تخمین برخی پارامترهای مهم مورد استفاده در پیش بینی رشد گندم

مجله علمی- پژوهشی اکوفیزیولوژی گیاهی

مقاله 8، دوره 11، شماره 39، دی 1398، صفحه 86-99   

نوع مقاله: مقاله پژوهشی

نویسندگان

علی راحمی کاریزکی^{* 1}؛ عباس بیابانی²؛ نبی خلیلی اقدم³

¹استادیار گروه تولیدات گیاهی، دانشگاه گنبد کاووس، گنبد کاووس، ایران

²دانشیار گروه تولیدات گیاهی، دانشگاه گنبد کاووس، گنبد کاووس، ایران

³استادیار گروه کشاورزی دانشگاه پیام نور ، گنبد کاووس، ایران

چکیده

به جهت اهمیت فیزیولوژیکی پارامترهای مدل‌های رگرسیون غیر خطی در الگوهای رشد سیگموئیدی در این تحقیق از هشت مدل رگرسیون غیرخطی برای توصیف روند تغییرات ماده خشک تجمعی و از دو مدل لجستیک و بتا برای توصیف روند تغییرات سطح برگ دو رقم گندم در دو سطح کودی استفاده شد. به این منظور آزمایشی در قالب فاکتوریل در قالب طرح بلوک‌های کامل تصادفی در چهار تکرار در دو سطح کودی ( صفر و 150 کیلوگرم ازت در رقم کوهدشت، صفر و 120 کیلوگرم کود ازته در رقم دوروم) در طی دوسال زراعی(93-1392 و 94-1393) به‌صورت آزمایش مرکب در دانشگاه گنبد کاووس به اجرا درآمد. نتایج نشان داد که هر دو مدل به‌خوبی قادر به توصیف تغییرات شاخص سطح برگ بوده‌اند و هیچ‌کدام برتری نسبی بر دیگری ندارند. همچنین حداکثر شاخص سطح برگ (LAImax) در رقم کوهدشت در هر دو سطح کودی در هر دو مدل بالاتر از رقم دوروم بود. همچنین نتایج نشان داد که کلیه مدل‌ها به‌خوبی روند تغییرات ماده خشک تجمعی را در برابر روز پس از کشت در هر دو سطح کودی نشان دادند اما در این بین، مدل‌های ریچاردز، نمایی متقارن، نمائی بریده و ویبول به لحاظ مقادیر آماره‌های محاسبه شده، کمی مناسب‌تر از سایر مدل-ها بودند، ضمن اینکه از پارامترهای بدست آمده در این مدل‌ها می‌توان در مطالعات مربوط به مقایسه ارقام و تیمارهای مختلف، آنالیز رشد و شبیه سازی رشد و تولید گندم استفاده نمود.

کلیدواژه‌ها

سطح برگ؛ گندم؛ مدل؛ وزن خشک

مراجع

Arabameri, R. 2008. Predicting kernel number and biomass retranslocation inwheat (Triticum aestivum L.). Thesis of M.Sc, Gorgan Uni. Agric Sci. NaturResour. 89 p. (In Persian).

Ghadirian, R., Soltani, A., Zeinali, E. and Kalate-Arabi, M. 2011.The evaluation of non-linear regression models to use in wheat growth analysis. Electronic Journal of Crop Plant Production. 4(3):55-77.(In Persian).

Guadrian, J. and Monteith, J.L. 1990. A mathematical function for crop growth based on light interception and leaf area expansion. Ann. Bot. 66: 695-701.

Ishag, K.H.M. and Dennett, M.D. 1998. Use of the expolinear growth model to analyse the growth of faba bean, peas and lentils at three densities: fitting the model. Ann. Bot. 82: 497-505.

Karadavut, U., Palta, C., Kokten, K. and Bakoglu, A. 2010. Comparative study on some non-linear growth models for describing leaf growth of maize. International Journal of Agriculture and Biology, 12(2):227-230.

Khamis, A. and Z. Ismail, 2004. Comparative study on non-linear growth model to tobacco leaf growth data. J. Agron., 3: 147–153.

Khamis, A., I. Zuhaimy, H. Khalid and T.M. Ahmad, 2005. Non-linear growth models for modeling oil Palm yield growth. J. Math. Stat., 1:225–233.

Kiynaz, S., Karadavut, U. and Ertek A. 2016. Leaf area estimation of the sugar beet at different irrigation regimes. Turkish Journal of Agricultural and Natural Resources. 3(1):8-16.

Lei, Y.C. and S.Y. Zhang, 2004. Features and Partial Derivatives of Bertalanffy-Richards Growth Model in Forestry. Non-linear Analysis: Model. Cont., 9: 65–73.

Mahlooji, M. and Afiuni, D. 2004. Study of growth analysis and grain yield in barley (Hordeum vulgare L.) gnotypes. Pajouhesh Sazandegi J. 63: 37-42.

Muller, J., Behrens, T. and Diepenbrock, W. 2006. Use of a new sigmoid growth equation to estimate organ area indices from canopy area index in winter oilseed rape (Brassica napus L.). Field Crops Res. 96: 279-295.

Prasad, T.V.R., K. Krishnamurthy and C. Kailasam, 2008. Functional crop and cob growth models of maize (Zea mays L.) cultivars. Journal of Agronomy and Crop Science, 194: 208–212.

Rahemi-karizaki, A. 2005. Predicting interception and use of solar radiation in chickpea. Thesis of M.Sc. Thesis of M.Sc. Gorgan Uni. Agric Sci. Natur Resour. 89 p. (In Persian).

Richards, F.J. 1959. A flexible growth functions for empirical use. J. Exp. Bot. 10: 290-300.

Royo, C., Aparicio, N., Blanco, R. and Villegas, D. 2004. Leaf and green area development of durum wheat genotypes grown under Mediterranean conditions. Europ. J. Agron. 20: 419-430.

SAS Institute, 2009 — SAS Institute. The SAS System for Windows. Release 9.02. 1999. SAS Institute, Cary, NC (Ref Type: Computer Program).

Seidsharifi, R., Farzaneh, S. and Saednia, V. 2008. The effects of ZnSo4 on growth analysis, yield and the amount of protein and zinc in different wheat cultivars. Biol J. Iran. 21: 676-691.

Soltani, A. 2006. Re-consideration of Application of Statistical Methods in Agricultural Researches. Mashhad Jihad-e-Daneshgahi Press, 74 pp. (In Persian).

Timmermans, B. G.H., Vos, J., van Nieuwburg, J., Stomph, T.J. and van der Putten, P.E.L. 2007. Germination rates of Solanum sisymbriifolium: temperature response models, effects of temperature fluctuations and soil water potential. Seed Sci Res. 17: 221–231.

Tsialtas, J.T. and Maslaris, N. 2008. Leaf area prediction model for sugar beet (Beta vulgaris L.) cultivars. Photosynthetica, 46: 291-293.

Villegas, D., Aparicio, N., Blanco, R. and Royo, C. 2001. Biomass accumulation and main stem elongation of durum wheat growth under Mediterranean condition. Ann. Bot. 88: 617-627.

Weibull, W. 1951. A statistical distribution function of wide applicability. J. Appl Mechanics. 18: 293-297.

Yin, X., Gouadrian, J., Latinga, E.A., Vos, J. and Spiertz, J.H. 2003. A flexible sigmoid growth function of determinate growth. Ann. Bot. 91: 361-371.