جلد 9، شماره 1 - ( 12-1398 )
جلد 9 شماره 1 صفحات 56-40 |
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:
Latifian M, Rahkhodaei E. (2020). Frocasting and monitoring system of date palm bunch feding in Khozestan province. Plant Pathol. Sci.. 9(1), 40-56. doi:10.29252/pps.9.1.40
URL: http://yujs.yu.ac.ir/pps/article-1-302-fa.html
URL: http://yujs.yu.ac.ir/pps/article-1-302-fa.html
لطیفیان مسعود، راهخدایی اسماعیل. سیستم پیش‌آگاهی و ردیابی بیماری خشکیدگی خوشه خرما در استان خوزستان دانش بیماری شناسی گیاهی 1398; 9 (1) :56-40 10.29252/pps.9.1.40
سازمان تحقیقات ، آموزش و ترویج کشاورزی، موسسه تحقیقات علوم باغبانی، پژوهشکده خرما و میوه‌های گرمسیری، کرج، ایران ، masoud_latifian@yahoo.com
چکیده: (5620 مشاهده)
لطیفیان م ، راهخدایی ا (1398) سیستم پیش‌آگاهی و ردیابی بیماری خشکیدگی خوشه خرما در استان خوزستان. دانش بیماری‌شناسی گیاهی 9(1): 56-40. DOI: 10.2982/PPS.9.1.40.
مقدمه: بیماری خشکیدگی خوشه از مهم‌ترین عوامل خسارت‌زای نخل خرما می‌باشد. هدف از انجام این پژوهش ایجاد سیستم تصمیم‌گیری در مدیریت بیماری با استفاده از مدل‌های آب و هوایی و زمین آماری برای پیش‌آگاهی و ردیابی بیماری در استان خوزستان بود. مواد و روش‌ها: در مناطق مورد مطالعه استان خوزستان از داده‌های 5 ساله شبکه مراقبت نخیلات این استان استفاده گردید. برای برآورد درصد آسیب بیماری از هر روستا یک نخلستان به صورت تصادفی انتخاب و در طول فصل نمونه‌برداری انجام شد. یافته‌ها: یافته ها نشان داد که آسیب بیماری از حدود فروردین ماه آغاز شد و به تدریج با گرم شدن هوا بر شدت آن افزوده شد. مدل رگرسیون برازش شده برای پیش‌آگاهی در کلیه مناطق در سطح 1 و 5 درصد معنی‌دار بود. تغییرنمـای پراکنش بیماری خشکیدگی خوشه خرما نشان داد میزان اثر قطعه در این مدل به ترتیب در مناطق آبادان - خرمشهر، شادگان، ماهشهر، اهواز و بهبهان معادل 5/2، 51/0، 15/0، 7/1 و 6/1 بوده و نشان دهنده کم بودن خطای برآورد شدت آسیب بیماری در فواصل کمتر از فاصله نمونه‌برداری بود. دامنه تغییر نمای پراکنش به ترتیب معادل 1/4، 9/12، 7/4، 9/1 و 06/11 کیلومتر بود و در فواصل بیشتر از این حد کم‌ترین همبستگی بین داده باقی می‌ماند. آستانه مدل به ترتیب معادل 51/0، 31/0، 37/0، 76/0 و 49/0 بود که نشان دهنده نسبتی از ناحیه مورد مطالعه می‌باشد که با خطای معادل نوگت یا کمتر از آن بیماری قابلیت ردیابی داشت. نتیجه‌گیری: یافته ها این پژوهش گامی اساسی در ایجاد سیستم تصمیم‌گیری در زمینه مدیریت این بیماری در شبکه مراقبت نخیلات است. براساس یافته ها این پژوهش، بیماری خشکیدگی به نحو مناسبی قابل ردیابی، پیش‌آگاهی و مدیریت قبل از وقوع حداکثر آسیب آن است.
فهرست منابع
1. Caffarra A, Donnelly A, Chuine B (2011) Modelling the timing of Betula pubescens budburst. II. Integrating complex effects of photoperiod into process-based models. Climate Research 46:159-170. [DOI:10.3354/cr00983]
2. Dent D (1995) Integrated Pest Management. Chapmans and Hall, London, 356p.
3. Devadas R Lamb DW Blackhouse D, Simpfendorfer S (2015) Sequential application of hyperspectral indices for delineation of stripe rust infection and nitrogen deficiency in wheat. Precision Agriculture 16:477-491. [DOI:10.1007/s11119-015-9390-0]
4. Loiselle, BA, Howell CA, Graham CH, Goerck JM, Brooks T, Smith KG, Williams PH (2003) Avoiding pitfalls of using species distribution models in conservation planning. Conservation Biology, 17:1591-1600. [DOI:10.1111/j.1523-1739.2003.00233.x]
5. Gendi SM (1998) Population fluctuation of Thrips tabaci on onion plants under environmental condition. Arab Universities Journal of Agriculture Science (Egypt). 69:267-276.
6. Goovaets P (1997) Geostatictics for Natural Resources Evaluation. Oxford University Press, 512p.
7. Johnston KJ, Ver Hoef K, Krivoruchko M, Lucas N (2003). Using ArcGIS Geostatistical Analyst. ESRI Press, Redlands, CA.
8. Journel AG, Huijbregts CJ (1978) Mining Geostatistics. Academic Press. Inc. 599p.
9. Karimzadeh R, Hegazi MJ, Helali H, Iranpour S, Mohammadi SA (2011). Analysis of the spatio-temporal distribution of Eurygaster integriceps (Hemiptera: Scutelleridae) by using spatial analysis by distance indices and geostatistics. Environmental Entomology 40:1253-1265. [DOI:10.1603/EN10188]
10. Karampour F, Davoodian A (2010) Study on effects of bunch covering on date palm bunch fading in Iran. In IV International Date Palm Conference 882:1219-1227. [DOI:10.17660/ActaHortic.2010.882.140]
11. Katherine AR (2001) Geostatistic using SAS software. Own analytic inc. Deep. River, CT, 6p.
12. Latifian M, Solymannejadian E (2002) Study of the lesser moth Batrachedra amydraula (Lep: Batrachedridae) distribution based on geostatistical models in Khuzestan province. Journal of Entomological Research 1:43-55.
13. Latifian M, Zare M (2003) The forecasting model of The Date Lesser moth (Batrachedra amydraula) based on climatic factors. Journal of Agriculture Science 2:27-36.
14. Latifian M, Zare M (2009) The effects of climatic factors on Date palm scale (Parlatoria blanchardi Targ.) (Hem.: Dispididae) in Khuzestan province. Plant Protection Journal 1:277-287
15. Latifian M (2014) Date palm spider mite (Oligonychus afrasiaticus McGregor) forecasting and monitoring system. WALIA Journal 30:79-85.
16. Liebhold AM, Rossi RE, Kemp WP (1993) Geostatistics and geographic information systems in applied insect ecology. Annual Review of Entomology 38:303-327. [DOI:10.1146/annurev.en.38.010193.001511]
17. Latifian M, Rad B (2017) Efficacy of cultural control for date palm borer management. Indian Journal of Plant Protection 45:7-11.
18. Madden LV, Ellis MA (1988) How to develop plant disease forecasters. Pp: 191-208. In: Experimental Techniques in Plant Disease Epidemiology. Springer, Berlin, Heidelberg. [DOI:10.1007/978-3-642-95534-1_14]
19. Mahlein AK (2016) Plant disease detection by imaging sensors-parallels and specific demands for precision agriculture and plant phenotyping. Plant Diseases 100:241-251 [DOI:10.1094/PDIS-03-15-0340-FE]
20. Manion PD (2003) Evolution of concepts in forest pathology. Phytopathology 93:1052-1055. [DOI:10.1094/PHYTO.2003.93.8.1052]
21. Mawby WD, Gold HJ (1984) A stochastic simulation model for large-scale southern pine beetle (Dendroctonus frontalis Zimmerman) infestation dynamics in the southeastern United States. Researches in Population Ecology 26:275-283. [DOI:10.1007/BF02515494]
22. Newberry F, Qi A, Fitt BDL (2016) Modelling impacts of climate change on arable crop diseases: progress, challenges and applications. Current opinion in plant biology 32:101-109. [DOI:10.1016/j.pbi.2016.07.002]
23. Ojiambo PS, Yuen J, Van den Bosch F, Madden LV (2017) Epidemiology: past, present and future impacts on understanding disease dynamics and improving plant disease management-A summary of focus issue articles. Phytopathology 107:1092-1094. [DOI:10.1094/PHYTO-07-17-0248-FI]
24. Park YL, Krell RK, Carroll M (2007) Theory, technology, and practice of site-specific insect pest management. Journal of Asia Pacific Entomology 10:89-101. [DOI:10.1016/S1226-8615(08)60337-4]
25. Russo JM, Liebhold AM, Kelley JGW (1993) Mesoscale weather data as input to a gypsy moth (Lepitopttera: Lymantriidae) phenology model. Journal of Economic Entomology 86:838-844. [DOI:10.1093/jee/86.3.838]
26. Russo JM (2000) Weather forecasting for IPM. pp. 453-473. In: Emerging Technologies For Integrated Pest Management: Concepts, Research, and Implementation. American Phytopathological Society (APS) Press.
27. Sciarretta A, Trematerra P (2014) Geostatistical tools for the study of insect spatial distribution: practical implications in the integrated management of orchard and vineyard pests. Plant Protection Science, 50:97-110. [DOI:10.17221/40/2013-PPS]
28. Schaub LP, Raulin FW, Gray DR, Logan JA (1995) Lanscape frameworke to predict phonological events for gypsymoth (Lep: Lymantriidae) management programs. Environmental Entomology 24:10-18. [DOI:10.1093/ee/24.1.10]
29. Sharov AA (1996) Sharov, A. A. (1996). Modelling forest insect dynamics. PP.293-303. In: E Ko-rpilahti EM, Mukkela T, Salonen (eds.). Caring for the Forest: Research in a Changing World. Congress Report.
30. Qadir A, Shakeel, F, Ali A (2020) Phytotherapeutic potential and pharmaceutical impact of Phoenix dactylifera (date palm): current research and future prospects. Journal of Food Science and Technology 57:119-1204. [DOI:10.1007/s13197-019-04096-8]
31. Story M, Congalton RG (1994) Accuracy assessment: A user's perspective: LK Fenestermaleer. Remote sensing thematic assessment. American society for Photo-Grammetric and Remote Sensing 257-259.
32. West J, Kimber R (2015) nnovations in air sampling to detect plant pathogens. Annals of Applied Biology 166:4-17. [DOI:10.1111/aab.12191]
33. Wright RJ, Devries TA, Young LJ, Jarvi KJ, Seymout RC (2002) Geostatistical analysis of small-scale distribution of european corn borer Coleop: Carabidae larvae and damage in whorl stage corn. Environmental Entomology 31:160-167. [DOI:10.1603/0046-225X-31.1.160]
34. Young JK, Kwang-Hyung K (2019) An Integrated Modeling Approach for Predicting Potential Epidemics of Bacterial Blossom Blight in Kiwifruit under Climate Change. Plant Pathology Journal 35:459-472.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
