جلد 9، شماره 1 - ( (بهار و تابستان) 1401 )
سال1401، جلد9 شماره 1 صفحات 92-75 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Azimmohseni M, Ghaderi-Far F, Khalafi M, Sadeghipour H R, Ghezel M. (2022). Comparison of time to the event and nonlinear regression models in the analysis of germination data. Iranian J. Seed Res.. 9(1), : 5 doi:10.52547/yujs.9.1.75
URL: http://yujs.yu.ac.ir/jisr/article-1-522-fa.html
URL: http://yujs.yu.ac.ir/jisr/article-1-522-fa.html
عظیم مجسنی مجید، قادری فر فرشید، خلفی مهناز، صادقی پور حمید رضا، قزل مرضیه. مقایسه مدل های زمان تا رویداد و رگرسیون غیرخطی در تجزیه و تحلیل داده‌های جوانه‌زنی پژوهشهای بذر ایران 1401; 9 (1) :92-75 10.52547/yujs.9.1.75
گروه آمار، دانشگاه گلستان ، m.azim@gu.ac.ir
چکیده: (2207 مشاهده)
چکیده مبسوط
مقدمه: امروزه مطالعات گسترده‌ای در زمینه اثر تیمارهای مختلف بر جوانه‌زنی بذرها در گیاهان زراعی، باغی و غیره انجام می‌شود. روش‌های مختلفی برای محاسبه پارامترهای مربوط به جوانه‌زنی ارایه گردیده است که استفاده از رگرسیون غیرخطی متداول‌تر است. هر چند که در سال‌های اخیر مدل‌های مختلفی برای این روش معرفی گردیده است اما ایرادات اساسی در ساختار و نتایج آن باعث شده تا محققین به دنبال روش‌هایی با دقت و صحت بالاتر باشند. هدف از این پژوهش معرفی مدل زمان تا رویداد و مقایسه کارایی آن در شرایط و آزمایش های مختلف با مدل رگرسیون غیرخطی می‌باشد.
مواد و روش‌ها: در این پژوهش از مشاهدات مربوط به 4 آزمایش اثر سیانید پتاسیم بر جوانه‌زنی بذرهای گردو، اثر تنش شوری بر جوانه‌زنی بذرهای گندم، اثر تنش خشکی بر جوانه‌زنی بذرهای ذرت و اثر دما بر جوانه‌زنی بذرهای پنبه استفاده گردید. روش‌های رگرسیون غیرخطی و زمان تا رویداد بر پایه مدل گامپرتز به مشاهدات برازش داده شد و به کمک روش مونت‌کارلو نتایج این دو مدل مورد ارزیابی قرار گرفت.
یافته‌ها: بر پایه شاخص‌های ضریب تعیین و میانگین مربعات خطا هر دو روش برازش مناسبی به مشاهدات داشتند. هر چند که پارامترهای جوانه‌زنی بذرها در هر دو مدل تقریبا برابر براورد شد اما انحراف معیار پارامترها در رگرسیون غیرخطی به مراتب کمتر از مشابه آنها در روش زمان تا رویداد بود، به جز در مواردی که بذرهای جوانه‌نزده در انتهای بازه زمانی آزمایش وجود نداشت که در این حالت نتایج کاملا یکسان بود. روش مونت‌کارلو نتایج حاصل از مدل زمان تا رویداد را مورد تایید قرار داد و کم‌براوردی روش رگرسیون غیرخطی را در براورد انحراف معیار پارامترها آشکار کرد.
نتیجه‌گیری: به طور کلی، نتایج این تحقیق نشان داد که مدل زمان تا رویداد می‌تواند به عنوان یک مدل مناسب در مطالعات مربوط به جوانه‌زنی بذرها در شرایط و تیمارهای مختلف به کار گرفته شود. این مدل نه تنها براوردهای دقیقی برای پارامترهای مربوط به جوانه‌زنی ارایه می‌دهد بلکه انحراف معیار پارامترها که نقش تعیین کننده‌ای در استنباط آماری در مورد پارامترها دارد را با دقت بالا براورد می‌کند. وجود بسته drc در نرم افزار R باعث شده که امکان برازش مدل‌های مختلف زمان تا رویداد پارامتری فراهم گردد.
جنبه‌های نوآوری:
مقدمه: امروزه مطالعات گسترده‌ای در زمینه اثر تیمارهای مختلف بر جوانه‌زنی بذرها در گیاهان زراعی، باغی و غیره انجام می‌شود. روش‌های مختلفی برای محاسبه پارامترهای مربوط به جوانه‌زنی ارایه گردیده است که استفاده از رگرسیون غیرخطی متداول‌تر است. هر چند که در سال‌های اخیر مدل‌های مختلفی برای این روش معرفی گردیده است اما ایرادات اساسی در ساختار و نتایج آن باعث شده تا محققین به دنبال روش‌هایی با دقت و صحت بالاتر باشند. هدف از این پژوهش معرفی مدل زمان تا رویداد و مقایسه کارایی آن در شرایط و آزمایش های مختلف با مدل رگرسیون غیرخطی می‌باشد.
مواد و روش‌ها: در این پژوهش از مشاهدات مربوط به 4 آزمایش اثر سیانید پتاسیم بر جوانه‌زنی بذرهای گردو، اثر تنش شوری بر جوانه‌زنی بذرهای گندم، اثر تنش خشکی بر جوانه‌زنی بذرهای ذرت و اثر دما بر جوانه‌زنی بذرهای پنبه استفاده گردید. روش‌های رگرسیون غیرخطی و زمان تا رویداد بر پایه مدل گامپرتز به مشاهدات برازش داده شد و به کمک روش مونت‌کارلو نتایج این دو مدل مورد ارزیابی قرار گرفت.
یافته‌ها: بر پایه شاخص‌های ضریب تعیین و میانگین مربعات خطا هر دو روش برازش مناسبی به مشاهدات داشتند. هر چند که پارامترهای جوانه‌زنی بذرها در هر دو مدل تقریبا برابر براورد شد اما انحراف معیار پارامترها در رگرسیون غیرخطی به مراتب کمتر از مشابه آنها در روش زمان تا رویداد بود، به جز در مواردی که بذرهای جوانه‌نزده در انتهای بازه زمانی آزمایش وجود نداشت که در این حالت نتایج کاملا یکسان بود. روش مونت‌کارلو نتایج حاصل از مدل زمان تا رویداد را مورد تایید قرار داد و کم‌براوردی روش رگرسیون غیرخطی را در براورد انحراف معیار پارامترها آشکار کرد.
نتیجه‌گیری: به طور کلی، نتایج این تحقیق نشان داد که مدل زمان تا رویداد می‌تواند به عنوان یک مدل مناسب در مطالعات مربوط به جوانه‌زنی بذرها در شرایط و تیمارهای مختلف به کار گرفته شود. این مدل نه تنها براوردهای دقیقی برای پارامترهای مربوط به جوانه‌زنی ارایه می‌دهد بلکه انحراف معیار پارامترها که نقش تعیین کننده‌ای در استنباط آماری در مورد پارامترها دارد را با دقت بالا براورد می‌کند. وجود بسته drc در نرم افزار R باعث شده که امکان برازش مدل‌های مختلف زمان تا رویداد پارامتری فراهم گردد.
جنبه‌های نوآوری:
- استفاده از مدل زمان تا رویداد پارامتری در براورد پارامترهای جوانه‌زنی بذرها
- مقایسه روش زمان تا رویداد و رگرسیون غیرخطی در آزمایش‌های مختلف جوانه‌زنی بذرها
- استفاده از روش مونت‌کارلو برای بررسی صحت نتایج روش‌های به کار رفته
شماره‌ی مقاله: 5
نوع مطالعه: پژوهشي |
موضوع مقاله:
سایر موضوعات
دریافت: 1400/3/5 | ویرایش نهایی: 1402/12/2 | پذیرش: 1400/6/8 | انتشار الکترونیک: 1401/9/20
دریافت: 1400/3/5 | ویرایش نهایی: 1402/12/2 | پذیرش: 1400/6/8 | انتشار الکترونیک: 1401/9/20
فهرست منابع
1. Collbach, N. and Durr, C. 2003. Effects of seed production and storage conditions on blackgrass (Alopecurus myosuroides) germination and shoot elongation. Weed Science, 51: 708-718. [DOI:10.1614/P2002-051]
2. Cristaudo, A., Catara, S., Mingo, A., Restuccia, A. and Onofri, A. 2019. Temperature and storage time strongly affect the germination success of perennial Euphorbia species in Mediterranean regions. Ecology and Evolution, 9: 10984-10999. [DOI:10.1002/ece3.5535] [PMID] [PMCID]
3. El-Kassaby, Y.A., Moss, I., Kolotelo, D. and Stoehr, M. 2008. Seed germination: Mathematical representation and parameters extraction. Forest Science, 54(1): 220-227.
4. Gorzin, M., Ghaderi-Far, F., Sadeghipour, H.R. and Zeinali, E. 2020. Induced thermo-dormancy in rapeseed (Brassica napus L.) cultivars by sub-and supra-optimal temperatures. Journal of Plant Growth Regulation, 40(5): 1-14. [DOI:10.1007/s00344-020-10266-2]
5. Gresta, F., Avola, G., Onofri, A., Anastasi, U. and Cristaudo, A. 2011. When does hard coat impose dormancy in legume seeds Lotus and Scorpiurus case study. Crop Science, 51(4): 1739-1747. [DOI:10.2135/cropsci2010.12.0700]
6. 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]
7. Humplík, J.F., Dostál, J., Ugena, L., Spíchal, L., De Diego, N., Vencálek, O. and Fürst, T. 2020. Bayesian approach for analysis of time-to-event data in plant biology. Plant Methods, 16(1): 1-7. [DOI:10.1186/s13007-020-0554-1] [PMID] [PMCID]
8. Hunter, E. A., Glasbey, C. A., and Naylor, R. E. 1984. The analysis of data from germination tests. Journal of Agricultural Science, 102: 207- 213. [DOI:10.1017/S0021859600041642]
9. Karami, H. 2016. An alternative model to quantifying corn seed germination to temperature and water potential. M.Sc. dissertation, Faculty of Plant Production, Gorgan University of Agricultural Sciences and Natural Resources, Iran. [In Persian with English Summary].
10. 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]
11. 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: 60-66. [DOI:10.17221/92/2016-PPS]
12. McNair, J.N., Sunkara, A. and Frobish, D. 2012. How to analyze seed germination data using statistical time-to-event analysis: non-parametric and semi-parametric methods. Seed Science Research, 22(2): 77-95. [DOI:10.1017/S0960258511000547]
13. Mostafalou, M. 2011. Effect of nitric oxide, cyanide and moist chilling on the alleviation of dormancy in Persian walnut kernels. M.Sc. dissertation, Faculty of Biology, Golestan University, Iran. [In Persian with English Summary].
14. Onofri, A., Benincasa, P., Mesgaran, M.B. and Ritz, C. 2018. Hydrothermal-time-to-event models for seed germination. European Journal of Agronomy, 101: 129-139. [DOI:10.1016/j.eja.2018.08.011]
15. Onofri, A., Gresta, F. and Tei, F. 2010. A new method for the analysis of germination and emergence data of weed species. Weed Research, 50(3): 187-198. [DOI:10.1111/j.1365-3180.2010.00776.x]
16. Onofri, A., Mesgaran, M.B., Neve, P. and Cousens, R.D. 2014. Experimental design and parameter estimation for threshold models in seed germination. Weed Research, 54(5): 425-435. [DOI:10.1111/wre.12095]
17. Porlali, F. 2015. Modeling the effect of temperature on germination of cotton varieties: the different methods accuracy's comparison of germination rate calculation to determine cardinal temperatures. M.Sc. dissertation, Faculty of Plant Production, Gorgan University of Agricultural Sciences and Natural Resources, Iran. [In Persian with English Summary].
18. Porlali, F., Ghaderi_Far, F., Soltani, E., Pahlevani, M.H. 2019. Comparison of different models for determining time up to 50% maximum germination: a case study of cottonseeds (Gossypium hirsutum) . Iranian Journal of Seed Research, 5(2): 1-13. [In Persian with English Summary]. [DOI:10.29252/yujs.5.2.1]
19. Pournik, S., Abbasi-Rostami, M., Sadeghipour, H.R. and Ghaderi-Far, F. 2019. True lipases beside phospholipases contribute to walnut kernel viability loss during controlled deterioration and natural aging. Environmental and Experimental Botany, 164: 71-83. [DOI:10.1016/j.envexpbot.2019.04.016]
20. Rabani, R. 2013. Seed vigor tests for predicting seedling emergence of wheat seed lots in field. M.Sc. dissertation, Faculty of Plant Production, Gorgan University of Agricultural Sciences and Natural Resources, Iran. [In Persian with English Summary].
21. Ritz, C., Pipper, C., Yndgaard, F., Fredlund, K. and Steinrucken, G. 2010. Modelling flowering of plants using time-to-event methods. European Society for Agronomy, 32: 155-161. [DOI:10.1016/j.eja.2009.10.002]
22. Ritz, C., Pipper, C.B. and Streibig, J.C. 2013. Analysis of germination data from agricultural experiments. European Society for Agronomy, 45: 1-6. [DOI:10.1016/j.eja.2012.10.003]
23. Romano, A. and Stevanato, P. 2020. Germination data analysis by time-to-event approaches. Plants, 9(5): 617-617. [DOI:10.3390/plants9050617] [PMID] [PMCID]
24. Rubinstein, R.Y. and Kroese, D.P. 2016. Simulation and the Monte Carlo method (Vol. 10). John Wiley & Sons. [DOI:10.1002/9781118631980]
25. Scott, S.J. and Jones, R.A. 1982. Low temperature seed germination of Lycopersicon species evaluated by survival analysis. Euphytica, 31(3): 869-883. [DOI:10.1007/BF00039227]
26. 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: 2016-2021. [DOI:10.1590/0103-8478cr20131341]
27. Tjørve, K.M.C. and Tjørve, E. 2017. A proposed family of unified models for sigmoidal growth. Ecological Modelling, 359: 117-127. [DOI:10.1016/j.ecolmodel.2017.05.008]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
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
This work is licensed under a Creative Commons Attribution 4.0 International License.