорт Урожай- Продуктив- Число зёрен Масса 1000 Масса зер-
кластера ность, т/га ность куста в колосе, шт. зёрен, г на с колоса, г.
Подсолнечник "Бузулук" 3 1,3 407,2 62 36,3
Подсолнечник "Джинн" 3,1 1Д 421,3 71 34,2
Подсолнечник "Умник" 3,5 1Д 405,1 62 37,5
Рыжик "Карат" 2,3 1,2 97,6 0,92 0,44
Рыжик "Омич" 2Д 1 101,2 1,3 0,46
Рыжик «Пензяк" 2 1,3 102,1 1,3 0,49
Расторопша "Пятнистая" 1,5 0,97 41,2 1 6,7
3 (2019) Расторопша "Амулет" 1Д 0,99 39,5 1Д 7,2
Расторопша "Панацея" 0,6 1,01 40,3 1,2 7,9
Лён «Нилин" 2 0,98 97 5,4 0,99
Лён "Бирюза" 2,6 0,95 101 7,9 1,09
Лён «Даник" 2,7 1,03 104 8 1,02
Горчица Белая «Колла" 2Д 0,98 534,2 5,2 1,74
Горчица "Люкс" 2,2 1,01 540,6 3,3 1,95
Горчица "Ника" 3,1 0,97 538,9 3,7 1,87
Ово О
ЗслПегркЯ о< Прел куст адаля Урожайность тта Пред *г>ст * 0.&51В+0,1057** 1,6 |---------■■■--------------------- ------------ -------------
всэПегрю* о( число эере* е поиск*, и/т зцамщ урожайность. т.т» таблица исправление СТАТИСТИКА *Тв 11у"б4с
Рисунок 2. Точечная диаграмма из программы ЯаЕийса
0,5 1,0 1.5 2,0 2.5 3,0 3,5 Урожайность т/га ЭсаКегрм с* Масса 1000 э#р»н. г адаюя Урожайности, т/гл таблица исправление СТАТИСТИКА »а 11¥*Мс Масса ЮОО эбрсн, г * 23,6653+157606*«
0,5 1.0 1,5 2,0 2.5 3,0 3,5 Урожайность, т/га
0.5 10 1.5 20 2.5 30 35
Урожайность. т,Та
&саиетр1о« о? Масса зерна с колоса г адата! Урожайность т га таблица исправление статистика «а 11 у"5Чс Масса зерна с колоса, г ■ -0.2М1+7,7033*х
0.5 1,0 1.9 2,0 2.9 3.0 3.5 4.0 4.5 Урожайност». т/га
Tree Diagram for 54 Cases Complete Linkage Euclidean distances
Parv: Ярова* 'Амулет' 1 Рапс Яровой "Амулет" 3 Рапс Озимый 'Лиме т I ¿"С j.'.-n« -ж' :■■
Рапс ОжмымПТфмС" 3 Рэпе Талант' 1 Pant Таг-.а*т" 1
Рапс Талант' 3 Pans Яро&эй 'Амулет' 2 Расторопшв 'Пятимая' 1 Растор«1ша Амулет) 1
Горчиц ______
Гйрчацарбпак 'Крита' Горчица Ника Горчила "Ника" Горчила "Ника" Гормтцз Б«пй« "КолгчГ [ср^мца Лккс . Горчща "Ниже" 1
100
200 300
Linkage Distance
400
500
600
Рисунок 5. Сравнительная характеристика сортов масличных культур по элементам структуры урожая в среднем за 2017-2019 гг.
100 90
70 60 60 40
Tree Eiagram for 5J Cases
Ward & meinod
Euclidean distances
S
с
Я «
S
а;
j 30
20
Ю
£1
J=L
i.
e^ ошгс § ïïsl M HtSftS £31л iisr" — - - ■
■ ' ■ - ^ ïi
=] =1 Ïff'ï t -Ы-*
* S = S
"nCqïïïStÎSM П.В.-Ц,
3- ^SSBItli
S ï 6 j uJzLoJzLoHf
I штат
с с г
соо||
и g Дг* m1-1-
№ £ £ I
Рисунок 4. Объединенные кластеры на дендограмме
Plot ог Меаяь forEacn Cluster
m О Q.
tu
(U Q.
700 eoû 500 40Û 300 200 100 0 -100 -200
x
0) Q. U
о.
S
I
tz
Var^Wes
Clusieï Cluster Clu$1ër Cluster Cluster
Рисунок 5. График средних расстояний для элементов структуры урожая масличного сырья 2017-2019 гг.
SUfthW* - - iAmbir4 ai CUtfWf tomber I -¡в&Апш н£
b* ёи.г Ч*ч» !«мп ftsrroïl ¿tihitcs BiiiMin-ч frapin i
D Ч a Î5 Л L4 * 4i n -a H. ^¿dlD^TlUC
1м* Jjn F a i;» [î л
-J Млчтай" j '.-■-« -'!H;i-i .Jl
. J СМИ* Алл|;г1Н LH6 4HÎ Oifliincn-
j [Hidïef■■ CbrJtf «Ërïlâi
: umbîiirtti С-Яаг-Lt
dt1 Piiiym "Ktn«" t 1
f ' ; MtmMU M tl PUMI, "Oww' 1 i ÎU-..M-
ilnM "Нипин" 1
.:li ■ -[Jîittin* 1 [№l3!t!
Ллн 'Д6|»ЬГ 1
PWwttltHlil'l
-ïfe^Ai' г t I6.I8TJ
dklH "Пинии" t {шоги
№h ~l :ir J^illil' 2 i <»1ве
ллн гдвмл" г ÏOWSÏS
FKUU -iL-is.tr- ] s (41344
rO»*ri- 3 t ЙЙ>77
Рюп-Лга^З 3№iJ
!■■■ II. -.■.■- . Diiiw^a
ÎMH lji«M-j (.57ZT1S
Лин Я Ï'JJJJSÉ
i4j iljtisliçji ■ [IftkgrtboQkS* ■ K*embcra q( С¡uiier Numi^ef J |тавяицл нцпропм ?ilt tdii: ïie* |№e« FQrmjî Dana Ы'""Ч> look J
A fo *a & ■ *
I Anal
j Wc'^bot^ -J Cli^tçf Ai4ty«
| al С
i ЦЯИЯНДВ
! Мрлфеп t}i i
Mambeirs иг Л|v! rii .lniici ClMsIe* Hinin Dial-nncc
Pain: кронам "Аиуцят" 1 PRCTC i^+iiwl^ 1 Pwic -[А-чнг : шяз — i 91BIH
Piilû^tWVujft "ГЪ1ТшкТЙ(ТТ 1 PnrrnugiuLbi-JWyran- 1 Рвстордпшо *Tl»iwunn" ' pane flpoeofr -y^jynffi" ? pi-'ic owmult '¡кляп;1- 7 p.i/il TirtéHi- a Ï.Î09JÎ J 7W7 «Ï9M 2Î27T2 ?ИО}7 13.ШИ
Pu»li>: VWr- i
Расторгни f|4rHI»CTafl ' PtcioiMMuo "/wvnei" 2
l.jli.li |. ,1 i РЫ1С flfUJIirri'L 7*Ч(П0Г a pirnt Ошчы,* "(toi™" 3 1.62ÎJ1 3,72831
РЬЯС -г алвнг I i 3«9W
РКТ^МПиМ 'Пятнжтш' 3 Ï.D34IÏ
Рвсторвшца 'Лиугии" 3 PiKrumniLUt Tnimuiurï j.hitw
S-bilmEK d ■ É'V'tfOTfcbcwtiH.'.J" - Mtfmtor» C'uaLcr ^umbo 3 L4aCi.»HUii ritr-опптг^г« i j ' [ |Гп £iJi1 1£ч-л Irtinl ' ù'inr»l SMfiUKl LMf.1 fi! '"J ¿jr.-4.-lv-. ïuâti. £2Vrf.â Wbrk£ao4
D tf У fl
| Aiikl
m t luîtrJ ÀlUi)fUl (FdrB ■_* '«¡ПМАГЧ* ChrtU^lt
t . MtfifinfcHTr». «Г Cl] 'Wn-intwr*. оГ til Mcifibii » ot C1
Î hV-VC on MÎ4 ■ ы « J Съу .'ly i lym'" 1 [кадс-йт-ДО-нкН»; ПОДСС11ГЧ|4СН-|||«1М Mtlf nLV>li*LjA ""ОДИССС1Й** I
Горчица! Вогшн "Колпа1' 1
Гор' !Hl i TlPOKC"
ГВДУММЦП "Ииив" 1 ГЬоддопндопчлц "Джини" г
î гчйгпк miiî: i при»jtf "qfiyiç-.te&fr" v
¡'■.?irinl.|ïi i ripi ijih 'Kiiilim" ? ГмдРШцП "Лш)(е' ? ГОрнИцй "Ним" 2 Г1«дсйП14№1М4к "byaynyW 3 Псдсап1*оч(кн ""Джмнм"
f Иоде □nHti4J»+w модптмый "Одиссей4 :s [ > :.-..i Ы1гшм "Поппп" 3 I ор^ицп "Пюкс" 3 f ijfp^utiM Никит
(-'.' . .'■■. . - l ajm iii- 1-1.- гн-.1 r -
H -2P . ' ПО - ■> I "a
UtNriFHris Oi
ari<l Очишпс* Ouilai conte
L>1 «InrtLB
i 4:"j:+/ ' Srtï.on/oe
ИЛ.вЧ KSf.t 332/ 31 ,вЗ/Ьв ÏI ,'игп
ЙВмЧ S tu 4 0-'i.»4i /ri iA4 T
30,15373 34.4 4824 3ÎÎ :и4ч/
Рисунок 6. Результативные таблицы разбиения на кластеры
Анализ Рисунка 6 показал, что во втором столбце представлено евклидово расстояние от центра класса до исследуемой культуры, т.е. средние величины.
Полученные данные по средним значениям исследуемых показателей 5 кластеров необходимы для определения как они различаются.
С помощью дисперсионного анализа для кластеров получены значения р<0,05, что свидетельствует о значимом различии (Рисунок 7). Определены
евклидовы расстояния исследуемых параметров средних значений соответствующих 5 кластеров (Рисунок 8).
Рассчитаны элементы кластеров масличного сырья, получены евклидовы расстояния объектов от центров (средних значений) соответствующих им кластеров (Рисунок 9)
Следует отметить, что полученные 5 кластеров имеют схожие сорта масличных культур.
Analysis of Variance [
УапаЫе Between dl SS Wrttim SS <Jf F signif. P
Урожайность, т/га 20 4 12,76 49 19.1612 0,000000
Продуктивность куста 0 4 0,90 49 5.7155 0,000741
Число зерен в колосе, ил 2082955 4 62111.29 49 410.8141 0,000000
Масса 1000 зерен, г. 10635 4 15350,46 49 8,4871 0,000028
Масса зерна с колоса, г 2906 4 5205.42 49 6.8388 0,000186
Рисунок 7. Дисперсионный анализ
Variable Cluster Means
Cluster No. 1 Cluster Cluster No. 2 No. 3 Cluster Cluster NO. A NO. 5
Урожайность, т/га 2,2462 2,27500 1,07778 2,70100 2 8222
Продуктивность кусте 1,0915 0,97500 0,99556 1,26000 1.0917
Число зерен в колосе, цтг 100.6154 92,25000 39.23333 21.74020 474 6444
Масса 1000 зёрен, г 3,4962 6,50000 1,00000 3,41000 32,8278
Масса зерна с колоса, г 0,6838 0,93750 6.30000 7,44900 18.5ft83
Рисунок 8. Кластерное расстояние
Distance
Рыжик "Карат" 1
Рыжик "Омич" 1 1,038654
Рыжик "Лензяк" 1 2,43788«
Лен "Дании" 1 1.967598:
Рыжик "Карат* 2 1,1654191
Рыжик "Пенэяк" 2 1.084416
П&н "Бирюза" 2 1.937780
Рыжик "Карат" 3 1,7??82li
Рыжик "Омич" 3 1.024179
Рыжик "Пензяк" 3 1,197397:
П§н"Нилин" 3 1,836431
Лен "Бирюза" 3 1.992586
Лен "Двник" 3 2,532312
Кластер 1
Members of and Distance Cluster conti
Distance
Лен "Нилин" 1 2.3962621
Лен "Бирюза" 1 1.727690
Лек"Нилин" 2 1.143779
Лен "Даник" 2 1,780966
Members л! amJ Disianci Cluster cenb
Distance
\ Расторопша "Пятнистая" 1 Расторопша "Амулет" 1 1.821801
1.054060
Расторопша "Панацея' I 0.447619
¡Расторопша "Пятнистая" 2 0.634993
Расторопша "Амулет" 3 Расторопша "Панацея" 2 [Расторопша Пятнистая" 3 0,970538 0,543951 0.917246
Расторопша "Амулет" 3 0,422288
Расторопша "Панацея" 3 0,890647
Кластер 3
Members of and Distance Cluster conle
Distance
Рапс Яровой "Амулет" 1 0,361541
Рапс Озимый "Лорис" 1 1.265354
Рапс Талант" 1 1.945892
Рапс Яровой "Амулет" 2 Рапс Озимый "Лорис" 2 1.488731 1.121360
:Рапс Талант" ?. 1 588320
Рыжик "Омич" 2 Рапс Яровой "Амулет" 3 9,671229 0,465532
Рзпс Озимый "Лорис" 3 0.923017
Рапс Талант" 3 1,520697
Кластер 2
Кластер 4
Рисунок 9. Элементы кластеров масличного сырья
Wambaes оГ and Di^tanc« Clusler cont« Distance
Подсолнечник "Бузулук" 1 ШаЩ
Подсолнечник "Джинн" 1 ?0Q979i>
Подсолнечник мллмчный "Одиссей" 1 Горчица белая "Колла" 1 31.52322 28.81154
Горчица "Лкжс" 1 22 13927
Горчица "Ника" 1 31.83758
Подсолнечник "Бузулук" 2 31,91271
Гкэдсолмечник "Джини" 2 26,41644
Подсолнечни* масличный "Одиссеи* 2 33.24176
Горчица Белая "Калла" 2 32 71841
Горчица "Люкс" 2 30.31902
Горчица "Ника" 2 26,89513
Подсолнечник "бузулук" 3 33.30294
Подсолнечник "Джинн" 3 30 15373
Подсолнечник масличный 'Одиссей" 3 34.44624
Горчица Белая "Коллэ" 3 30,31467
Горчица "Люкс"3 33.16500
Горчица "Ниш" 3 32 42571
Кластер 5
Выводы
В результате идентификации масличного сырья установлено, что сорта, принадлежащие одному роду как правила входят в один кластер. Однако есть исключение - рыжик «Омич» 2 входит в кластер 5, в котором присутствуют только сорта рапса.
К одному кластеру принадлежат родственные сорта: кластер 1 - горчица, кластер 2 - подсолнечник, кластер 3 - лен и рыжик, кластер 4 - расторопша. В результате кластерного анализа было выяснено, что третий кластер представлен родственными сортами льна и рыжика, что возможно объясняется приспособлением к климатическим условиям - засухе.
Полученные результаты исследования позволили сгруппировать разные сорта масличных культур и выделить близкие. Таким образом, применяя Эвклидову метрику, объединили сорта масличных культур и сгруппировали их.
Следует отметить, используя огромные выборки генотипов и их структурных элементов, а также анализируя соотношение их уровня с помощью Эвклидовой метрики, классифицированы сорта масличных культур и выявлена степень сбалансированности основных составляющих урожая. Данные можно использовать для определения конкурентоспособности различных масличных культур при разработке новых пищевых продуктов, а также определения ниши, в которой лучше позиционировать выводимый на рынок продукт.
Литература
Бушнев, А. С., Подлесный, С. П., & Хатит, А. Б. (2019). Влияние нормы высева семян на некоторые элементы структуры урожая сортов и гибридов подсолнечника. Масличные культуры, 2, 69-74. https://doi.org/10.25230/2412-608Х-2019-2-178-69-74. Котлярова, Е. Г., & Титовская, Л. С. (2018). Изменчивость биометрических параметров гибридов подсолнечника в зависимости от способов основной обработки почвы и листовых подкормок. Вестник Мичуринского государственного аграрного университета, 2,17-22. Лисицын, Е. М., & Амунова, О. С. (2014). Генетическое разнообразие сортов яровой мягкой пшеницы по алюмоустойчивости. Вавиловский журнал генетики и селекции, 18(3), 497-505. Мулянова, Ю. Н., & Косников, С. Н. (2018). Кластерный анализ в сельском хозяйстве. Economics, 5, 43-57.
Румянцев, А. В., & Глуховцев, В. В. (2011). Роль селекции зерновых и кормовых культур в повышении урожайности и экономической стабильности сельскохозяйственного производства в условиях Среднего Поволжья. Инновация и модернизация сельскохозяйственного производства в условиях меняющегося климата: Материалы международной научно-практиче-ской конференции (с. 19-23). Оренбург.
Тищенко, В. Н., Ищенко, А. Г., & Дубенец, Н. В (2016). Идентификация сортов и селекционных линий озимой пшеницы в кластерном анализе по сбалансированности количественных признаков в адаптивной селекции. Вестник Курганской ГСХА, 1,41-44.
Тищенко, В. Н., Панченко, П. М., Чернышева, О. П. (2013). Идентификация сортов и селекционных линий пшеницы озимой по сбалансированности количественных признаков с использованием кластерного анализа. Вестник Полтавской государственной аграрной академии, 3,28-35.
Шаманин, В. П., Петуховский, С. Л., & Краснова, Ю. С. (2016). Кластерный анализ сортов мягкой яровой пшеницы по элементам структуры урожая в Южной лесостепи Западной Сибири. Вестник КрасГАУ, 4,147-152.
Abdorreza, ]., Hossein, N., & Morteza, N. (2015). Relationship between agronomic and morphological traits in barley varieties under drought stress condition. International Journal of Basic and Applied Sciences, 9(9). 1507-1511.
Agahi, K., Ahmadi, J., Oghan, H. A., Fotokian, M. H., & Orang, S. F. (2020). Analysis of genotypex environment interaction for seed yield in spring oilseed rape using the AMMI model. Crop Breeding and Applied Biotechnology, 20(1). https://doi. org/10.1590/1984-70332020v20nla2
Bhattarai, R. P., Thapa, D. В., Ojha, B. R., Kharel, R., & Sapkota, M. (2017). Cluster analysis of Elite spring wheat (Triticum aestivum L.) genotypes based on yield and yield attributing traits under irrigated condition. International Journal of Experimental Research and Review, 10,9-14.
Creissen, H. E., Jorgensen, Т. H., & Brown, J. К. M. (2016). Increased yield stability of fi eld-grown winter barley (Hordeum vulgare L.) varietal mixtures through ecological processes. Crop Protection, 85,1-8. https:// doi.org/10.1016/j.cropro.2016.03.001.
Cuesta-Marcos, A., Kling, J. G., Belcher, A. R., Filichkin, Т., Fisk, S. P., Graebner, R., Helgerson, L., Herb, D., Meints, В., Ross, A. S., Hayes, P. M., & Ulrich, S. E. (2016). Barley: Genetics and Breeding. In: Wrigley, C., Corke, H., and Seetharaman, K., Faubion, J. (eds.) Encyclopedia of Food Grains (2nd ed., pp. 287-295). Oxford: Academic Press.
El-haak, M. A., Atta, B. M., & Abd Rabo, F. F. (2015). Seed yield and important seed constituents for naturally and cultivated milk thistle (silybum marianum) plants. The Egyptian Journal of Experimental Biology, 11(2), 141-146. Embaye, W. T., Bergtold, J. S., Archer, D., Flora, C., Andrango, G. C., Odening, M., & Buysse J. (2018). Examining farmers' willingness to grow and allocate land for oilseed crops for biofuel production. Energy Economics, 71,311-320. Gebeyehu, A., Hammenhag, C., Ortiz, R., Tesfaye, K., & Geleta, M. (2021). Characterization of Oilseed Crop Noug (Guizotia abyssinica) Using Agro-Morphological Traits. Agronomy, 11(8), 1479. https://doi.org/10.3390/agronomyll081479. Amiri Oghan, H., N. Sabaghnia, V. Rameeh, H.R. Fanaee
and E. Hezarjeribi. Univariatestability Hassan, A. 0., Hossein, Z. T., Reza, F. H., Kha-toon, K. N., Gholamreza, G., Amirkhosro, D., & Bagher, V. M. (2019). Stability Study of Seed Yield in Promising Lines of Spring Oilseed Rape in Southern-Worm Regions of Iran. Journal of crop breeding, 11(31), 42-54. Hussain, F., Rafiq, M., Ghias, M., Qamar, R., Raz-zaq, M. K., Hameed, A., Habib, S., Saad, H., & Mustafa, H. S. B. (2017). Genetic Diversity for Seed Yield and its Components Using Principal Component and Cluster Analysis in Sunflower. Life Science Journal, 14(5), 71-78. https://doi. org/10.7537/marslsjl40517.10 Jankowski, K. J., Zaluski, D., & Sokolski, M. (2020). Canola-quality white mustard: Agronomic management and seed yield. Industrial Crops and Products, 145, 112138. https://doi.Org/10.1016/j. indcrop.2020.112138
Khalid, A. & Hameed, A. (2021). Genetic divergence in wheat genotypes based on seed biochemical profiles through agglomerative hierarchical clustering and association analysis among traits. Pakistan Journal of Botany, 53(4). https://doi.org/10.30848/PJB2021-4(7) Krzyzaniak, M., Stolarski, M. ]., Tworkowski, ]., Puttick, D., Eynck, C., Zaluski, D., & Kwiatkowski, J. (2019). Yield and seed composition of 10 spring camelina genotypes cultivated in the temperate climate of Central Europe. Industrial Crops and Products, 138, 111443. https://doi.Org/10.1016/j. indcrop.2019.06.006 Lobell, D. B., & Gourdji, S. M. (2012). The influence of climate change on global crop productivity. Plant Physiology, 160(4), 1686-1697. https://doi. org/10.1104/pp.l 12.208298 Majerova, I., & Nevima, J. (2017). The measurement of human development using the Ward method of cluster analysis. Journal of International Studies, 10(2), 239-257. https://doi.org/10.14254/2071-8330.2017/10-2/17 Mustafa, H. S. B., Farooq, J., Hasan, E. U., Bibim T., & Mahmood, T. (2015). Cluster and principle component analyses of maize accessions under normal and water stress conditions. Journal of Agricultural Sciences Belgrade, 60(1), 33-48. https:// doi.org/10.2298/JAS1501033M Patial, R., Paul, S., Sharma, D., Sood, V. K. & Kumar, N. (2019). Morphological characterization and genetic diversity of linseed (Linum usitatissimum L.). Journal of Oilseeds Research, 36(1), 8-16. Venujayakanth, B., Dudhat, A. S., Swaminathan, B. & Anurag, M. L. (2017). Assessing Crop Genetic Diversity using Principle Component Analysis: A Review. Trends in Biosciences, 10(2), 523-528.
Application of Cluster Analysis for Oilseeds Identification
Natalia L. Kleymenova
Voronezh State University of Engineering Technologies 19, Revolutsii Prospect, Voronezh, 394036, Russian Federation
E-mail: klesha78@list.ru
Inessa N. Bolgova
Voronezh State University of Engineering Technologies 19, Revolutsii Prospect, Voronezh, 394036, Russian Federation
E-mail: bolgovainessa@yandex. ru
Maxim V. Kopylov
Voronezh State University of Engineering Technologies 19, Revolutsii Prospect, Voronezh, 394036, Russian Federation
E-mail: kopylov-maks@yandex.ru
Alia N. Pegina
Voronezh State University of Engineering Technologies 19, Revolutsii Prospect, Voronezh, 394036, Russian Federation
E-mail: toriss@yandex.ru
Daria A. Koshelkina
Voronezh State University of Engineering Technologies 19, Revolutsii Prospect, Voronezh, 394036, Russian Federation
E-mail: toriss@yandex.ru
A search for mathematical methods to assess the level of balance of the main quantitative traits in oilseed varieties is described in the article. The main quantitative traits and crop yield are analyzed on the basis of experimental data of cluster analysis application for assessment varieties of oilseeds. The identification of varieties of oilseeds, grown in different regions of the country was carried out with the help of cluster analysis. The main cultivation areas of oilseeds in 2017-2019 have been also studied. As a result of the research, it was established that the cultivation area of flax, mustard and camelina crops has reduced, which is connected with the crop yield and low exports. The state of growth and the development of oilseeds, the duration of their cultivation, which depends on the biological characteristics of the breed, as well as the cultivation technology, have been analyzed. The specific features of the oilseeds have been studied. Unified measures which include a number of investigated features are identified with the help of the method. These features are unified using the metric into one resemblance cluster of the grouping of the studied objects. The breeds are grouped into three clusters according to years. The composition of each cluster changes depending on the natural and climatic conditions. Exploratory analysis using a point diagram is performed. A dendogram of the comparative characteristics of oilseed varieties by the elements of the yield structure is given. Using the K-means clustering method, the Euclidean distances of the studied parameters of the average values of the corresponding 5 clusters that have similar varieties of oilseeds are determined. The research shows that it is possible to determine the competitiveness of various oilseeds and to develop new food products.
Keywords: cluster, cluster analysis, oilseeds, statistics, dendogram, harvest
References
Bushiev, A. S., Podlesnyi, S. P., & Khatit, A. B. (2019). Vliyanie normy vyseva semyan na nekotor-ye elementy struktury urozhaya sortov i gi-
bridov podsolnechnika [Influence of the seeding rate on some elements of the structure of the yield of varieties and hybrids of sunflower]. Maslichnye kul'tury [Oilseeds], 2, 69-74. https://doi. org/10.25230/2412-608Kh-2019-2-178-69-74.
Kotlyarova, E. G., Titovskaya, L. S. (2018). Izmen-chivost' biometricheskih parametrov gibridov podsolnechnika v zavisimosti ot sposobov os-novnoj obrabotki pochvy i listovyh podkormok [Variability of biométrie parameters of sunflower hybrids depending on the methods of basic tillage and leaf fertilizing]. Vestnik Michurinskogo go-sudarstvennogo agrarnogo universiteta [Bulletin of Michurinsky State Agrarian University], 2,17-22.
Lisicyn, E. M., Amunova, 0. S. (2014). Geneticheskoe raznoobrazie sortov yarovoj myagkoj pshenicy po alyumoustojchivosti [Genetic diversity of spring soft wheat varieties by aluminum resistance]. Vavilovskij zhurnal genetiki i selekcii [Vavilovsky Journal of Genetics and Breeding], 18(3), 497-505.
Mulyanova, Yu. N., & Kosnikov, S. N. (2018). Klasternyi analiz v sel'skom khozyaistve [Cluster analysis in agriculture]. Economics, 5,43-57.
Rumyantsev, A. V., & Glukhovtsev, V. V. (2011). Rol' selektsii zernovykh i kormovykh kul'tur v povy-shenii urozhainosti i ekonomicheskoi stabil'nos-ti sel'skokhozyaistvennogo proizvodstva v uslovi-yakh Srednego Povolzh'ya [The role of selection of grain and fodder crops in increasing the yield and economic stability of agricultural production in the conditions of the Middle Volga region]. In Innovatsiya i modemizatsiya sel'skokhozyaistvennogo proizvodstva v usloviyakh menyayushchegosya klimata: Materialy mezhdunarodnoi nauchno-prak-ticheskoi konferentsii [Innovation and modernization of agricultural production in a changing climate: Proceedings of the international scientific and practical conference] (pp. 19-23). Orenburg.
Tishchenko, V. N., Ishchenko, A. G., & Dubenets, N. V (2016). Identifikatsiya sortov i selektsionnykh linii ozimoi pshenitsy v klasternom analize po sbalan-sirovannosti kolichestvennykh priznakov v adap-tivnoi selektsii [Identification of varieties and breeding lines of winter wheat in cluster analysis for the balance of quantitative traits in adaptive breeding]. Vestnik Kurganskoi GSKhA [Bulletin of the Kurgan State Agricultural Academy], 1,41-44.
Tishhenko, V. N., Panchenko, P. M., & Cherny'sheva, O. P. (2013). Identifikaciya sortov i selekcionny'x linij pshenicy ozimoj po sbalansirovannosti kolichestvenny-priznakov s isporzovaniem klasternogo analiza [Identification of varieties and breeding lines of winter wheat by the balance of quantitative traits using cluster analysis]. Vestnik Poltavskoj gosudarstvennoj agrarnoj akademii [Bulletin of Poltava State Agrarian Academy], 3,28-35.
Shamanin, V. P., Petukhovskii, S. L., & Krasnova, Yu. S. (2016). Klasternyi analiz sortov myagkoi yaro-voi pshenitsy po elementam struktury urozhaya v Yuzhnoi lesostepi Zapadnoi Sibiri [Cluster analysis of soft spring wheat varieties by elements of
the yield structure in the southern forest-steppe of Western Siberia]. Vestnik KrasGAU [Bulletin of the Krasnoyarsk State Agrarian University], 4,147-152.
Abdorreza, J., Hossein, N., & Morteza, N. (2015). Relationship between agronomic and morphological traits in barley varieties under drought stress condition. International Journal of Basic and Applied Sciences, 9(9). 1507-1511.
Agahi, K., Ahmadi, J., Oghan, H. A., Fotokian, M. H., & Orang, S. F. (2020). Analysis of genotype* environment interaction for seed yield in spring oilseed rape using the AMMI model. Crop Breeding and Applied Biotechnology, 20(1). https://doi. org/10.1590/1984-70332020v20nla2.
Bhattarai, R. P., Thapa, D. B., Ojha, B. R., Kharel, R., & Sapkota, M. (2017). Cluster analysis of Elite spring wheat (Triticum aestivum L.) genotypes based on yield and yield attributing traits under irrigated condition. International Journal of Experimental Research and Review, 10,9-14.
Creissen, H. E., Jorgensen, T. H., & Brown, J. K. M. (2016). Increased yield stability of fi eld-grown winter barley (Hordeum vulgare L.) varietal mixtures through ecological processes. Crop Protection, 85, 1-8. https://doi.org/10.1016/j.cro-pro.2016.03.001.
Cuesta-Marcos, A., Kling, J. G., Belcher, A. R., Filichkin, T., Fisk, S. P., Graebner, R., Helgerson, L., Herb, D., Meints, B., Ross, A. S., Hayes, P. M., & Ulrich, S. E. (2016). Barley: Genetics and Breeding. In: Wrigley, C., Corke, H., and Seetharaman, K., Faubion, J. (eds.) Encyclopedia of Food Grains (2nd ed., pp. 287-295). Oxford: Academic Press.
El-haak, M. A., Atta, B. M., & Abd Rabo, F. F. (2015). Seed yield and important seed constituents for naturally and cultivated milk thistle (sily-bum marianum) plants. The Egyptian Journal of Experimental Biology, 11(2), 141-146.
Embaye, W. T., Bergtold, I. S., Archer, D., Flora, C., Andrango, G. C., Odening, M., & Buysse J. (2018). Examining farmers' willingness to grow and allocate land for oilseed crops for biofuel production. Energy Economics, 71,311-320.
Gebeyehu, A., Hammenhag, C., Ortiz, R., Tesfaye, K., & Geleta, M. (2021). Characterization of Oilseed Crop Noug (Guizotia abyssinica) Using Agro-Morphological Traits. Agronomy, 11(8), 1479. https://doi.org/10.3390/agronomyll081479.
Hassan, A. O., Hossein, Z. T., Reza, F. H., Kha-toon, K. N., Gholamreza, G., Amirkhosro, D., & Bagher, V. M. (2019). Stability Study of Seed Yield in Promising Lines of Spring Oilseed Rape in Southern-Worm Regions of Iran. Journal of crop breeding, 11(31), 42-54.
Hussain, F., Rafiq, M., Ghias, M., Qamar, R., Raz-zaq, M. K., Hameed, A., Habib, S., Saad, H., &
Mustafa, H. S. B. (2017). Genetic Diversity for Seed Yield and its Components Using Principal Component and Cluster Analysis in Sunflower. Life Science Journal, 14(5), 71-78. https://doi. org/10.7537/marslsj 140517.10.
Jankowski, K. J., Zaluski, D., & Sokólski, M. (2020). Canola-quality white mustard: Agronomic management and seed yield. Industrial Crops and Products, 145, 112138. https://doi.org/10.1016/j.in-dcrop.2020.112138.
Khalid, A. & Hameed, A. (2021). Genetic divergence in wheat genotypes based on seed biochemical profiles through agglomerative hierarchical clustering and association analysis among traits. Pakistan Journal of Botany, 53(4). https://doi.org/10.30848/ PJB2021-4(7).
Krzyzaniak, M., Stolarski, M. J., Tworkowski, J., Puttick, D., Eynck, C., Zaluski, D., & Kwiatkowski, J. (2019). Yield and seed composition of 10 spring camelina genotypes cultivated in the temperate climate of Central Europe. Industrial Crops and Products, 138, 111443. https://doi.org/10.1016/j.in-dcrop.2019.06.006.
Lobell, D. B., & Gourdji, S. M. (2012). The influence of climate change on global crop productivity. Plant Physiology, 160(4), 1686-1697. https://doi. org/10.1104/pp.l 12.208298 Majerova, I., & Nevima, J. (2017). The measurement of human development using the Ward method of cluster analysis. Journal of International Studies, 10(2), 239-257. https://doi.org/10.14254/2071-8330.2017/10-2/17. Mustafa, H. S. B., Farooq, J., Hasan, E. U., Bibim T., & Mahmood, T. (2015). Cluster and principle component analyses of maize accessions under normal and water stress conditions. Journal of Agricultural Sciences Belgrade, 60(1), 33-48. https://doi. org/10.2298/JAS1501033M. Patial, R., Paul, S., Sharma, D., Sood, V. K. & Kumar, N. (2019). Morphological characterization and genetic diversity of linseed (Linum usitatissimum L.). Journal of Oilseeds Research, 36(1), 8-16. Venujayakanth, B., Dudhat, A. S., Swaminathan, B. & Anurag, M. L. (2017). Assessing Crop Genetic Diversity using Principle Component Analysis: A Review. Trends in Biosciences, 10(2), 523-528.