TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU
Tổng quan về các nghiên cứu thí nghiệm trong lâm nghiệp
Theo triết học duy vật, thí nghiệm đóng vai trò quan trọng trong sản xuất xã hội, giúp khám phá các quy luật khách quan của thế giới vật chất Mục đích của thí nghiệm là hiểu và khai thác những bí mật của thiên nhiên để phục vụ cuộc sống con người.
Từ xa xưa, con người đã phải kiếm ăn để sinh tồn, dẫn đến việc lựa chọn và so sánh thực phẩm Quá trình này không chỉ giúp con người tìm kiếm thức ăn mà còn tạo ra kho tàng kinh nghiệm quý báu, thúc đẩy sự phát triển của xã hội Khi xã hội tiến bộ, con người cần nắm bắt và áp dụng hiệu quả các quy luật tự nhiên Để đạt được điều này, phương pháp thí nghiệm đã ra đời, đóng vai trò quan trọng trong việc phát triển kiến thức và kỹ năng.
Nghiên cứu khoa học trong lĩnh vực lâm học ở Việt Nam cần phải phù hợp với điều kiện tự nhiên và kinh tế - xã hội của đất nước Việc áp dụng các phương pháp và kết quả nghiên cứu từ các nước khác phải được chọn lọc để phù hợp với thực tiễn địa phương Các nhà khoa học lâm nghiệp cần nghiên cứu và đề xuất biện pháp kỹ thuật thích hợp nhằm khai thác bền vững tài nguyên rừng Để đảm bảo kết quả nghiên cứu chính xác và khách quan, cần có kiến thức tổng hợp về toán học, hóa học, thổ nhưỡng, khí tượng, sinh học và khả năng sáng tạo.
Có nhiều cách phân loại thí nghiệm trong lâm nghiệp, dựa trên đặc điểm của đối tượng thí nghiệm hoặc địa điểm thực hiện thí nghiệm.
Dựa vào đặc điểm đối tượng thí nghiệm chia thí nghiệm thành 2 loại:
Thí nghiệm quan sát là phương pháp nghiên cứu trong đó chúng ta chỉ đơn thuần quan sát và ghi lại dữ liệu về các đối tượng mà không can thiệp vào sự tồn tại của chúng Trong loại thí nghiệm này, các đối tượng không thể được bố trí ngẫu nhiên theo các nghiệm thức, điều này ảnh hưởng đến cách thu thập và phân tích dữ liệu liên quan đến các tính trạng quan tâm.
Thí nghiệm thực nghiệm là phương pháp nghiên cứu trong đó chúng ta can thiệp bằng cách áp dụng các công thức thí nghiệm khác nhau cho các nhóm đối tượng Sau đó, chúng ta quan sát ảnh hưởng của những công thức này lên đối tượng nghiên cứu Trong loại thí nghiệm này, các động vật được phân bổ ngẫu nhiên vào các công thức thí nghiệm trong quá trình thiết kế.
Dựa vào địa điểm tiến hành thí nghiệm, người ta có thể chia thí nghiệm thành các loại sau:
1 Nhóm thí nghiệm nghiên cứu trong phòng Đây là loại nghiên cứu mà những thí nghiệm được thực hiện trong các phòng thí nghiệm, điều kiện để thực hiện được các thí nghiệm đó gồm các loại dụng cụ như: hóa chất, các máy móc phân tích, các bình, hộp, khay đựng Nhóm các thí nghiệm này hầu như độc lập với điều kiện tự nhiên của môi trường bên ngoài Cho nên các kết quả từ các thí nghiệm này được kiểm tra, điều khiển bằng các dụng cụ có độ chính xác cao Tuy nhiên, những số liệu này chưa được áp dụng vào thực tế Bởi vì, ở những môi trường nghiên cứu khác mà nhất là trên thực địa thì có rất nhiều nhân tố sinh thái ảnh hưởng tới sinh vật (cây trồng) Hơn nữa, có nhiều nhân tố khó có thể kiểm soát cụ thể và chính xác
2 Nhóm thí nghiệm trong vườn ươm
Các thí nghiệm trong phương pháp nghiên cứu này tập trung vào cây trồng được gieo trồng trong bầu, túi, và chậu tại vườn ươm, nhà lưới, và nhà kính Các cây trồng này sống trong một môi trường kết hợp giữa điều kiện tự nhiên và điều kiện nhân tạo.
3 Nhóm thí nghiệm bố trí thực địa
Trong ngành nông nghiệp phương pháp này được gọi là nghiên cứu trên
Nhóm nghiên cứu đã tiến hành các thí nghiệm trên cây trồng trong điều kiện tự nhiên, chịu ảnh hưởng của nhiều nhân tố sinh thái từ môi trường bên ngoài như thời tiết, đất đai và các biện pháp kỹ thuật lâm sinh Thí nghiệm này mang lại ưu điểm nổi bật trong việc đánh giá hiệu quả của các yếu tố tác động đến sự phát triển của cây trồng.
- Số lượng cá thể lớn (dung lượng mẫu lớn)
Kết quả thí nghiệm thực địa cung cấp cơ sở vững chắc để xây dựng biện pháp kỹ thuật cho quy trình sản xuất và thâm canh cây trồng Những kết quả này không chỉ xác nhận các kết luận từ thí nghiệm trong phòng và vườn ươm mà còn đóng vai trò quan trọng trong việc phát triển giống cây trồng mới Các sản phẩm từ mô hình thí nghiệm có thể trở thành nguyên liệu cho các thí nghiệm cải tiến giống khác hoặc phục vụ cho việc sản xuất cây giống.
Một số kiểu thiết kế thí nghiệm và vận dụng mô hình thí nghiệm trong lâm nghiệp
Thiết kế thí nghiệm ngẫu nhiên là phương pháp phân bổ nghiệm thức vào các đơn vị thí nghiệm một cách ngẫu nhiên, đảm bảo mỗi đơn vị có cơ hội như nhau để nhận nghiệm thức Phương pháp này hiệu quả khi các đơn vị thí nghiệm đồng đều, nhưng không phù hợp khi chúng không đồng nhất Thiết kế này bao gồm thí nghiệm ngẫu nhiên hoàn toàn một nhân tố và đa nhân tố, với các nhân tố có thể là định tính, định lượng hoặc cả hai Thí nghiệm một nhân tố cung cấp thông tin về ảnh hưởng chính của một nhân tố duy nhất.
Giả sử chúng ta có một công thức thí nghiệm lặp lại r lần, thì số đơn vị thí nghiệm sẽ là n = a*r Trên nền đất, chúng ta phân chia thành n ô có kích thước tương ứng và bố trí ngẫu nhiên a công thức với r lần lặp Ví dụ, nếu a = 4, chúng ta sẽ có các công thức A, B, C, và D được sắp xếp một cách ngẫu nhiên.
D lặp lại r = 5 lần, số đơn vị thí nghiệm n = 4*5 = 20 ô, được bố trí như sơ đồ sau:
Hình 1.1: Sơ đồ thí nghiệm theo kiểu ngẫu nhiên hoàn toàn
Trong sơ đồ thí nghiệm, các ô được đánh số từ trái sang phải và từ trên xuống dưới, với các công thức thí nghiệm A, B, C, D được bố trí ngẫu nhiên thông qua rút thăm hoặc bảng số ngẫu nhiên Trong thí nghiệm Lâm sinh, đại lượng quan sát thường là đường kính hoặc chiều cao trung bình của cây trồng trong các ô thí nghiệm Đối với các thí nghiệm nông nghiệp, đại lượng quan sát có thể là sinh khối của cây trồng Với loại thí nghiệm này, các nhân tố thí nghiệm cũng là nhân tố phân tích phương sai, cho phép áp dụng mô hình phân tích phương sai một nhân tố để đánh giá ảnh hưởng của các công thức thí nghiệm như nhân tố A.
Thiết kế thí nghiệm ngẫu nhiên hoàn toàn là phương pháp phổ biến trong lâm nghiệp, thường áp dụng cho các nghiên cứu về nhân tố như xuất xứ cây trồng, mật độ trồng và chế độ chăm sóc Nghiên cứu về xuất xứ Pinus caribeae tại Lang Hanh-Lâm Đồng do tác giả Bảo Huy thực hiện đã áp dụng thiết kế ngẫu nhiên để phân tích kết quả Dự kiến, 10 xuất xứ P.caribeae sẽ được khảo nghiệm tại trạm thực nghiệm Lang Hanh vào năm 1991, với bố trí thí nghiệm theo kiểu ngẫu nhiên đầy đủ RCB, bao gồm 10 công thức và lặp lại ở 4 khối Tuy nhiên, trong quá trình triển khai, chỉ còn 7 xuất xứ, trong đó 5 xuất xứ được lặp lại đủ 4 lần, và 2 xuất xứ chỉ lặp lại 2 lần.
Trong nghiên cứu của Phạm Thị Thanh Hường về cây Tràm tại Ba Vì - Hà Nội, tác giả đã tiến hành thí nghiệm khảo nghiệm xuất xứ nhằm nâng cao chất lượng tinh dầu Nghiên cứu tập trung vào việc theo dõi tình hình sinh trưởng của các nguồn gốc cây Tràm và thực hiện chọn lọc các cây trội.
Tác giả đã sử dụng phần mềm SPSS để phân tích dữ liệu sinh trưởng nhằm lựa chọn những xuất xứ tốt và cây trội phục vụ cho công tác chọn giống Tuy nhiên, nghiên cứu này không áp dụng các biện pháp thống kê để xác định cây trội, mà chỉ dựa vào các chỉ tiêu sinh trưởng Do đó, kết quả nghiên cứu thiếu tính thuyết phục.
Nghiên cứu của tác giả Nguyễn Minh Thanh về xuất xứ Mây nếp đã tiến hành trồng thử nghiệm 5 xuất xứ trên các vùng sinh thái khác nhau, thu thập và xử lý số liệu về đặc điểm sinh trưởng và phát triển của cây Mây nếp bằng SPSS Kết quả cho thấy xuất xứ Mây nếp từ Thái Bình là tốt nhất khi so sánh tại hai khu vực nghiên cứu là Hà Giang và Hòa Bình Ngoài ra, tác giả cũng đã xây dựng phương trình hồi quy tuyến tính nhiều lớp để phân chia điều kiện lập địa thích hợp cho loài Mây nếp trong khu vực nghiên cứu.
1.2.2 Thiết kế thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ (RCBD hay RCB)
Trong ngành lâm nghiệp, việc bố trí thí nghiệm hai nhân tố với chỉ một lần quan sát cho mỗi tổ hợp cấp là hiếm gặp, vì điều này thường không cung cấp đủ thông tin để đánh giá kết quả Để tăng cường thông tin, mỗi tổ hợp cấp của hai nhân tố cần có nhiều lần lặp lại thí nghiệm Phương pháp này được gọi là thiết kế thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ, trong đó nhân tố A là các công thức thí nghiệm cần theo dõi và nhân tố B là các khối Việc phân bố các công thức thí nghiệm trong mỗi khối thường được thực hiện theo nguyên tắc ngẫu nhiên hoặc hệ thống.
Có thể mô tả kiểu thiết kế khối ngẫu nhiên đầy đủ như sơ đồ sau:
Hình 1.2: Sơ đồ bố trí thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ
Thí nghiệm khối ngẫu nhiên đầy đủ được thiết kế với 3 khối và 2 nhân tố thí nghiệm A và B, trong đó A có 3 mức (A1, A2, A3) và B có 2 mức (B1, B2) Mỗi thí nghiệm được lặp lại 3 lần trong 3 khối, và tùy theo yêu cầu, số lượng khối hoặc số lần lặp có thể thay đổi.
Sơ đồ bố trí thí nghiệm khối ngẫu nhiên đầy đủ tương tự như phương pháp bố trí thí nghiệm ngẫu nhiên hoàn toàn, nhưng có sự khác biệt quan trọng Trong thiết kế thí nghiệm ngẫu nhiên hoàn toàn, có thể xuất hiện nhiều công thức thí nghiệm giống nhau trong một lần lặp, trong khi đó, thiết kế khối ngẫu nhiên đầy đủ yêu cầu mỗi công thức thí nghiệm phải xuất hiện một lần và chỉ một lần duy nhất trong mỗi khối Điều này đảm bảo tính đồng nhất và chính xác hơn trong quá trình thí nghiệm.
Trong nghiên cứu quy trình nhân giống cây Mây nếp bằng phương pháp nuôi cấy Invitro, tác giả Nguyễn Thị Mai Dương đã thực hiện 5 thí nghiệm lớn nhằm xác định phương pháp và quy trình hiệu quả Tác giả phân tích và so sánh các mẫu thí nghiệm để đánh giá ảnh hưởng của giá thể và chế độ chiếu sáng đến tỉ lệ sống của cây mây nếp in vitro ngoài vườn ươm, cũng như kỹ thuật kích thích tăng trưởng chồi trong điều kiện nuôi cấy Đặc biệt, phần mềm SPSS đã được sử dụng để so sánh và lựa chọn công thức thí nghiệm tối ưu nhất.
Trong luận án tiến sĩ của mình, tác giả Nguyễn Minh Thanh đã nghiên cứu công thức trồng Mây nếp với các phương pháp trồng khác nhau như 1 cây/hố, 2 cây/hố và 3 cây/hố, cùng với các mức độ bón phân khác nhau Thí nghiệm được bố trí theo kiểu khối ngẫu nhiên đầy đủ Tuy nhiên, do nhiều nguyên nhân, tác giả đã chuyển sang nghiên cứu một nhân tố duy nhất là công thức trồng, không xem xét chế độ bón phân Kết quả nghiên cứu cho thấy Mây nếp sinh trưởng tốt nhất tại công thức trồng đã được xác định.
1.2.3 Thiết kế thí nghiệm theo kiểu ô vuông la tinh Đây là dạng thiết kế phục vụ cho phân tích phương sai 3 nhân tố Trong trường hợp bố trí theo khối thì số công thức có thể nhiều hoặc ít hơn số khối và khi phân tích người ta có thể bỏ qua sự khác nhau giữa các nên đất mà trên đó tiến hành làm các thí nghiệm khác nhau Trong trường hợp số khối luôn luôn bằng số công thức thí nghiệm (số lần lặp lại bằng số công thức thí nghiệm) ta gọi là bố trí theo ô vuông la tinh Chẳng hạn thí nghiệm có thể bố trí theo sơ đồ sau:
Sơ đồ bố trí thí nghiệm theo kiểu ô vuông la tinh gồm 6 khối (1), (2), (3), (4), (5), (6) nằm ngang, mỗi khối chia thành 6 ô đều nhau Mỗi ô thực hiện một công thức khác nhau, và vị trí thí nghiệm được sắp xếp sao cho không có sự trùng lặp công thức trong cùng một hàng và cột Để xác định sai số của thí nghiệm, cần loại trừ ảnh hưởng của các khối và cột, chỉ giữ lại biến động do các công thức khác nhau, đảm bảo không có ảnh hưởng qua lại.
Mô hình thiết kế thí nghiệm ô vuông la tinh là công cụ hữu ích cho việc phân tích thí nghiệm khi số lượng mẫu hạn chế và sự đồng đều không cao.
Tổng quan về ứng dụng phần mềm thống kê SPSS và R
1.3.1 Ứng dụng phần mềm SPSS
SPSS (Statistical Package for Social Sciences) là một phần mềm thống kê chuyên dụng, dễ sử dụng và được ứng dụng rộng rãi trên toàn cầu nhờ giao diện thân thiện và các thủ tục phân tích đơn giản Phần mềm này không chỉ đáp ứng nhu cầu phân tích thống kê cơ bản mà còn hỗ trợ các yêu cầu phân tích chuyên sâu Tại Việt Nam, việc sử dụng SPSS trong xử lý số liệu đã trở nên phổ biến trong những năm gần đây.
Từ cuối những năm 70, ứng dụng CNTT trong quản lý và phân tích dữ liệu đã được áp dụng trong lĩnh vực Lâm nghiệp để phục vụ công tác tổng điều tra quy hoạch rừng Tuy nhiên, máy vi tính thời đó còn lạc hậu, gây khó khăn trong việc xử lý dữ liệu lớn Đến đầu những năm 90, phần mềm SPSS phiên bản 1.0 được giới thiệu, trở thành công cụ hữu hiệu trong phân tích dữ liệu thống kê Phiên bản này lần đầu tiên được giảng dạy tại trường Đại học Lâm nghiệp vào năm 1994 và chính thức trở thành môn học cho các lớp cao học từ năm 2003 Kể từ đó, SPSS đã trở thành công cụ quan trọng trong các nghiên cứu lâm nghiệp, mặc dù tài liệu về phần mềm này chủ yếu tập trung vào hướng dẫn sử dụng và ứng dụng kinh tế - xã hội.
Nhiều trường đại học tại Việt Nam như Đại học Nông nghiệp Hà Nội, Đại học Nông lâm Huế và Đại học Kinh tế Đà Nẵng đã tích cực đưa phần mềm SPSS vào chương trình giảng dạy Bên cạnh đó, nhiều nhà nghiên cứu cũng sử dụng SPSS như một công cụ chính để xử lý và phân tích dữ liệu trong các nghiên cứu của họ Mặc dù đã có một số tài liệu và giáo trình về SPSS được biên soạn, nhưng chúng chủ yếu tập trung vào hướng dẫn sử dụng và ứng dụng trong lĩnh vực kinh tế - xã hội.
Hiện nay, có nhiều phần mềm xử lý thống kê nổi tiếng như SAS, STATA, MICROSTA và EVIEW, mỗi phần mềm đều có những ưu điểm và nhược điểm riêng, phù hợp với các lĩnh vực khác nhau Cụ thể, STATA và EVIEW mạnh về phân tích hồi quy và hồi quy logistic, thích hợp cho lĩnh vực kinh tế xã hội SAS nổi bật trong phân tích phương sai và phân tích hỗn hợp nhưng yêu cầu người dùng phải có kỹ năng lập trình cao Trong khi đó, SPSS hiện đang được ưa chuộng nhất nhờ vào một số ưu điểm đặc biệt.
1 Về quản lý dữ liệu
SPSS sở hữu một bộ soạn thảo dữ liệu tương tự như Excel, cho phép người dùng nhập dữ liệu và mô tả thuộc tính của chúng Tuy nhiên, phần mềm này thiếu các công cụ quản lý dữ liệu mạnh mẽ, mặc dù phiên bản 11 đã bổ sung các lệnh chuyển đổi cấu trúc dữ liệu SPSS chỉ xử lý một file dữ liệu tại một thời điểm, điều này làm hạn chế khả năng phân tích khi cần làm việc với nhiều file cùng lúc Các file dữ liệu trong SPSS có thể chứa tối đa 4096 biến, với số lượng bản ghi phụ thuộc vào dung lượng ổ cứng.
Các báo cáo thống kê từ tập số liệu cở sở rất đa dạng và linh hoạt, cho phép phân tổ theo nhiều chiều khác nhau mà không cần lập trình Người dùng có thể dễ dàng tạo ra các bảng biểu và báo cáo chất lượng cao, được trình bày đẹp mắt trên giao diện, có khả năng chỉnh sửa, in ấn hoặc chuyển đổi sang các tài liệu khác.
2 Về phân tích thống kê
Cán bộ nghiệp vụ thống kê thường xuyên phải tổng hợp số liệu theo các biểu bảng đã thiết kế SPSS và STATA cung cấp khả năng lập bảng số liệu tổng hợp và báo cáo thống kê linh hoạt, dễ dàng mà không cần lập trình Các bảng biểu và báo cáo trong SPSS được trình bày đẹp mắt, chất lượng cao, cho phép hiệu chỉnh, in ấn hoặc chuyển đổi sang tài liệu khác, điều này cho thấy ưu điểm nổi bật của SPSS so với việc lập trình thủ công.
SPSS nổi bật với khả năng phân tích phương sai và nhiều chiều, cho phép thực hiện nhiều loại kiểm định tác động riêng biệt như phân tích phương sai nhiều chiều, phân tích nhân tố và phân tích nhóm tổ Phiên bản 11 của SPSS đã bổ sung thêm khả năng phân tích các mô hình hỗn hợp Tuy nhiên, điểm yếu của SPSS là khả năng xử lý các vấn đề ước lượng phức tạp, dẫn đến khó khăn trong việc đưa ra các ước lượng sai số chính xác Ngoài ra, SPSS cũng không hỗ trợ các công cụ phân tích dữ liệu theo lược đồ mẫu.
SPSS sở hữu giao diện người dùng thân thiện, giúp dễ dàng tạo và chỉnh sửa đồ thị Người dùng có thể tùy chỉnh đồ thị theo ý muốn, đảm bảo chất lượng cao, phù hợp để chèn vào các tài liệu như Word hoặc PowerPoint.
Vào năm 1996, hai nhà thống kê Ross Ihaka và Robert Gentleman từ Trường đại học Auckland, New Zealand đã giới thiệu ngôn ngữ R cho phân tích thống kê Sáng kiến này nhanh chóng nhận được sự ủng hộ từ nhiều nhà thống kê trên toàn thế giới, góp phần phát triển R Chỉ trong vòng chưa đầy 10 năm, ngày càng nhiều nhà thống kê, toán học và nghiên cứu từ các lĩnh vực khác nhau đã chuyển sang sử dụng R cho phân tích dữ liệu khoa học Hiện nay, mạng lưới người dùng R đã vượt qua một triệu và đang tăng nhanh chóng Dự đoán trong 10 năm tới, vai trò của các phần mềm thống kê thương mại sẽ giảm sút đáng kể.
R là ngôn ngữ máy tính đa năng, phục vụ cho nhiều mục đích từ tính toán đơn giản đến phân tích thống kê phức tạp Người dùng có thể phát triển các phần mềm chuyên môn dựa trên R để giải quyết các vấn đề tính toán cụ thể Do đó, việc học cách sử dụng R cho phân tích thống kê và đồ thị là rất cần thiết, đặc biệt đối với các nhà nghiên cứu tại những quốc gia đang phát triển như Việt Nam.
* Những ưu điểm chính của R
R là một ngôn ngữ lập trình miễn phí, cho phép người dùng thực hiện phân tích thống kê và lập trình mà không cần phải chi trả cho các phần mềm đắt tiền như SAS, SPSS, Stata hay Fortran, C# Điều này làm cho R trở thành một lựa chọn hấp dẫn cho những ai muốn tiết kiệm chi phí trong nghiên cứu và phân tích dữ liệu.
Việc sử dụng R trong giảng dạy cho sinh viên giúp họ có khả năng tiếp cận và ứng dụng phần mềm này trong công việc sau khi tốt nghiệp Ngược lại, nếu giảng dạy bằng phần mềm bản quyền như SAS, sinh viên sẽ gặp khó khăn trong việc ứng dụng do các quy định về bảo vệ sở hữu trí tuệ Hiện nay, R được xem là tiêu chuẩn thực tế (de facto standard) trong giảng dạy thống kê.
R là ngôn ngữ lập trình nguồn mở, thuộc dự án GNU, cho phép mọi người sử dụng miễn phí theo giấy phép GNU General Public License Với hơn 2000 người đóng góp và 2 triệu người dùng, R có tính linh hoạt cao trong việc phát triển và tích hợp với các hệ thống cũng như phần mềm xử lý dữ liệu khác Nhiều tổ chức lớn như Bank of America, New York Times, Facebook và Google sử dụng R Người dùng R có thể dễ dàng tìm thấy sự hỗ trợ và tài nguyên từ cộng đồng, với nhiều gói phần mềm và hướng dẫn mới xuất hiện thường xuyên trên các diễn đàn như Crantastic, Stackoverflow, và R-bloggers.
R là một ngôn ngữ lập trình thông dịch, sử dụng qua trình thông dịch dòng lệnh Nó hỗ trợ thực hiện các phép tính ma trận, tương tự như nhiều phần mềm khác Cấu trúc dữ liệu của R rất linh hoạt và mạnh mẽ.
Thảo luận về tổng quan vấn đề nghiên cứu
Hầu hết các nghiên cứu khoa học trong lâm nghiệp, đặc biệt trong chọn giống, trồng rừng và lâm sinh, thường sử dụng thí nghiệm với dữ liệu lớn Để phân tích những số liệu này, cần có phương pháp phân tích và thống kê chính xác Việc thiếu công cụ máy tính sẽ gây khó khăn và tăng nguy cơ sai sót trong tính toán Do đó, xây dựng quy trình xử lý thống kê cho các thí nghiệm lâm nghiệp dựa trên phần mềm như SPSS và R là rất quan trọng SPSS, với ưu điểm trong phân tích phương sai, là một công cụ phổ biến trong xử lý dữ liệu lâm nghiệp, và các phiên bản mới của nó cung cấp nhiều thủ tục phân tích tinh vi hơn, nhưng vẫn chưa được khai thác đầy đủ trong lĩnh vực này.
Mặc dù SPSS được sử dụng rộng rãi trong lâm nghiệp, nhưng chưa có nghiên cứu hệ thống nào về ứng dụng của nó trong lĩnh vực này, đặc biệt là các mô hình nâng cao Ngược lại, phần mềm R, mặc dù mới ra mắt, lại có nhiều ưu điểm trong phân tích thống kê và hoàn toàn miễn phí, giúp người dùng không phải lo lắng về bản quyền Tuy nhiên, để sử dụng R một cách thành thạo, người dùng cần có kiến thức về tin học và lập trình, vì phần mềm này chủ yếu dựa vào ngôn ngữ lập trình.
Trong quá trình nghiên cứu, việc lựa chọn phương pháp phân tích và xử lý số liệu cho thấy rằng sử dụng phần mềm R hay SPSS với cùng một dữ liệu và phương pháp nghiên cứu sẽ mang lại kết quả tương tự.
Do hạn chế về thời gian và kiến thức, tác giả đã chọn phần mềm SPSS làm công cụ phân tích chính, vì phần mềm này khá phổ biến trong ngành lâm nghiệp Phần mềm R được giới thiệu nhằm khuyến khích các nghiên cứu và luận văn tiếp theo.
MỤC TIÊU, GIỚI HẠN, NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Mục tiêu nghiên cứu
- Góp phần đơn giản tính toán và xử lý, phân tích thống kê trong lâm nghiệp
- Xây dựng được các quy trình xử lý và phân tích dữ liệu bằng SPSS trong một số thí nghiệm điển hình, thông dụng trong lâm nghiệp
- Đưa ra phương pháp bố trí thí nghiệm hợp lý cho một số thí nghiệm trong lâm nghiệp.
Phạm vi và giới hạn của đề tài
2.2.1 Đối tượng nghiên cứu Đối tượng nghiên cứu của đề tài chủ yếu là rừng trồng, các mô hình thí nghiệm trong lâm nghiệp trong các lĩnh vực lâm sinh, trồng rừng, nghiên cứu giống
2.2.2 Giới hạn mô hình nghiên cứu Đề tài chỉ tập trung nghiên cứu phân tích số liệu sẵn có và đưa ra quy trình phân tích số liệu bằng phần mềm SPSS cho các mô hình thí nghiệm mà không đi sâu vào nghiên cứu và phân tích đặc điểm mô hình thí nghiệm và so sánh các mô hình với nhau.
Nội dung nghiên cứu
Để thực hiện được mục tiêu nghiên cứu, đề tài tiến hành các nội dung nghiên cứu như sau:
- Xây dựng quy trình sàng lọc số liệu thô
- Xây dựng các quy trình xử lý cho mô hình thí nghiệm thiết kế ngẫu nhiên
- Xây dựng các quy trình xử lý cho mô hình thí nghiệm kiểu khối ngẫu nhiên đầy đủ
- Xây dựng quy trình xử lý cho mô hình thí nghiệm ô vuông la tinh.
Phương pháp nghiên cứu
2.4.1 Quan điểm và phương pháp luận
Trong nghiên cứu Lâm nghiệp, việc thu thập số liệu và thực hiện thí nghiệm là cần thiết để phân tích định lượng Để so sánh và đánh giá kết quả nghiên cứu, các thí nghiệm phải tuân theo một mô hình phân tích thống kê Do đó, khi xử lý số liệu bằng SPSS, các số liệu thu thập được phải liên kết chặt chẽ với mô hình toán học và được bố trí theo đúng quy trình.
Nghiên cứu này yêu cầu kết hợp phương pháp toán học và sinh học, vì đối tượng nghiên cứu chủ yếu là cây rừng, một thực thể sinh học Do đó, bên cạnh phân tích toán học, cần thực hiện cả phân tích sinh học để đảm bảo tính toàn diện của nghiên cứu.
Đề tài này dựa trên các bộ số liệu và thông tin về mô hình thí nghiệm (MHTN), với kết quả là quy trình xử lý thống kê sử dụng phần mềm SPSS Do đó, nghiên cứu chủ yếu tập trung vào phương pháp xử lý số liệu mà không đi sâu vào các khía cạnh toán học và thống kê toán học.
2.4.2 Phương pháp thu thập số liệu
2.4.2.1 Thu thập số liệu phục vụ tính toán
- Thu thập dữ liệu thực tế phù hợp với các nội dung nghiên cứu trên
Sử dụng và kế thừa dữ liệu có sẵn từ Viện Điều tra Quy hoạch rừng, Viện Khoa học Lâm nghiệp, và Viện Sinh thái rừng và Môi trường - Trường Đại học Lâm nghiệp, nhằm đáp ứng các mục tiêu nghiên cứu.
- Đọc, tham khảo các tài liệu, nghiên cứu ứng dụng các phần mềm có liên quan
Chúng tôi tổ chức các hội thảo tư vấn chuyên môn, tập trung vào phần mềm SPSS Trong các hội thảo này, chúng tôi sẽ thảo luận về những nội dung khó khăn trong SPSS, với sự tham gia của các chuyên gia hàng đầu trong lĩnh vực.
- Tham khảo các ý kiến chuyên gia trong lĩnh vực thống kê
Xây dựng quy trình kỹ thuật trên phần mềm SPSS là cần thiết để nâng cao chất lượng xử lý và phân tích dữ liệu trong nghiên cứu Mặc dù SPSS cung cấp nhiều thủ tục phân tích, nhưng sự lựa chọn trình tự thực hiện phụ thuộc vào người sử dụng Do đó, kiến thức về toán học thống kê, tin học và thuật ngữ chuyên môn là yếu tố quyết định Việc thiết lập các quy trình này giúp khắc phục những hạn chế và đảm bảo tính chính xác trong phân tích dữ liệu nghiên cứu.
2.4.3 Phương pháp phân tích số liệu
2.4.3.1 Phân tích số liệu cho mô hình thí nghiệm ngẫu nhiên hoàn toàn
Phân tích số liệu cho mô hình thí nghiệm thiết kế ngẫu nhiên bao gồm việc thực hiện phân tích phương sai một nhân tố Các bước thực hiện phân tích số liệu được trình bày rõ ràng và có hệ thống.
Giả sử nhân tố A được chia a cấp khác nhau và trong mỗi cấp thí nghiệm được lặp lại một cách ngẫu nhiên ni lần ( )
Trước khi tiến hành phân tích phương sai và nghiên cứu anh hưởng của nhân tố A người ta cần xem xét các điều kiện sau đây:
- Các trị số quan sát xij ở mỗi cấp là những giá trị thực của một biến ngẫu nghiên Xij có phân bố chuẩn N [ ]
- Phương sai của các biến ngẫu nhiên Xij phải bằng nhau, tức là:
Như vậy cũng có nghĩa là mỗi biến ngẫu nhiên Xij đều có phân bố chuẩn với kỳ vọng và phương sai
Trong thí nghiệm, điều kiện phân bố chuẩn của các đại lượng quan sát thường được đạt được Nếu chưa xác định được, có thể sử dụng phương pháp sơ đồ mà không cần độ chính xác cao Để kiểm định sự bằng nhau của các phương sai, có thể áp dụng tiêu chuẩn Cochran hoặc Bartlett Trong SPSS, tiêu chuẩn Levene thường được sử dụng và rất phù hợp cho các đại lượng không có phân bố chuẩn.
Phương trình mô hình cơ bản của phân tích phương sai cho mô hình thí nghiệm thiết kế theo kiểu ngẫu nhiên hoàn toàn có dạng như sau:
Trong đó: - là số trung bình chung của tổng thể đối với tất cả các cấp
- là tham số đặc trưng ảnh hưởng tới nhân tố A ( )
Nếu nhân tố A có tác động đồng đều (ngẫu nhiên) đến kết quả thí nghiệm thì
= 0 ở tất cả các cấp Và giả thuyết H0 được cho là:
Giả thuyết H1 cho rằng tác động của nhân tố A không đồng đều ở tất cả các cấp, đồng thời cũng là một biến ngẫu nhiên độc lập với phân bố chuẩn, như đã đề cập trước đó Điều này đặc trưng cho sai số trong thí nghiệm.
Tiến hành phân tích phương sai cho thí nghiệm ta được bảng phân tích phương sai Kết quả phân tích phương sai được thể hiện như bảng sau:
Bảng 2.1: Phân tích phương sai một nhân tố theo kiểu thí nghiệm ngẫu nhiên hoàn toàn
Tổng biến động bình phương
Bậc tự do Phương sai
(PS) F Xác suất của F (.Sig)
2.4.3.2 Phân tích số liệu cho mô hình thí nghiệm kiểu khối ngẫu nhiên đầy đủ
Trong mô hình thí nghiệm khối ngẫu nhiên đầy đủ, khối thí nghiệm được xem là một nhân tố quan trọng Khi thực hiện phân tích phương sai hai nhân tố, cần lưu ý rằng một nhân tố là thí nghiệm và một nhân tố là khối thí nghiệm Đối với mô hình có hai nhân tố thí nghiệm, phân tích phương sai sẽ được gọi là phân tích phương sai hai nhân tố lặp lại trên các khối Đề tài này tập trung vào việc xây dựng mô hình thí nghiệm với hai yếu tố thí nghiệm và áp dụng phương pháp phân tích phương sai theo hai hướng: phân tích riêng lẻ từng nhân tố và phân tích chung cho cả hai nhân tố Mục đích của phân tích này là tìm ra biện pháp điều chỉnh phương pháp phân tích phương sai khi mô hình thí nghiệm gặp sự cố.
+ Phân tích phương sai trong mô hình phân thí nghiệm khối ngẫu nhiên đầy đủ theo hướng có 1 yếu tố thí nghiệm
Trong nghiên cứu này, chúng tôi chỉ tập trung vào nhân tố A, được chia thành a cấp, trong khi nhân tố B không được xem xét Tuy nhiên, do trong quá trình thiết kế thí nghiệm, nhân tố B cũng được chia thành b cấp, nên để phân tích phương sai cho nhân tố A mà không bị ảnh hưởng bởi sai số từ nhân tố B, cần thực hiện phân tích các cấp của nhân tố A chỉ trên một cấp của nhân tố B Mô hình cơ bản cho phân tích phương sai trong thiết kế thí nghiệm khối ngẫu nhiên đầy đủ được thể hiện qua một phương trình cụ thể.
Trong đó: - là trung bình chung ở tổng thể, i là tham số đặc trưng cho ảnh hưởng của nhân tố A
- j là tham số đặc trưng ảnh hưởng của nhân tố B ( chỉ khối) Bảng phân tích phương sai cho trường hợp này sẽ có dạng giống như bảng dưới đây:
Bảng 2.2: Phân tích phương sai theo kiểu thí nghiệm khối ngẫu nhiên đầy đủ áp dụng cho 1 nhân tố thí nghiệm
Nguồn BĐ BTD PS F XS
+ Phân tích phương sai trong mô hình phân thí nghiệm khối ngẫu nhiên đầy đủ theo hướng có 2 yếu tố thí nghiệm
Trong phương pháp này, bài viết tập trung vào việc phân tích cả hai yếu tố thí nghiệm trong mô hình thí nghiệm Mục tiêu chính là xây dựng mô hình thí nghiệm khối ngẫu nhiên đầy đủ Phương trình cơ bản của phân tích phương sai cho mô hình thiết kế theo kiểu khối ngẫu nhiên đầy đủ áp dụng cho phân tích hai yếu tố thí nghiệm có dạng cụ thể.
Trong đó: là trung bình trung của tổng thể:
i là tham số đặc trưng cho ảnh hưởng của nhân tố A:
i là tham số đặc trưng cho ảnh hưởng của nhân tố B:
()ij là tham số đặc trưng cho ảnh hưởng qua lại của 2 nhân tố
Biến ngẫu nhiên ij có phân bố chuẩn N(0, 2), với là sai số của thí nghiệm Nếu nhân tố A không có tác động qua lại, thì () ij = 0 Do đó, các giả thuyết cần được thiết lập cho trường hợp này.
HA: i = 0 với mọi i (đối thuyết là ít nhất có một i 0) HB: j = 0 với mọi j (đối thuyết là ít nhất có một j 0)
HAB: () ij = 0 với mọi i j (đối thuyết ít nhất có một () ij 0)
Trong trường hợp này, mỗi tổ hợp cấp của nhân tố A và nhân tố B có r kết quả được lặp lại Xij k, và tổng của nó được ký hiệu là Sij, trong đó i chỉ cấp của nhân tố A, j chỉ cấp của nhân tố B, và k chỉ thứ tự quan sát ở mỗi tổ hợp cấp Si(A) và Sj(B) đại diện cho tổng mỗi cặp của A và B Để kiểm tra các giả thuyết, cần tính toán các loại biến động tương ứng.
- Biến động do nhân tố A:
- Biến động do nhân tố B:
- Biến động do tác động qua lại của 2 nhân tố:
- Biến động thừa (do sai số thí nghiệm):
Trong các công thức trên Si(A), Sj(B) tổng mỗi cấp của nhân tố A và B Còn C=S 2 /n Các giả thuyết HA: HB : HAB được kiểm định bằng tiêu chuẩn F sau:
Nếu các trị số FA, FB, FAB lớn hơn F05 (hoặc F01) trong bảng tra cứu, giả thuyết sẽ bị bác bỏ Để tìm F05, bậc tự do K1 tương ứng với mẫu số của các công thức là (a-1), (b-1), và (a-1)(b-1), trong khi K2 luôn bằng ab(m-1) Bảng phân tích phương sai có cấu trúc cụ thể.
Bảng 2.3: Phân tích phương sai theo kiểu thí nghiệm khối ngẫu nhiên đầy đủ áp dụng cho 2 nhân tố thí nghiệm
Nguồn BĐ Bậc tự do Phương sai (PS) F (.Sig)
2.4.3.2 Phân tích số liệu cho mô hình thí nghiệm ô vuông la tinh
Mô hình phân tích phương sai theo ô vuông La tinh có dạng:
Xij Các biến động sau đây được tính toán:
+ Biến động theo khối: (nhân tố A)
+ Biến động theo cột (nhân tố B)
+ Biến động do các công thức thí nghiệm
Từ đó biến động còn lại sẽ là:
VN = VT - (VT + VK+ VC + Vct)
Bậc tự do sai số ngẫu nhiên là (r - 1)(r - 2) Ta có bảng phân tích phương sai như sau:
Bảng 2.4: Phân tích phương sai ba nhân tố theo kiểu thí nghiệm ô vuông la tinh
Nguồn BĐ Bậc tự do Phương sai (PS) F (.Sig)
Công thức Vct r - 1 S 2 ct S 2 ct/ S 2 N
LỰA CHỌN, XÂY DỰNG THÍ NGHIỆM VÀ THU THẬP SỐ LIỆU
Phương pháp lựa chọn số liệu phân tích và xây dựng thí nghiệm
Các mô hình phân tích phương sai được sử dụng để thiết kế và phân tích các thí nghiệm thực tế Những nguyên tắc cơ bản trong việc thực hiện các mô hình thí nghiệm bao gồm việc xác định rõ mục tiêu nghiên cứu, lựa chọn biến độc lập và phụ thuộc, cũng như đảm bảo tính ngẫu nhiên và tính lặp lại trong quá trình thí nghiệm.
Các công thức thí nghiệm (CTTN) cần được sắp xếp ngẫu nhiên, đảm bảo rằng mỗi đơn vị thí nghiệm (plot) đều có cơ hội như nhau để nhận một công thức thí nghiệm.
Mỗi công thức thí nghiệm yêu cầu lặp lại một hoặc nhiều nhân tố nhiều lần Số lần lặp lại này phụ thuộc chủ yếu vào độ biến động và số lượng nhân tố trong thí nghiệm.
Trong môi trường thí nghiệm không đồng đều, việc chia thành các khối là cần thiết để đảm bảo các đơn vị nghiên cứu trong cùng một khối có độ đồng đều cao Đặc biệt trong nghiên cứu lâm sinh tại vườn ươm trên nền đất lâm nghiệp, sự biến động về độ phì thường lớn, do đó việc phân chia thí nghiệm thành các khối được áp dụng Số lượng khối cũng tương ứng với số lần lặp lại của thí nghiệm.
- Nếu nghiên cứu nhiều nhân tố thì phải tính tương tác giữa các nhân tố với nhau Trong nông lâm nghiệp các phương pháp thường được vận dụng:
+ Phương pháp ngẫu nhiên hoàn toàn
+ Phương pháp khối ngẫu nhiên đầy đủ
+ Phương pháp ô vuông la tinh
Trong luận văn này, nhóm nghiên cứu đã thu thập dữ liệu từ các đề tài nghiên cứu khoa học ở nhiều cấp độ khác nhau, từ cơ sở đến cấp bộ, liên quan đến việc bố trí thí nghiệm theo các phương pháp đã chọn Dựa trên dữ liệu thu thập được, nhóm tiến hành lựa chọn mẫu để phân tích và xây dựng quy trình xử lý trong phần mềm SPSS Các bước thu thập dữ liệu được trình bày rõ ràng trong sơ đồ kèm theo.
Hình 3.1: Các bước lựa chọn và xây dựng mô hình phục vụ thu thập số liệu
Các đề tài nghiên cứu khoa học cấp bộ, cấp cơ sở
Các đề tài liên quan đến việc bố trí thí nghiệm và xây dựng mô hình thí nghiệm
Bố trí thí nghiệm một nhân tố
Bố trí thí nghiệm hai nhân tố
Bố trí thí nghiệm ba nhân tố
Bố trí thí nghiệm nhiều nhân tố
Bố trí thí nghiệm theo kiểu ngẫu nhiên hoàn toàn
Bố trí thí nghiệm theo khối ngẫu nhiên đầy đủ
Bố trí thí nghiệm theo dạng ô vuông la tinh
Quy trình xử lý số liệu cho mô hình ngẫu nhiên hoàn toàn
Quy trình xử lý số liệu cho mô hình khối ngẫu nhiên đấy đủ
Quy trình xử lý số liệu cho mô hình ô vuông la tinh
Số liệu thu thập đầy đủ đáng tin cậy
Số liệu chưa đầy đủ, không đáng tin cậy
Xử lý số liệu bằng phần mềm SPSS
Xây dựng mô hình thí nghiệm
Sàng lọc số liệu thô
Trong quá trình nghiên cứu và lựa chọn số liệu cho đề tài, nhóm nghiên cứu đã đưa ra những nhận xét quan trọng về các phương pháp bố trí thí nghiệm trong một số đề tài.
Nhiều nghiên cứu trong lĩnh vực lâm sinh chưa rõ ràng về phương pháp bố trí thí nghiệm, dẫn đến việc phân tích không chính xác Các đề tài thường chỉ đưa ra phương pháp một cách chung chung, điều này ảnh hưởng tiêu cực đến chất lượng và độ tin cậy của số liệu thu thập.
- Một số thí nghiệm thường thiếu hụt các lần lặp hoặc thiếu mẫu nghiên cứu
- Khi xử lý số liệu không qua bước sàng lọc số liệu khiến cho kết quả thí nghiệm không được theo như ý muốn
Việc thu thập số liệu cho phân tích và xử lý thí nghiệm phụ thuộc vào sự bố trí thí nghiệm, quyết định hướng phân tích và ảnh hưởng đến độ tin cậy của kết quả Do đó, để xây dựng quy trình phân tích cho các mô hình thí nghiệm trong lâm nghiệp, nhóm nghiên cứu cần lựa chọn các mô hình được bố trí chính xác và có dung lượng mẫu lớn Nếu số liệu thu thập từ các mô hình hiện có không đáp ứng yêu cầu, nhóm sẽ tự xây dựng mô hình thí nghiệm và thu thập số liệu để tạo ra các khuôn mẫu cho việc bố trí thí nghiệm.
Kết quả lựa chọn và xây dựng các MHTN và thu thập số liệu
3.2.1 Lựa chọn mô hình thí nghiệm ngẫu nhiên hoàn toàn
Trong Lâm nghiệp, các nhân tố thí nghiệm như mật độ trồng rừng, liều lượng phân bón và cường độ ánh sáng thường được phân chia thành các cấp xác định trước, gọi là nhân tố xác định (Fixed Factor) Những nhân tố này có thể là biến định tính với hoặc không có thứ bậc Mỗi cấp của nhân tố thí nghiệm đại diện cho một công thức cụ thể Ví dụ, mật độ trồng rừng có thể được chia thành 3 cấp khác nhau.
1200 cây/ha, 1500 cây/ha và 1800 cây/ha Mỗi cấp mật độ cũng được xem là một công thức
Thí nghiệm một nhân tố trong lâm nghiệp thường được thực hiện theo hai phương pháp chính: ngẫu nhiên hoàn toàn và khối ngẫu nhiên đầy đủ Trong một số trường hợp nhất định, có thể áp dụng bố trí ô vuông Latinh, tuy nhiên phương pháp này có những hạn chế nhất định.
Nhóm nghiên cứu đã tiến hành kế thừa số liệu đã được điều tra từ trước của các mô hình sau:
+ Mô hình thí nghiệm so sánh sinh trưởng của cây Mây nếp theo các điều kiện che sáng khác nhau;
+ Mô hình thí nghiệm so sánh sinh trưởng của Hồ Đào theo các xuất xứ khác nhau;
+ Mô hình thí nghiệm so sánh sinh trưởng của loài Cẩm lai vú theo liều lượng phân bón khác nhau;
+ Mô hình thí nghiệm so sánh sinh trưởng của loài Cẩm lai vú theo các xuất xứ khác nhau;
+ Mô hình thí nghiệm so sánh sinh trưởng của Mây nếp theo phương pháp trồng (1 cây/hố, 2 cây/hố, 3 cây/hố)
Nhóm nghiên cứu đã lựa chọn mô hình thí nghiệm sinh trưởng của Mây nếp dựa trên phương pháp thu thập số liệu và bố trí thí nghiệm ngoài thực địa Nghiên cứu tiến hành phân tích và xử lý số liệu theo dạng phân tích mô hình thí nghiệm một nhân tố dưới các điều kiện che sáng khác nhau.
Mô hình thí nghiệm so sánh sinh trưởng của cây Mây nếp dưới các điều kiện chiếu sáng khác nhau được thực hiện trong nghiên cứu thuộc đề tài “Nghiên cứu chọn giống và biện pháp kỹ thuật trồng thâm canh mây dưới tán rừng tại một số vùng sinh thái” Thí nghiệm được tiến hành tại vườn ươm của trường Đại học.
Lâm nghiệp và được mô tả theo sơ đồ như sau:
Hình 3.2: Sơ đồ bố trí thí nghiệm che sáng cây Mây nếp
Các bước xây dựng mô hình
Nhóm nghiên cứu đã lựa chọn giống Mây nếp để thực hiện thí nghiệm, tiến hành xử lý và gieo hạt theo phương pháp thông thường Sau 03 tháng nảy mầm, cây mây được cấy vào bầu và chăm sóc để phát triển.
Lựa chọn cây có chiều cao và tốc độ sinh trưởng tương đương để bố trí thí nghiệm so sánh sinh trưởng của cây Mây nếp dưới các điều kiện che sáng khác nhau Thí nghiệm được thực hiện theo phương pháp ngẫu nhiên hoàn toàn, chia số lượng cây thành 3 đoạn với 3 lần lặp, mỗi đoạn có mức độ tàn che khác nhau: 1) không che sáng, 2) che sáng 25%, 3) che sáng 50%, và 4) che sáng 75% Nhóm nghiên cứu đã sử dụng lưới đen với độ thưa mắt lưới khác nhau để tạo ra các mức che sáng cho thí nghiệm.
Tiến hành chăm sóc và bón phân cho cây, định kỳ 1 tháng thu thập số liệu sinh trưởng về chiều cao và số lá cây
3.2.2 Xây dựng mô hình thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ
Bố trí theo khối hệ thống là một phương pháp phổ biến nhưng có nhược điểm lớn là vị trí tương đối của các công thức thí nghiệm giống nhau ở tất cả các khối, dẫn đến sai số thí nghiệm tăng cao Để khắc phục điều này, Fisher đã đề xuất phương pháp bố trí ngẫu nhiên, được coi là cách bố trí khách quan nhất.
Nhóm nghiên cứu đã thu thập và xem xét các mô hình thí nghiệm khối ngẫu nhiên đầy đủ, nhưng do hạn chế về thời gian và dữ liệu, không tìm ra mô hình phù hợp cho phân tích quy trình xử lý hai nhân tố Vì vậy, nhóm đã tự xây dựng thí nghiệm với mô hình so sánh sinh trưởng của cây muồng hoa vàng dựa trên mật độ trồng và phương thức bón phân khác nhau.
Nhóm nghiên cứu đã thực hiện mô hình thí nghiệm để so sánh sinh trưởng của cây muồng hoa vàng dựa trên mật độ trồng và phương thức bón phân khác nhau tại vườn ươm trường Đại học Lâm nghiệp Các bước thực hiện và bố trí thí nghiệm được mô tả chi tiết trong nghiên cứu.
Chuẩn bị hạt gieo và ươm cây là bước đầu tiên quan trọng, bao gồm việc chọn lô hạt giống từ cùng một nguồn gốc cây mẹ, sau đó tiến hành sơ tuyển và xử lý hạt trước khi gieo.
Gieo cây ra nền đất và chăm sóc hàng ngày là bước quan trọng trong quá trình nghiên cứu Nhóm nghiên cứu đã gieo toàn bộ lô hạt với số lượng lớn hơn số lượng cây dự kiến để đảm bảo không bị thiếu mẫu cây trong quá trình nghiên cứu.
Bước 3: Xây dựng các khối thí nghiệm để so sánh sinh trưởng của cây muồng hoa vàng dựa trên mật độ trồng và phương thức bón phân khác nhau Nhóm nghiên cứu đã chuẩn bị các luống đất sạch sâu bệnh và chia thành 27 ô thí nghiệm (plot) có diện tích bằng nhau, được phân chia thành 3 khối tách biệt, mỗi khối gồm 9 plot, nhằm mục đích cấy cây vào thí nghiệm.
Bước 4 trong quy trình thí nghiệm là tuyển chọn cây giống Sau khi cây đã nảy mầm và phát triển bình thường, nhóm nghiên cứu sẽ lựa chọn những cây có chiều cao và số lá tương đương để cấy vào các ô thí nghiệm đã chuẩn bị sẵn Mỗi ô nghiên cứu sẽ được cấy với số lượng cây khác nhau, thể hiện qua ba mức độ khác nhau.
+ Mức 1: mỗi ô thí nghiệm có 35 cây + Mức 2: Mỗi ô thí nghiệm có 50 cây + Mức 3: Mỗi ô thí nghiệm có 100 cây
Bước 5: Thực hiện bón phân với các biện pháp khác nhau cho từng khối thí nghiệm, đảm bảo rằng mỗi mức mật độ phân bón được áp dụng đồng đều trên mỗi khối.
3 mức độ bón phân khác nhau: Mức bón phân 1: Không bón phân, Mức bón phân 2: bón 0,1kg phân NPK, Mức bón phân 3: bón 0,2kg phân NPK
Bước 6: Thu thập số liệu: Tiến hành chăm sóc cây trên các plot và định kỳ 02 tháng thu thập số liệu về chiều cao của cây
Sơ đồ thí nghiệm theo kiểu khối ngẫu nhiên đầy đủ được thể hiện theo sơ đồ sau:
Hình 3.3: Sơ đồ thí nghiệm khối ngẫu nhiên đầy đủ (3 khối)
Trong đó: A là mức bón phân:
+ A1: Không bón phân + A2: Bón 0,1kg phân NPK + A3: Bón 0,2kg phân NPK
B là mật độ cây trồng trong từng ô thí nghiệm:
+ B1: Trong ô thí nghiệm có 35 cây trồng + B2: Trong ô thí nghiệm có 50 cây trồng + B3: Trong ô thí nghiệm có 100 cây trồng
Tiến hành chăm sóc, định kỳ mỗi tháng lấy số liệu 1 lần và được ấn định vào ngày 15 hàng tháng
3.2.3 Xây dựng mô hình thí nghiệm theo kiểu ô vuông la tinh
Phương pháp phân tích phương sai ba nhân tố có ứng dụng quan trọng trong việc phân tích kết quả thí nghiệm theo kiểu ô vuông la tinh Khi bố trí theo khối, số công thức có thể nhiều hoặc ít hơn số khối, và trong quá trình phân tích, sự sai khác giữa các cột có thể được bỏ qua Trong thí nghiệm đồng ruộng, sự khác nhau giữa các nền đất cũng có thể không cần xem xét Khi số khối bằng số công thức thí nghiệm, tức là số lần lặp tương đương với số công thức thí nghiệm, thì được gọi là bố trí theo ô vuông la tinh.
