جلد 8، شماره 1 - ( (بهار و تابستان) 1400 )                   سال1400، جلد8 شماره 1 صفحات 136-123 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mijani S, Rastgoo M, Ghanbari A, Nassiri Mahallati M. (2021). Quantification of Tuber Sprouting of Purple Nutsedge (Cyperus rotundus) Response Against Temperature Using Thermal Time Models. Iranian J. Seed Res.. 8(1), : 8 doi:10.52547/yujs.8.1.123
URL: http://yujs.yu.ac.ir/jisr/article-1-462-fa.html
میجانی سجاد، راستگو مهدی، قنبری علی، نصیری محلاتی مهدی. کمی‌سازی پاسخ جوانه‌زنی غده اویارسلام ارغوانی (Cyperus rotundus) به دما با استفاده از مدل‌های زمان دمایی پژوهشهای بذر ایران 1400; 8 (1) :136-123 10.52547/yujs.8.1.123

URL: http://yujs.yu.ac.ir/jisr/article-1-462-fa.html

کمی‌سازی پاسخ جوانه‌زنی غده اویارسلام ارغوانی (Cyperus rotundus) به دما با استفاده از مدل‌های زمان دمایی
سجاد میجانی ، مهدی راستگو* ، علی قنبری ، مهدی نصیری محلاتی
دانشگاه فردوسی مشهد ، m.rastgoo@um.ac.ir
چکیده:   (3978 مشاهده)
چکیده مبسوط
مقدمه: اویارسلام ارغوانی، (Cyperus rotundus L.) یکی از علف‌های‌هرز مشکل ساز در سراسر دنیا است که به خصوص در مناطق گرمسیر و نیمه گرمسیر گسترش دارد. غده‌ها، اصلی‌ترین اندام رویشی برای افزونش آن می‌باشند، در حالی که بذر آن قابلیت جوانه‌زنی بسیار پایینی دارد. از این رو، بررسی رفتار جوانه‌زنی غده‌ها در تقابل با عوامل محیطی برای اطلاع از زمان جوانه‌زنی و سبز شدن آن مورد توجه می‌باشد. جوانه‌زنی غده، نیز به نوبه خود در میان عوامل محیطی تحت تأثیر دما قرار دارد. مدل‌های ریاضی متعددی برای توصیف الگوی جوانه‌زنی بذر در واکنش به درجه حرارت ارائه شده‌اند که به مدل‌های زمان دمایی شناخته می‌شوند. با توجه به اهمیت مدل‌سازی در پیش‌بینی ظهور اندام‌های رویشی جهت بهبود روش‌های مهاری، در تحقیق حاضر پاسخ جوانه‌زنی غده‌های اویارسلام ارغوانی به دما بوسیله مدل‌های مختلف زمان دمایی مورد بررسی قرار گرفته است.
مواد و روش‌ها: آزمایش در قالب طرح بلوک کامل تصادفی با سه تکرار در محیط دستگاه ژرمیناتور انجام شد. بدین منظور در هر تکرار، 15 غده داخل پتری 20 سانتی متری روی یک کاغذ صافی قرار داده و سپس 100 میلی‌لیتر آب اضافه شد. این آزمایش به‌طور جداگانه برای دماهای ثابت 10، 15، 20، 25، 30، 35 و 40 درجه سلسیوس و در تاریکی مطلق انجام شد. شمارش جوانه‌زنی غده‌ها به مدت 30 روز مورد بررسی قرار گرفت. برای تحلیل مدل‌سازی داده‌ها، پنج مدل زمان دمایی بر پایه توزیع‌های آماری نرمال، وایبُل، گامبِل، لجستیک و لُگ لجستیک مورد ارزیابی قرار گرفت. برای ارزیابی مدل‌ها از شاخص‌های R2، RMSE، RMSE% و AICc استفاده شد.
یافته‌ها: نتایج نشان داد که مدل‌های زمان دمایی، پاسخ جوانه‌زنی غده‌های اویارسلام ارغوانی به دما را با دقت بالا (R2=0.95) پیش‌بینی کردند. مقایسه مدل‌ها بر اساس مقادیر AICc، حاکی از برتری معنی‌دار مدل گامبِل نسبت به سایر مدل‌ها بود. بر اساس این شاخص، بین مدل‌های لجستیک و لُگ لجستیک با نرمال تفاوتی وجود نداشت. در میان مدل‌ها، وایبُل نامناسب‌ترین مدل شناخته شد. مدل‌های مختلف جوانه‌زنی نهایی (Gmax) را بین 93/0 تا 94/0 (93 تا 94 درصد) برآورد کرده‌اند. دمای پایه توسط مدل‌های مختلف بین 10/7 تا 47/7 درجه سلسیوس برآورد شد. در بین مدل‌ها، مدل بر پایه توزیع گامبِل، چوله به راست بودن زمان دمایی و دمای بیشینه را اثبات کرد. بر اساس مدل گامبِل، فراسنجه‌های زمان دمایی (θT(g)) لازم برای رسیدن به 50 درصد جوانه‌زنی (θT(50)) معادل 8/123 درجه سلسیوس روز و بیشینه دما برای جوانه‌زنی با احتمال 50 درصد (Tc(50)) معادل 10/46 درجه سلسیوس برآورد شد.
نتیجه­گیری: در بین مدل‌های زمان دمایی، مدل گامبِل برتر بود. همچنین، چوله به راست بودن زمان دمایی و دمای بیشینه توسط مدل گامبل اثبات شد. فراسنجه‌های حاصل از مدل گامبِل قابل استفاده برای پیش‌بینی جوانه‌زنی غده‌های اویارسلام ارغوانی می‌باشند.

جنبه‌های نوآوری:
  1. مدل‌های زمان دمایی برای پیش­بینی جوانه‌زنی غده اویارسلام ارغوانی ارزیابی گردید.
  2. مدل زمان دمایی بر پایه توزیع گامبِل نسبت به توزیع نرمال برتر بود.
  3. توزیع زمان دمایی و دمای بیشینه جوانه‌زنی غده اویارسلام ارغوانی به راست چوله داشت.
شماره‌ی مقاله: 8
واژه‌های کلیدی: اندام رویشی، توزیع گامبِل، دماهای کاردینال، مدل‌سازی
متن کامل [PDF 590 kb]   (1083 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سایر موضوعات
دریافت: 1399/2/6 | ویرایش نهایی: 1402/12/1 | پذیرش: 1399/9/30 | انتشار الکترونیک: 1400/8/5
فهرست منابع
1. Aikman, D.P., Benjamin, L.R., Bond, W. and Mead, A. 1995. Use of a simple mechanistic model to simulate weed and crop growth. In: Proceedings of the Brighton Crop Protection Conference -Weeds. Farnham, UK: British Crop Protection Council, 906-910.
2. Akaike, H. 1974. A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6):716-723. [DOI:10.1109/TAC.1974.1100705]
3. Alvarado, V. and Bradford, K.J. 2002. A hydrothermal time model explains the cardinal temperatures for seed germination. Plant, Cell and Environment, 25(8): 1061-1069. [DOI:10.1046/j.1365-3040.2002.00894.x]
4. Araya, A., Kisekka, I., Gowda, P.H. and Vara Prasad, P.V. 2017. Evaluation of water-limited cropping systems in a semi-arid climate using DSSAT-CSM. Agricultural Systems, 150: 86-98. [DOI:10.1016/j.agsy.2016.10.007]
5. Bradford, K.J. 2002. Application of hydrothermal time to quantifying and modeling seed germination and dormancy. Weed Science, 50(2): 248-260. [DOI:10.1614/0043-1745(2002)050[0248:AOHTTQ]2.0.CO;2]
6. Burnham, K.P. and Anderson, D.R. 2002. Model Selection and Multimodel Inference: A Practical Information Theoretic Approach. Springer, New York, USA. p.488.
7. Cousens, R., Brain, P., O'Donovan, J.T. and O'Sullivan, P.A. 1987. The use of biologically realistic equations to describe the effects of weed density and relative time of emergence on crop yield. Weed Science, 35: 720-725. [DOI:10.1017/S0043174500060872]
8. Covell, S., Ellis, R. H., Roberts, E.H. and Summerfield, R.J. 1986. The influence of temperature on seed germination rate in grain legumes. I. A comparison of chickpea, lentil, soybean and cowpea at constant temperatures. Journal of Experimental Botany, 37(10): 1503-1515. [DOI:10.1093/jxb/37.10.1503]
9. Derakhshan, A., Bakhshandeh, A., Moradi-Telavat, M.R., Siadat, S.A. and Andarzian, B. 2018. Comparison of probability distribution functions in thermal-time models for modeling of spring oilseed rape germination to temperature. Iranian Journal of Field Crop Science, 49(3): 83-98. [In Persian with English Summary].
10. Derakhshan, A., Moradi-Telavat, M.R. and Siadat, S.A. 2016. Hydrotime analysis of Melilotus officinalis, Sinapis arvensis and Hordeum vulgare seed germination. Iranian Journal of Plant Protection, 30(3): 518-532. [In Persian with English Summary].
11. Dor, E. and Hershenhorn, J. 2013. Effect of low temperature on purple nutsedge (Cyperus rotundus) reproductive biology. Weed Science, 61: 239-243 [DOI:10.1614/WS-D-12-00061.1]
12. Dumur, D., Pilbeam, C.J. and Craigon, J. 1990. Use of the weibull function to calculate cardinal temperatures in faba bean. Journal of Experimental Botany, 41(11): 1423-1430. [DOI:10.1093/jxb/41.11.1423]
13. Ellis, RH., Covell, S., Roberts, E.H. and Summerfield, R.J. 1986. The influence of temperature on seed germination rate in grain legumes. II. Interspecific variation in chickpea (Cicer arietinum L.) at constant temperature. Journal of Experimental Botany, 37: 1503-1515. [DOI:10.1093/jxb/37.10.1503]
14. Favrelière, E., Ronceux, A., Pernel J. and Meynard J.M. 2020. Nonchemical control of a perennial weed, Cirsium arvense, in arable cropping systems. A review. Agronomy for Sustainable Development, 40(4): 1-17. [DOI:10.1007/s13593-020-00635-2]
15. Garcia-Huidobro, J., Monteith, J.L., and Squire, G.R. 1982. Time, temperature and germination of Pearl Millet (Pennisetum typhoides S. & H.) I. constant temperature. Journal of Experimental Botany, 33: 288-296. [DOI:10.1093/jxb/33.2.288]
16. Gonzalez- andujar, J.L., Chantre, G.R., Morvillo, C., Blanco, A. and Forcella, F. 2016. Predicting field weed emergence with empirical models and soft computing techniques. Weed Research, 56: 415- 423. [DOI:10.1111/wre.12223]
17. Graziani, A. and Steinmaus, S.J. 2009. Hydrothermal and thermal time models for the invasive grass, Arundo donax. Aquatic Botany, 90(1): 78-84. [DOI:10.1016/j.aquabot.2008.06.003]
18. Grundy, A.C., Phelps, K., Reader, R.J. and Burston, S. 2000. Modelling the germination of Stellaria media using the concept of hydrothermal time. New Phytologist, 148(3): 433-444 [DOI:10.1046/j.1469-8137.2000.00778.x] [PMID]
19. Hardegree, S.P. 2006. Predicting germination response to temperature. I. Cardinal-temperature models and subpopulation-specific regression. Annals of Botany, 97(6): 1115-1125. [DOI:10.1093/aob/mcl071] [PMID] [PMCID]
20. Holm, L.R.G., Plucknett, D.L., Pancho, J.V. and Herberger, J.P. 1977. The World's Worst Weeds. Distribution and Biology. University, Press Hawaii, Honolulu.
21. Holt, J.S. and Orcutt, D.R. 1996. Temperature thresholds for bud sprouting in perennial weeds and seed germination in cotton. Weed Science, 44(3): 523-533. [DOI:10.1017/S0043174500094285]
22. Lati, R.N., Filin, S. and Eizenberg, H. 2011. Temperature- and radiation-based models for predicting spatial growth of purple nutsedge (Cyperus rotundus). Weed Science, 59(4): 476-482. [DOI:10.1614/WS-D-11-00007.1]
23. Loddo, D., Masin, R., Otto, S., Zanin, G. 2011. Estimation of base temperature for Sorghum halepense rhizome sprouting. Weed Research, 50: 10-11. [DOI:10.1111/j.1365-3180.2011.00886.x]
24. Mayer, D.G. and Butler, D.G. 1993. Statistical validation. Ecological Modeling, 68: 21-32. [DOI:10.1016/0304-3800(93)90105-2]
25. Mesgaran, M.B., Mashhadi, H.R., Alizadeh, H., Hunt, J., Young, K.R. and Cousens, R.D. 2013. Importance of distribution function selection for hydrothermal time models of seed germination. Weed Research, 53(2): 89-101. [DOI:10.1111/wre.12008]
26. Nishimoto, R.K. 2001. Purple nutsedge tuber sprouting. Weed Biology and Management, 1: 203-208 [DOI:10.1046/j.1445-6664.2001.00037.x]
27. Shcherbakov, M.V., Brebels, A., Shcherbakova, N.L., Tyukov, A.P., Janovsky, T.A. and evich Kamaev, V.A. 2013. A survey of forecast error measures. World Applied Sciences Journal, 24: 171-176.
28. Singh, M., Bhullar, M.S. and Chauhan, B.S. 2017. Relative time of weed and crop emergence is crucial for managing weed seed production: A study under an aerobic rice system. Crop Protection, 99: 33-38. [DOI:10.1016/j.cropro.2017.05.013]
29. Siriwardana, G. and Nishimoto, R.K. 1987. Propagules of purple nutsedge (Cyperus rotundus) in soil. Weed Technology, 1: 217-220. [DOI:10.1017/S0890037X00029560]
30. Steinmaus, S.J., Prather, T.S. and Holt. J.S. 2000. Estimation of base temperatures for nine weed species. Journal of Experimental Botany, 51: 275-286. [DOI:10.1093/jexbot/51.343.275] [PMID]
31. Thullen, R.J. and Keeley, P.E. 1979. Seed production and germination in Cyperus esculentus and C. rotundus. Weed Science, 27(5): 502-505 [DOI:10.1017/S0043174500044489]
32. Tumbleson, M.E. and Kommedahl, T. 1962. Factors affecting dormancy in tubers of Cyperus esculentus. Botanical Gazette, 123(3): 186-190. [DOI:10.1086/336148]
33. Watt, M.S., Xu, V. and Bloomberg, M. 2010. Development of a hydrothermal time seed germination model which uses the Weibull distribution to describe base water potential. Ecological Modelling, 221(9): 1267-1272. [DOI:10.1016/j.ecolmodel.2010.01.017]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

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

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | 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.