جلد 5، شماره 2 - ( (پاییز و زمستان) 1397 )                   سال1397، جلد5 شماره 2 صفحات 1-13 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Porali F, Ghaderi-Far F, Soltani E, Palevani M H. Comparison of Different Models for Determining Time to 50% Maximum Germination: A Case Study on Cottonseeds (Gossypium hirsutum). Iranian J. Seed Res.. 2019; 5 (2) :1-13
URL: http://yujs.yu.ac.ir/jisr/article-1-340-fa.html
پورعلی فرناز، قادری فر فرشید، سلطانی الیاس، پهلوانی محمدهادی. مقایسه مدلهای مختلف جهت تعیین زمان تا 50 درصد حداکثر جوانه زنی: مطالعه موردی روی بذرهای پنبه (Gossypium hirsutum). پژوهشهای بذر ایران. 1397; 5 (2) :1-13

URL: http://yujs.yu.ac.ir/jisr/article-1-340-fa.html


دانشگاه علوم کشاورزی و منابع طبیعی گرگان ، farshidghaderifar@yahoo.com
چکیده:   (429 مشاهده)
چکیده مبسوط
مقدمه: سرعت جوانه ‏زنی یکی از مهم‏ترین شاخص‏های جوانه‏زنی می‏باشد که در اکثر مطالعات برای مقایسه اثرات تیمارهای مختلف بر جوانه ‏زنی بذرها استفاده می‏شود. محققان برای محاسبه سرعت جوانه‏ زنی از معکوس زمان تا 50 درصد جوانه‏ زنی (1/D50) استفاده می­ کنند. یکی از روش‏های محاسبه زمان تا 50 درصد حداکثر جوانه ‏زنی  (D50)، استفاده از مدل‏های رگرسیون غیرخطی از قبیل لجستیک، گامپرتز، ریچارد، ویبول و هیل می‌باشد. همچنین برای محاسبه این پارامتر از مدل‌های تجربی ساده از قبیل مدل ارائه شده توسط فاروق و همکاران و الیس و روبرتز استفاده می‌شود. حال سوالی که پیش می ‏آید این است که کدامیک از این روش‏ها پیش‏بینی دقیقی از D50 در اختیار محقق قرار می ‏دهد. هدف از این تحقیق محاسبه D50 با روش‌های مختلف در جوانه‏ زنی بذرهای پنبه می‌باشد.
مواد و روش‌ها: در این آزمایش، بذرهای پنبه در سه دمای 15، 25 و 40 درجه سانتی‌گراد در سه تکرار قرار گرفتند و بذرهای جوانه­ زده روزانه چندین بار شمارش شد. برای محاسبه D50 از چندین مدل رگرسیون غیرخطی شامل مدل‏های گامپرتز، لجستیک، هیل (چهار پارامتره)، ریچارد و ویبول استفاده شد. همچنین، برای محاسبه سرعت جوانه ‏زنی از مدل‏های ارائه شده توسط فاروق و همکاران و الیس و روبرتز استفاده شد.
یافته‌ها: نتایج نشان داد که کلیه مدل‏های رگرسیون غیرخطی برازش مناسبی به داده‏های جوانه‏ زنی داشتند، اما مدل‏های لجستیک، هیل و ویبول نسبت به سایر مدل‏ها پیش‏بینی بهتری در برآورد D50 داشتند. همچنین، D50 محاسبه شده توسط مدل فاروق مشابه مقدار برآورد شده توسط مدل‌های رگرسیون غیرخطی بود؛ اما مقدار برآورد شده توسط مدل آلیس و روبرتز بیشتر از مقدار برآورد شده از سایر مدل‌ها بود.
نتیجه‌گیری: به‏ طور‏کلی، نتایج این تحقیق نشان داد که برای محاسبه D50 می ‏توان از مدل‏های رگرسیون غیرخطی استفاده کرد. در این تحقیق مدل‏های لجستیک، هیل و ویبول برازش خوبی به داده ‏های درصد جوانه ‏زنی تجمعی بذرهای پنبه در مقابل زمان در دماهای مختلف داشتند. این مدل‏ها دارای ضرایبی می‏ باشند که دارای مفهوم زیستی شامل حداکثر درصد جوانه‏ زنی، زمان تا 50 درصد حداکثر جوانه‏ زنی و زمان تا شروع جوانه‏ زنی می‌باشند. همچنین، زمانی که محقق تنها به دنبال اندازه‏ گیری D50 باشد و علاوه بر این با نرم‏ افزارهای آماری آشنا نباشد، می‏ تواند از فرمول تجربی ارائه شده در این مقاله استفاده کند.

جنبه‌های نوآوری:
  1. محاسبه زمان تا 50 درصد حداکثر جوانه‏ زنی با روش‌های مختلف در بذرهای پنبه.
  2.  استفاده از مدل‌های رگرسیون غیرخطی در محاسبه زمان تا 50 درصد حداکثر جوانه ‏زنی در بذرهای پنبه.
  3. معرفی روش مناسب به عنوان روش دقیق‌تر و بهتر جهت محاسبه زمان تا 50 درصد حداکثر جوانه‏ زنی در بذرهای پنبه.
     
نوع مطالعه: پژوهشي | موضوع مقاله: سایر موضوعات
دریافت: ۱۳۹۷/۲/۸ | پذیرش: ۱۳۹۷/۸/۶

فهرست منابع
1. Bailly, C., Benamar, A., Corbineau, F., and Côme, D. 2000. Antooxidant systems in sunflower (Helianthus annuus L.) seeds as affected by priming. Seed Science Research, 10: 35-42. [DOI:10.1017/S0960258500000040]
2. Cheng, C., and Gordon, I.L. 2000. The Richards function and quantitative analysis of germination and dormancy in meadow foam (Limnanthes alba). Seed Science Research, 10: 265-277. [DOI:10.1017/S0960258500000295]
3. Collbach, N., and Durr, C. 2003. Effects of seed production and storage conditions on black grass (Alopecurus myosuroides) germination and shoot elongation. Weed Science, 51(5): 708-718. [DOI:10.1614/P2002-051]
4. Dahlquist, R.M., Prather, T.S., and Stapleton, J.J. 2007. Time and temperature requirements for weed seed thermal death. Weed Science, 55(6): 619-655. [DOI:10.1614/WS-04-178.1]
5. El-Kassaby, Y.A., Moss, I., Kolotelo, D., and Stoehr, M. 2008. Seed germination: Mathematical representation and parameters extraction. Forest Science, 54: 220-227.
6. Ellis, R.H., and Roberts, E.H. 1980. Seed Production. Butterworths, London. 605-635 [PMID] [PMCID]
7. Farooq, M., Basra, S.M.A., Hafeez, K., and Warriach, E.A. 2004. Influence of high and low temperature treatments on the seed germination and seedling vigor of coarse and fine rice. International Rice Research Notes, 29: 69-71.
8. Galindez, G., Seal, C.E., Daws, M.I., Lindow, L., Ortega-Baes, P. and Pritchard, H.W. 2016. Alternative temperature combined with darkness resets base temperature for germination (Tb) in photoblastic seeds of Lippia and Aloysia (Verbenaceae). Plant Biology, 19: 41-45. [DOI:10.1111/plb.12449] [PMID]
9. Gan, Y., Stobbe, E.H., and Njue, C. 1996. Evaluation of selected nonlinear regression models in quantifying seedling emergence rate of spring wheat. Crop Science, 36: 165-168. [DOI:10.2135/cropsci1996.0011183X003600010029x]
10. Ghaderi-Far, F., Alimagham, S.M., Kameli, A.M., and Jamali, M. 2012. Isabgol (Plantago ovata Forsk) seed germination and emergence as affected by environmental factors and planting depth. International Journal of Plant Production, 6: 185-194.
11. Ghaderi-Far., F., and Soltani, E. 2015. Evaluation of seed germination in sesame genotypes in response to temperature: determination of cardinal temperatures and thermal tolerance. Iranian Journal of Field Crop Science, 46: 473-483 [In Persian with English Summary].
12. Hacisalihoglu, G., Taylor, A.G., Paine, D.H., Hilderbrand, M.B., and Khan, A.A. 1999. Embryo elongation and germination rates as sensitive indicators of lettuce seed quality: Priming and aging studies. Hortscience, 34(7): 1240-1243. [DOI:10.21273/HORTSCI.34.7.1240]
13. Haj SeyedHadi, M.R., and Gonzalez-Andujar, J.L. 2009. Comparison of fitting weed seedling emergence models with nonlinear regression and genetic algorithm. Computers and Electronics in Agriculture, 65(1): 19-25. [DOI:10.1016/j.compag.2008.07.005]
14. Jafar, M.Z., Farooq, M., Cheema, M.A., Afzal, I., Basra, S. M.A., Wahid, M. A., Aziz, T., and Shahid, M. 2012. Improving the performance of wheat by seed priming under saline conditions. Journal of Agronomy and Crop Science, 198(1): 38-45. [DOI:10.1111/j.1439-037X.2011.00485.x]
15. Joosen, R.V.L., Kodde, J., Willems, L.A.J., Ligterink, W., Van der Plas, H.W., and Hilhorst, H.W.M. 2010. Germinator: a software package for high-throughput scoring and curve fitting of Arabidopsis seed germination. The Plant Journal, 62(1): 148-159. [DOI:10.1111/j.1365-313X.2009.04116.x] [PMID]
16. Kibinza, S., Bazin, J., Bailly, C., Farrant, J.M., Francoise Corbineau, F., and El-Maarouf-Bouteau, H. 2011. Catalase is a key enzyme in seed recovery from ageing during priming. Plant Science, 181(3): 309-315. [DOI:10.1016/j.plantsci.2011.06.003] [PMID]
17. Lawson, A.N., Van Acker, R.C., and Friesen, L.F. 2006. Emergence timing of volunteer canola in spring wheat fields in Manitoba. Weed Science, 54: 873-882. [DOI:10.1614/WS-05-169.I.1]
18. Loddo, D., Masin, R., Otto, S., and Zanin, G. 2012. Estimation of base temperature for Sorghum halepense rhizome sprouting. Weed Research, 52(1): 42-49. [DOI:10.1111/j.1365-3180.2011.00886.x]
19. Loddo, D.,Ghaderi-Far, F., Rastegar, Z., and Masin, R. 2018. Base temperatures for germination of selected weed species in Iran. Plant Protection Science, 54(1): 60-66.
20. Lu, J.J., Zhou, Y.M., Tan, D.Y., Baskin, C.C., and Baskin, J.M. 2015. Seed dormancy in six cold desert Brassicaceae species with indehiscent fruits. Seed Science Research, 25(3): 276-285. [DOI:10.1017/S0960258515000215]
21. Maguire, J.D. 1962. Speed of germination-aid in selection and evaluation for seedling emergence and vigor. Crop Science, 2(2): 176-177. [DOI:10.2135/cropsci1962.0011183X000200020033x]
22. Masin, R. Onofri, A., Gasparini, V., and Zanin, G. 2017. Can alternating temperatures be used to estimate base temperature for seed germination?. Weed Research, 57(6): 390-398. [DOI:10.1111/wre.12270]
23. Mavi, K., Powell, A.A., and Matthews, S. 2016. Rate of radicle emergence and leakage of electrolytes provide quick predictions of percentage normal seedlings in standard germination tests of radish (Raphanus sativus). Seed Science and Technology, 17: 393-409. [DOI:10.15258/sst.2016.44.2.12]
24. Rebetzke, G.J., and Richards, R.A. 1999. Genetic improvement of early vigor in wheat. Australian Journal of Agricultural Research, 50: 291-301. [DOI:10.1071/A98125]
25. Shafii, B., Price, W.J., Swensen, J. B., and Murray, G. A. 1991. Nonlinear estimation of growth curve models for germination data analysis," in Proceedings of the 1991 Kansas State University Conference on Applied Statistics in Agriculture, Milliken, G.A., and Schwenke, J.R. (eds.), Manhattan, KS: Kansas State University, 19-42. [DOI:10.4148/2475-7772.1415]
26. Soltani, A. 2007. Application of SAS in statistical analysis. Second edition., Jehad-e-Daneshgahi Mashhad Press, Mashhad, Iran, 182 p. [In Persian].
27. Soltani, A., and Galeshi, S. 2002. Importance of rapid canopy closure for wheat production in a temperate sub-humid environment: experimentation and simulation. Field Crops Research, 77(1): 17-30. [DOI:10.1016/S0378-4290(02)00045-X]
28. Soltani, A., Galeshi, S., Zeinali, E., and Latifi, N. 2002. Germination, seed reserve utilization and seedling growth of chickpea as affected by salinity and seed size. Seed Science and Technology, 30(1): 51-60.
29. Soltani, A., Zeinali, E., Galeshi, S., and Latifi, N. 2001.Genetic variation for and interrelationships among seed vigor traits in wheat from the Caspian Sea coast of Iran. Seed Science and Technology, 29: 653-662.
30. Soltani, E., Ghaderi-Far, F., Baskin, C.C., and Baskin, J.M. 2015. Problems with using mean germination time to calculate rate of seed germination. Australian Journal of Botany, 63(8): 631-635. [DOI:10.1071/BT15133]
31. Soltani, E., Soltani, A., and Oveisi, M. 2013. Modeling seed aging effect on wheat seedling emergence in drought stress: Optimizing germin program to predict emergence pattern. Crops Improvement, 15: 147-160 [In Persian with English Summery].
32. Sousa, I.F., Neto, J.E.K., Muniz, J.A., Guimarães, R.M., Savian, T.V., and Muniz, F.M. 2014. Fitting nonlinear autoregressive models to describe coffee seed germination. Ciência Rural, 44(11): 2016-2021. [DOI:10.1590/0103-8478cr20131341]
33. Tahmasbi, B., Ghaderi-Far., F., Sadeghipour, H.R., and Galeshi, S. 2015. Impacts of accelerated aging on germination parameters, fatty acids and lipid hydroperoxides of sunflower (Helianthus annuus L.) seeds. Journal of Plant Process and Function, 4: 73-83 [In Persian with English Summary].
34. Tjørve, K.M.C., and Tjørve, E. 2017. A proposed family of Unified models for sigmoidal growth. Ecological Modeling, 359: 117-127. [DOI:10.1016/j.ecolmodel.2017.05.008]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله پژوهشهای بذر ایران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Iranian Journal of Seed Research

Designed & Developed by : Yektaweb

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.