جلد 8، شماره 2 - ( (پاییز و زمستان) 1400 )
سال1400، جلد8 شماره 2 صفحات 96-81 |
برگشت به فهرست نسخه ها
گروه مهندسی تولید و ژنتیک گیاهی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان ، amirmoosavi@asnrukh.ac.ir
چکیده: (3174 مشاهده)
چکیده مبسوط
مقدمه: جوانه‌زنی از مهم‌ترین عامل‌های تعیین‌کننده موفقیت و یا شکست در استقرار گیاهان بوده و در صورت عدم وجود محدودیت در سایر عوامل محیطی محدود کننده، مانند رطوبت و دمای محیط، تعیین‌کننده سرعت و درصد نهایی جوانه‌زنی بذرها خواهد بود. این پژوهش با هدف بررسی برخی شاخص‌های جوانه‌زنی و ارزیابی مدل‌های رگرسیون غیرخطی برای برآورد دماهای کاردینال جوانه‌زنی دو واریته جدید گوجه‌فرنگی انجام پذیرفت.
مواد و روش‌ها: آزمایش به صورت فاکتوریل دو عاملی شامل هفت سطح دما (5، 10، 15، 20، 25، 30 و 35 درجه سلسیوس) و دو رقم گیاه گوجه‌فرنگی (قرمز گیلاسی و زرد گلابی شکل) در قالب طرح کاملاً تصادفی با سه تکرار در آزمایشگاه تکنولوژی بذر دانشگاه علوم کشاورزی و منابع طبیعی خوزستان در سال 1398 اجرا گردید. برای تعیین رابطه میان سرعت جوانه‌زنی و دما از توابع بتا، دندانه‌ای و دوتکه‌ای و از تابع لجستیک به منظور توصیف الگوی مناسب جوانه‌زنی دو رقم این گیاه در پاسخ به هر سطح دما در طی زمان استفاده گردید.
یافته‌ها: نتایج تجزیه واریانس نشان‌دهنده اثر معنی‌دار برهمکنش دما و رقم بر تمام صفات اندازه‌گیری شده در این آزمایش بود. نتایج نشان داد که درصد جوانه‌زنی در رقم گوجه‌فرنگی زرد گلابی شکلدر دماهای 15، 20، 25 و 30 درجه سلسیوس به‌ترتیب برابر 93، 96، 95 و 86 درصد و در رقم قرمز گیلاسی در بازه دمایی اشاره شده به ترتیب برابر 95، 98، 93، 98 درصد بود. هیچکدام از دو رقم گوجه‌فرنگی در دماهای 5، 10 و 35 درجه سلسیوس قادر به جوانه‌زنی نبودند. بر اساس نتایج خروجی از توابع برازش داده شده، مشخص شد که در بین تابع‌های رگرسیونی غیر خطی آزمون شده در این پژوهش، تابع دوتکه‌ای به‌خوبی سرعت جوانه‌زنی بذر رقم‌های گوجه‌فرنگی مورد مطالعه را در برابر دما، توصیف نمود (ضریب تبیین≥93/0 و شاخص آکاییک≤70-). هم‌چنین تابع لجستیک نیز برازش مناسبی بر جوانه‌زنی دو رقم در سطوح بین 15 تا 30 درجه سلسیوس (R2≥0.96) در برابر زمان داشت. بر اساس تابع دو تکه‌ای، دماهای پایه، بهینه و سقف به ترتیب برای رقم زرد گلابی شکل 25/11، 72/28 و 0/35 و برای رقم قرمز گیلاسی شکل 97/10، 61/28 و 0/35 درجه سلسیوس تخمین زده شد.
نتیجه‌گیری: جوانه‌زنی هر دو رقم گیاه گوجه‌فرنگی نسبت به تغییرات دما حساسیت نشان می‌دهد. در دماهای بالاتر از دمای حداقل، با افزایش دما هم نرخ جوانه‌زنی و هم سرعت آن افزایش پیدا کرد و این افزایش تا دمای مطلوب ادامه داشت و پس از آن روند تغییرات درصد و سرعت جوانه‌زنی به ازای دما کاهشی گردید. هم‌چنین نتایج بهدست آمده از تابع لجستیک نشان داد که رقم زرد گلابی در مقایسه با قرمز گیلاسی، به افزایش دماهای بیش بهینه، حساس‌تر است و با افزایش دما از 25 به 30 درجه سلسیوس جوانه‌زنی از 79/97 به 09/85 درصد کاهش یافت.
جنبه‌های نوآوری:
1- الگوی جوانه‌زنی دو رقم جدید گیاه گوجه‌فرنگی تحت تغییرات سطوح دمایی بررسی شد.
2- دماهای کاردینال دو رقم گوجه‌فرنگی با استفاده از توابع رگرسیون غیر خطی برآورد گردید.
مقدمه: جوانه‌زنی از مهم‌ترین عامل‌های تعیین‌کننده موفقیت و یا شکست در استقرار گیاهان بوده و در صورت عدم وجود محدودیت در سایر عوامل محیطی محدود کننده، مانند رطوبت و دمای محیط، تعیین‌کننده سرعت و درصد نهایی جوانه‌زنی بذرها خواهد بود. این پژوهش با هدف بررسی برخی شاخص‌های جوانه‌زنی و ارزیابی مدل‌های رگرسیون غیرخطی برای برآورد دماهای کاردینال جوانه‌زنی دو واریته جدید گوجه‌فرنگی انجام پذیرفت.
مواد و روش‌ها: آزمایش به صورت فاکتوریل دو عاملی شامل هفت سطح دما (5، 10، 15، 20، 25، 30 و 35 درجه سلسیوس) و دو رقم گیاه گوجه‌فرنگی (قرمز گیلاسی و زرد گلابی شکل) در قالب طرح کاملاً تصادفی با سه تکرار در آزمایشگاه تکنولوژی بذر دانشگاه علوم کشاورزی و منابع طبیعی خوزستان در سال 1398 اجرا گردید. برای تعیین رابطه میان سرعت جوانه‌زنی و دما از توابع بتا، دندانه‌ای و دوتکه‌ای و از تابع لجستیک به منظور توصیف الگوی مناسب جوانه‌زنی دو رقم این گیاه در پاسخ به هر سطح دما در طی زمان استفاده گردید.
یافته‌ها: نتایج تجزیه واریانس نشان‌دهنده اثر معنی‌دار برهمکنش دما و رقم بر تمام صفات اندازه‌گیری شده در این آزمایش بود. نتایج نشان داد که درصد جوانه‌زنی در رقم گوجه‌فرنگی زرد گلابی شکلدر دماهای 15، 20، 25 و 30 درجه سلسیوس به‌ترتیب برابر 93، 96، 95 و 86 درصد و در رقم قرمز گیلاسی در بازه دمایی اشاره شده به ترتیب برابر 95، 98، 93، 98 درصد بود. هیچکدام از دو رقم گوجه‌فرنگی در دماهای 5، 10 و 35 درجه سلسیوس قادر به جوانه‌زنی نبودند. بر اساس نتایج خروجی از توابع برازش داده شده، مشخص شد که در بین تابع‌های رگرسیونی غیر خطی آزمون شده در این پژوهش، تابع دوتکه‌ای به‌خوبی سرعت جوانه‌زنی بذر رقم‌های گوجه‌فرنگی مورد مطالعه را در برابر دما، توصیف نمود (ضریب تبیین≥93/0 و شاخص آکاییک≤70-). هم‌چنین تابع لجستیک نیز برازش مناسبی بر جوانه‌زنی دو رقم در سطوح بین 15 تا 30 درجه سلسیوس (R2≥0.96) در برابر زمان داشت. بر اساس تابع دو تکه‌ای، دماهای پایه، بهینه و سقف به ترتیب برای رقم زرد گلابی شکل 25/11، 72/28 و 0/35 و برای رقم قرمز گیلاسی شکل 97/10، 61/28 و 0/35 درجه سلسیوس تخمین زده شد.
نتیجه‌گیری: جوانه‌زنی هر دو رقم گیاه گوجه‌فرنگی نسبت به تغییرات دما حساسیت نشان می‌دهد. در دماهای بالاتر از دمای حداقل، با افزایش دما هم نرخ جوانه‌زنی و هم سرعت آن افزایش پیدا کرد و این افزایش تا دمای مطلوب ادامه داشت و پس از آن روند تغییرات درصد و سرعت جوانه‌زنی به ازای دما کاهشی گردید. هم‌چنین نتایج بهدست آمده از تابع لجستیک نشان داد که رقم زرد گلابی در مقایسه با قرمز گیلاسی، به افزایش دماهای بیش بهینه، حساس‌تر است و با افزایش دما از 25 به 30 درجه سلسیوس جوانه‌زنی از 79/97 به 09/85 درصد کاهش یافت.
جنبه‌های نوآوری:
1- الگوی جوانه‌زنی دو رقم جدید گیاه گوجه‌فرنگی تحت تغییرات سطوح دمایی بررسی شد.
2- دماهای کاردینال دو رقم گوجه‌فرنگی با استفاده از توابع رگرسیون غیر خطی برآورد گردید.
شماره‌ی مقاله: 6
نوع مطالعه: پژوهشي |
موضوع مقاله:
اکولوژی بذر
دریافت: 1399/10/7 | ویرایش نهایی: 1402/12/1 | پذیرش: 1400/4/19 | انتشار الکترونیک: 1401/2/31
دریافت: 1399/10/7 | ویرایش نهایی: 1402/12/1 | پذیرش: 1400/4/19 | انتشار الکترونیک: 1401/2/31
فهرست منابع
1. Abdul-Baki, A.A. and Anderson, J.D. 1973. Vigor determination of soybean seed by multiple criteria. Crop Science, 13(6): 630-633. [DOI:10.2135/cropsci1973.0011183X001300060013x]
2. Andrade, J.A., Cadima, J. and Abreu, F.M. 2018. Modeling germination rate and cardinal temperatures of seven mediterranean crops. Journal of Crop Improvement, 32(6): 878-902. [DOI:10.1080/15427528.2018.1542362]
3. Baath, G.S., Kakani, V.G., Gowda, P. H., Rocateli, A.C., Northup, B.K., Singh, H. and Katta, J.R. 2020. Guar responses to temperature: Estimation of cardinal temperatures and photosynthetic parameters. Industrial Crops and Products, 145: 111940. [DOI:10.1016/j.indcrop.2019.111940]
4. Biradar, G., Laxman, R.H., Namratha, M.R., Thippeswamy, M., Shivashankara, K.S., Roy, T.K. and Sadashiva, A.T. 2019. Induction temperature enhances antioxidant enzyme activity and osmoprotectants in tomato. International Journal of Current Microbiology and Applied Sciences, 8(3): 1284-1293. [DOI:10.20546/ijcmas.2019.803.152]
5. Bradford, K.J. 2002. Applications 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., Anderson, D.R. and Huyvaert, K.P. 2011. AIC model selection and multimodel inference in behavioral ecology: some background, observations, and comparisons. Behavioral Ecology and Sociobiology, 65(1): 23-35. [DOI:10.1007/s00265-010-1029-6]
7. Copeland, L.O. and McDonald, M.B. 2001. Principles of Seed Science and Technology. Dordrecht. The Netherlands: Kluwer Academic Publishers, 18-25.
8. Dehghan, A., Bannayan Awal, M., Khajehossaini, M., Izadi, E. and Mijani, S. 2013. Simulation of emergence pattern of weeds species in Corn (Zea mays L.) field based on sigmoidal models. Journal of Plant Protection, 26(4): 457-466. [In Persian with English Summary].
9. Egli, D.B. and TeKrony, D.M. 1997. Species differences in seed water status during seed maturation and germination. Seed Science Research, 7(1): 3-12. [DOI:10.1017/S0960258500003305]
10. Esechie H. 1994. Interaction of salinity and temperature on the germination of sorghum. Journal of Agronomy and Crop Science, 172(3): 194-199. [DOI:10.1111/j.1439-037X.1994.tb00166.x]
11. Etesami, M., Karizaki, A.R. and Torabi, B. 2015. Quantifying germination response of hibiscus tea (Hibiscus sabdariffa) seeds to temperature. Iranian Journal of Seed Research, 2(1): 73-80. [In Persian with English Summary].
12. Fallahi, H.R., Mohammadi, M., Aghhavani-Shajari, M. and Ranjbar, F. 2015. Determination of germination cardinal temperatures in two basil (Ocimum basilicum L.) cultivars using non-linear regression models. Journal of Applied Research on Medicinal and Aromatic Plants, 2(4): 140-145. [DOI:10.1016/j.jarmap.2015.09.004]
13. FAO. 2019. Food and Agriculture Organization of the United Nations. FAOSTAT Statistical: anonymous: FAO. Available online: http://www.fao.org/faostat/en/#data/RF.
14. Gholamhosseini, M., Sedghi, G.F., Farzaneh, S. and Ghaderi-far, F. 2016. Quantifying of priming effect on the hydrothermal time of sesame seed using regression equations. Doctoral dissertation, Faculty of Agriculture, University of Mohaghegh Ardabili, Iran. 60p. [In Persian with English Summary].
15. Heidari, Z., Kamkar, B. and Masoud Sinaki, J. 2014. Determination of cardinal temperatures of milk thistle (Silybum marianum L.) germination. Advances in Plants and Agriculture Research, 1(5): 21-28. [DOI:10.15406/apar.2014.01.00027]
16. ISTA. 2012. International rules for seed testing. edition 2012. International seed testing association (ISTA). Bassersdorf, Switzerland.
17. Javadi, A. and Khemari, S. 2018. Effect of different methods of seed preparation in tomato seed germination indices. Journal of Seed Research, 8(3): 42-50. [In Persian with English Summary].
18. Jorwar, R.M., Ulemale, D. H. and Sarap, S. M. 2017. Economics of production and marketing of tomato in Amravati district. International Research Journal of Agricultural Economics and Statistics, 8(1): 56-59. [DOI:10.15740/HAS/IRJAES/8.1/56-59]
19. Kamkar, B., Ahmadi, M., Soltani, A. and Zeinali, E. 2008. Evaluating non-linear regression models to describe response of wheat emergence rate to temperature. Seed Science and Biotechnology, 2(2): 53-57.
20. Kamkar, B., Al-Alahmadi, M.J., Mahdavi-Damghani, A. and Villalobos, F.J. 2012. Quantification of the cardinal temperatures and thermal time requirement of opium poppy (Papaver somniferum L.) seeds to germinate using non-linear regression models. Industrial Crops and Products, 35(1): 192-198. [DOI:10.1016/j.indcrop.2011.06.033]
21. Kamkar, B., Zolfagharnejad, H. and Khalili, N. 2015. Quantifying of germination rate response to temperature of three sunflower varieties using nonlinear regression models. Plant Products Research Journal, 22: 119-136.
22. Karimzadeh Soureshjani, H. K., Bahador, M., Tadayon, M. and Dehkordi, A. G. 2019. Modelling seed germination and seedling emergence of flax and sesame as affected by temperature, soil bulk density, and sowing depth. Industrial Crops and Products, 141: 111770. [DOI:10.1016/j.indcrop.2019.111770]
23. 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]
24. Măgureanu, M., Sîrbu, R., Dobrin, D. and Gîdea, M. 2018. Stimulation of the germination and early growth of tomato seeds by non-thermal plasma. Plasma Chemistry and Plasma Processing, 38(5): 989-1001. [DOI:10.1007/s11090-018-9916-0]
25. Marchiol, L., Filippi, A., Adamiano, A., Degli Esposti, L., Iafisco, M., Mattiello, A. and Braidot, E. 2019. Influence of hydroxyapatite nanoparticles on germination and plant metabolism of tomato (Solanum lycopersicum L.) preliminary evidence. Agronomy, 9(4): 161-170. [DOI:10.3390/agronomy9040161]
26. Matthews, S. and Khajeh Hosseini, M. 2006. Mean germination time as an indicator of emergence performance in soil of seed lots of Maize (Zea mays L.). Seed Science and Technology, 34(2): 339-347. [DOI:10.15258/sst.2006.34.2.09]
27. Mwale, S.S., Azam-Ali, S.N., Clark, J.A., Bradley, R.G. and Chatha, M.R. 1994. Effect of temperature on the germination of sunflower (Helianthus annuus L.). Seed Science and Technology, 22(3): 565-571.
28. Nikoumaram, S., Bayatian, N. and Ansari, O. 2020. Quantification of the priming effect of canola (Brassica napus cv. Zafar) response to temperature using nonlinear regression models. Iranian Journal of Seed Research, 6(2): 111-123. [In Persian with English Summary]. [DOI:10.29252/yujs.6.2.111]
29. Parmoon, G., Moosavi, S.A., Akbari, H. and Ebadi, A. 2015. Quantifying cardinal temperatures and thermal time required for germination of Silybum marianum seed. The Crop Journal, 3(2): 145-151. [DOI:10.1016/j.cj.2014.11.003]
30. Piper, E.L., Boote, K.J., Jones, J.W. and Grimm, S.S. 1996. Comparison of two phenology models for predicting flowering and maturity date of soybean. Crop Science, 36(6): 1606-1614. [DOI:10.2135/cropsci1996.0011183X003600060033x]
31. Pourreza, J., and A. Bahrani. 2012. Estimating cardinal temperatures of Milk Thistle (Silybum marianum) Seed germination. American-Eurasian Journal Agricultural Environmental Science. 12¬(11): 1485-89.
32. Rezaei Tamijani, M., Esfehani, M. and Sabouri, A. 2016. Determination of cardinal temperatures for germination of Salvia mirzayanii using nonlinear regression. Iranian Journal of Field Crop Science, 48(2): 527-534. [In Persian with English Summary].
33. Ronga, D., Gallingani, T., Zaccardelli, M., Perrone, D., Francia, E., Milc, J. and Pecchioni, N. 2019. Carbon footprint and energetic analysis of tomato production in the organic vs the conventional cropping systems in Southern Italy. Journal of Cleaner Production, 220: 836-845. [DOI:10.1016/j.jclepro.2019.02.111]
34. Sabokkhiz, M., Malekzadeh Shafaroudi, S. and Mirshamsi Kakhki, A. 2015. Study on seed germination of two tomato purified cultivars under salinity stress. Iranian Journal of Field Crops Research, 12(4): 834-840. [In Persian with English Summary].
35. Salehi Sardoei, A. 2019. Effect of allelopathy nut grass (Cyperus rotundus) weed on germination of tomato (Solanum lycopersicum) seed cultivars. Journal of Seed Research, 9(4): 31-40. [In Persian with English Summary].
36. SAS Institute. 2012. SAS/OR 9.3 User's Guide: Mathematical Programming Examples. SAS institute.
37. Shafii, B. and Barney, D.L. 2001. Drying and cold storage affect germination of black huckleberry seeds. HortScience, 36(1): 145-147. [DOI:10.21273/HORTSCI.36.1.145]
38. Shafii, B. and Price, W.J. 2001. Estimation of cardinal temperatures in germination data analysis. Journal of Agricultural, Biological, and Environmental Statistics, 6(3): 356-366. [DOI:10.1198/108571101317096569]
39. Soltani, A. 2007. Application of SAS in Statistical Analysis. Jahad-e-Daneshgahi Mashhad Press (2th ed.). 182p. [In Persian].
40. Soltani, A., Robertson, M.J., Torabi, B., Yousefi-Daz, M. and Sarparast, R. 2006. Modelling seedling emergence in chickpea as influenced by temperature and sowing depth. Agricultural and Forest Meteorology, 138(1-4): 156-167. [DOI:10.1016/j.agrformet.2006.04.004]
41. Soltani, E., Soltani, A. and Oveisi, M. 2014. Modelling seed aging effect on wheat seedling emergence in drought stress: optimizing germin program to predict emergence pattern. Journal of Crop Improvement, 15(2): 147-160. [In Persian with English Summary].
42. Sousaraei, N., Torabi, B., Mashaiekhi, K., Soltani, E. and Mousavizadeh, S. J. 2021. Variation of seed germination response to temperature in tomato landraces: An adaptation strategy to environmental conditions. Scientia Horticulturae, 281: 109987. [DOI:10.1016/j.scienta.2021.109987]
43. Yin, X., Kropff, M.J., McLaren, G. and Visperas, R.M. 1995. A nonlinear model for crop development as a function of temperature. Agricultural and Forest Meteorology, 77(1-2): 1-16. [DOI:10.1016/0168-1923(95)02236-Q]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |