(بهار و تابستان)
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
دانشگاه گلستان ، m.azimmohseni@gu.ac.ir
چکیده: (63 مشاهده)
هدف: در این مطالعه تحلیل واریانس تابعی برای مقایسه جوانهزنی تیمارها در یک بازه زمانی ارائه میگردد. در این روش، نه تنها امکان مقایسه تیمارها در کل دوره زمانی قابل انجام میباشد، بلکه مقایسه تیمارها در هر لحظه از زمان امکانپذیر است. همچنین میتوان زمانهای مهم که در آنها تیمارها به حداکثر اختلاف معنیدار میرسند، مشخص کرد که میتواند به عنوان شاخصهای جوانهزنی مورد استفاده قرار گیرد.
روش پژوهش: در این پژوهش، از دادههای واقعی مربوط به چهار آزمایش شامل اثر دما بر جوانهزنی سیاهدانه، اثر تنش شوری بر جوانهزنی بذرهای ذرت، مقایسه جوانهزنی ارقام مختلف گندم و اثر تنش آبی بر جوانهزنی گیاه کلزا استفاده گردید و با استفاده از تابع اسپیلاین دادههای حاصل از جوانهزنی در این آزمایشهای به عنوان تابعی از زمان بیان شد. سپس، نتایج تحلیل تابعی برای مقایسههای تیمارها هم از لحاظ میزان جوانهزنی و هم از لحاظ زمان جوانهزنی در این چهار آزمایش به تفصیل ارائه گردید.
یافتهها: نتایج استفاده از تحلیل تابعی بیانگر کارایی بالای این روش در مشخصسازی اختلاف یا عدم اختلاف معنیدار بین تیمارها در طول دوره زمانی بود. همچنین، مقایسه تیمارها از لحاظ جوانهزنی در هر لحظه از زمان و مقایسه زمان جوانهزنی در هر صدک جوانهزنی اطلاعات دقیقی از نحوه اختلاف بین تیمارها فراهم کرد. این رویکرد امکان معرفی شاخصهای جدید جوانهزنی در بذرهای مختلف را فراهم کرد.
نتیجهگیری: به طور کلی نتایج این تحقیق نشان داد که برای مقایسه تیمارها برای دادههای جوانهزنی، تحلیل تابعی گام به گام که در این پژوهش معرفی گردید یک روش کارامد و دقیق برای مقایسه تیمارها و استخراج جزئیات از نحوه اختلاف بین تیمارها میباشد. همچنین این روش محدودیتهای استفاده از شاخصهای جوانهزنی برای مقایسه تیمارها را مرتفع میکند.
جنبههای نوآوری:
- از تحلیل تابعی برای مقایسه تیمارها در دادههای درصد جوانهزنی استفاده شد.
- امکان مقایسه تیمارها از لحاظ درصد جوانهزنی در هر لحظه از زمان و از لحاظ زمانها در هر صدک جوانهزنی فراهم شد.
- زمان و صدک جوانهزنی مهم که در آن بیشترین اختلاف بین تیمارها وجود دارد به عنوان شاخصهای جدید جوانهزنی معرفی گردید.
نوع مطالعه: پژوهشي |
موضوع مقاله:
سایر موضوعات
دریافت: 1404/1/21 | ویرایش نهایی: 1404/4/12 | پذیرش: 1404/4/21
دریافت: 1404/1/21 | ویرایش نهایی: 1404/4/12 | پذیرش: 1404/4/21
فهرست منابع
1. Agbangba, C. E., Aide, E. S., Honfo, H., & Kakai, R. G. (2024). On the use of post-hoc tests in environmental and biological sciences: A critical review. Heliyon, 10(3), e25312. [DOI:10.1016/j.heliyon.2024.e25312] [PMID] []
2. Alimagham, S. M., Ghaderi-Far, F., & Rabbani, M. R. (2013). Germination data analysis by using the four-parameter Hill model. Seed Research, 3(2), 86-94. [In Persian]
3. Andersen, R. (2009). Nonparametric methods for modeling nonlinearity in regression analysis. Annual Review of Sociology, 35(1), 67-85. [DOI:10.1146/annurev.soc.34.040507.134631]
4. 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 Journal of Seed Research, 9(1), 75-92. [In Persian] [DOI:10.52547/yujs.9.1.75]
5. Colbach, N., & 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]
6. Colin, N., Habit, E., Manosalva, A., Maceda-Veiga, A., & Górski, K. (2022). Taxonomic and functional responses of species-poor riverine fish assemblages to the interplay of human-induced stressors. Water, 14(3), 355. [DOI:10.3390/w14030355]
7. Cuevas, A., Febrero, M., & Fraiman, R. (2010). An ANOVA test for functional data. Computational Statistics & Data Analysis, 47(1), 111-122. [DOI:10.1016/j.csda.2003.10.021]
8. Delaigle, A., & Hall, P. (2013). Classification using censored functional data. Journal of the American Statistical Association, 108(504), 1269-1283. [DOI:10.1080/01621459.2013.824893]
9. Frois Caldeira, J., Gupta, R., Suleman, M. T., & Torrent, H. S. (2021). Forecasting the term structure of interest rates of the BRICS: Evidence from a nonparametric functional data analysis. Emerging Markets Finance and Trade, 57(15), 4312-4329. [DOI:10.1080/1540496X.2020.1808458]
10. Gan, Y., Stobbe, E. H., & Njue, C. (1996). Evaluation of selected nonlinear regression models in quantifying seedling emergence rate of spring wheat. Crop Science, 36(1), 165-168. [DOI:10.2135/cropsci1996.0011183X003600010030x]
11. Gertheiss, J., Rügamer, D., Liew, B. X., & Greven, S. (2024). Functional data analysis: An introduction and recent developments. Biometrical Journal, 66(7), 353-371. [DOI:10.1002/bimj.202300363] [PMID]
12. Ghaderi-Far, F., & Gorzin, M. (2019). Applied research in seed technology. Gorgan University of Agricultural Science and Natural Resources. [In Persian]
13. Ghaderi-Far, F., Azimmohseni, M., & Bagheri, H. (2024). Evaluation of the generalized linear model to the germination percentage data and its comparison with the square root transformation. Iranian Journal of Seed Research, 10(2), 37-48. [In Persian] [DOI:10.61186/yujs.10.2.37]
14. Gianinetti, A. (2020). Basic features of the analysis of germination data with generalized linear mixed models. Data, 5(1), 6. [DOI:10.3390/data5010006]
15. Gonzalez‐Andujar, J. L., Francisco‐Fernandez, M., Cao, R., Reyes, M., Urbano, J. M., Forcella, F., & Bastida, F. (2016). A comparative study between nonlinear regression and nonparametric approaches for modelling Phalaris paradoxa seedling emergence. Weed Research, 56(5), 367-376. [DOI:10.1111/wre.12216]
16. Górecki, T., & Smaga, Ł. (2015). A comparison of tests for the one-way ANOVA problem for functional data. Computational Statistics, 30(4), 987-1010. [DOI:10.1007/s00180-015-0555-0]
17. Haj Seyedhadi, M. R., & 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.2008.07.006]
18. Joosen, R. V. L., Kodde, J., Willems, L. A. J., Ligterink, W., Van der Plas, H. W., & 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.2010.04136.x] [PMID]
19. Khamadi, N., Nabipor, M., Roshanfekr, H., & Rahnama, A. (2016). Effect of sowing date and seed priming on emergence and yield and yield components of three bread wheat cultivars (Triticum aestivum L.). Applied Field Crops Research, 29(1), 119-125. [In Persian] [DOI:10.22092/aj.2016.109570]
20. Kneip, A., & Liebl, D. (2020). On the optimal reconstruction of partially observed functional data. The Annals of Statistics, 48(3), 1692-1717. [DOI:10.1214/19-AOS1856]
21. Leng, X., & Müller, H. G. (2006). Classification using functional data analysis for temporal gene expression data. Bioinformatics, 22(1), 68-76. [DOI:10.1093/bioinformatics/bti742] [PMID]
22. Loddo, D., Ghaderi-Far, F., Rastegar, Z., & Masin, R. (2018). Base temperatures for germination of selected weed species in Iran. Plant Protection Science, 54(1), 60-66. [DOI:10.17221/158/2016-PPS]
23. Lu, M., Hua, J., Yu, Z., & Xu, Y. (2024). Towards transient connectivity of river networks during rainfall events: Insight from hydrological observation and functional data analysis. Journal of Hydrology, 637, 131146. [DOI:10.1016/j.jhydrol.2024.131146]
24. Mamani, G. Q., Duarte, M. L., Almeida, L. S. D., & Martins Filho, S. (2024). Non-parametric survival analysis in seed germination of forest species. Journal of Seed Science, 46, e202446036. [DOI:10.1590/2317-1545v46288345]
25. Matsui, H., & Mochida, K. (2024). Functional data analysis-based yield modeling in year-round crop cultivation. Horticulture Research, 11(7), uhae144. [DOI:10.1093/hr/uhae144] [PMID] []
26. Mrkvicka, T., Myllymäki, M., Jilik, M., & Hahn, U. (2020). A one-way ANOVA test for functional data with graphical interpretation. Kybernetika, 56(3), 432-458. [DOI:10.14736/kyb-2020-3-0432]
27. Porali, F., Ghaderi-Far, F., Soltani, A., & Palevani, 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] [DOI:10.29252/yujs.5.2.1]
28. Ramsay, J. O., & Silverman, B. W. (2005). Functional linear models for functional responses. In: Functional Data Analysis. Springer Series in Statistics. Springer, New York, NY. [DOI:10.1007/0-387-22751-2_16]
29. Romano, A., & Stevanato, P. (2020). Germination data analysis by time-to-event approaches. Plants, 9(5), 617. [DOI:10.3390/plants9050617] [PMID] []
30. Samieadel, S., Eshghizadeh, H. R., Zahedi, M., & Majidi, M. M. (2024). The interaction of planting date and irrigation regime effects on the yield and water use efficiency of Milk Thistle (Silybum marianum) ecotypes. Iranian Journal of Field Crop Science, 55(1), 105-121. [In Persian] [DOI:10.22059/ijfcs.2023.361558.655015]
31. Smaga, Ł. (2020). A note on repeated measures analysis for functional data. AStA Advances in Statistical Analysis, 104(1), 117-139. [DOI:10.1007/s10182-019-00352-6]
32. Talská, R., Machalová, J., Smýkal, P., & Hron, K. (2020). A comparison of seed germination coefficients using functional regression. Applications in Plant Sciences, 8(8), e11366. [DOI:10.1002/aps3.11366] [PMID] []
33. Tjørve, K. M. C., & 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 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
© 2025 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.