پیش بینی فنولوژی، فیلوکرون و سطح برگ گندم (رقم سرداری)

نوع مقاله: پژوهشی

نویسنده

دانشگاه علوم کشاورزی و منابع گرگان

چکیده

سابقه و هدف
پیش بینی مراحل نموی و بویژه زمان تا پایان رشد در هر منطقه با استفاده از مدلهای ریاضی در جوامع گیاهی بویژه گندمیان از اهمیت زیادی برخوردار است. بنابراین با توجه به اهمیت پیش بینی فنولوژی، سطح برگ و زمان تا اتمام رشد برگ گیاه گندم، این تحقیق جهت معرفی و آزمون اعتبار سنجی مدل فنولوژی Phenology MMS در شرایط محیطی سقز ، پیش بینی سرعت ظهور برگ یا فیلوکرون در شرایط تنش کم آبی و تصحیح ضرایب روابط آلومتریک پیش بینی کننده سطح برگ گندم رقم سرداری باجرا درآمد.

مواد و روشها
در این تحقیق ابتدا اعتبار مدل Phenology MMS در پیش بینی مراحل نموی و تعداد برگ در ساقه اصلی گندم رقم سرداری با استفاده از داده‌های مزرعه‌ای سنجش شد و سپس با برازش مدل دو تکه‌ای، به شیوه درون یابی، روز و زمان حرارتی لازم تا پایان رشد برگ و فیلوکرون (درجه روز بر برگ) سطوح مختلف تنش استخراج شدند. سپس با استفاده از روابط آلومتریک بین تعداد برگ و سطح برگ بهترین مدل آلومتریک برای تخمین سطح برگ انتخاب شد.

نتایج
نتایج نشان داد که مدل بخوبی قادر به پیش بینی مراحل نموی گندم است و روز و ترمال تایم لازم تا هر مرحله خاص نموی را در سه حالت پس از کشت، پس از سبز شدن و پس از بهاره سازی پیش بینی میکند. نتایج همچنین نشان داد که گیاه گندم پس از تجربه 1716 درجه روز به زمان پایان رشد برگ خود خواهد رسید که این زمان حرارتی دقیقاً پس از طی 8/238 روز پس از سبز شدن کسب خواهد شد. به بیان ساده‌تر با گذشت هر 6/16 روز پس از سبز شدن، یک برگ به تعداد برگهای گندم اضافه خواهد شد. با افزایش تنش، شیب خط رگرسیون تغییرات تعداد برگ در مقابل زمان حرارتی نیز کاهش پیدا کرد و به 0029/0 برگ بر درجه روز در تنش بسیار شدیدکاهش پیدا کرد. بطور بلعکس با افزایش شدت تنش بر مقدار فیلوکرون افزوده شد و از مقدار 3/133 در تنش متوسط به 1/339 درجه روز بر برگ در تنش خیلی شدید افزایش پیدا کرد. نتایج پیش بینی سطح برگ با استفاده از دو رابطه توانی و یک رابطه دو تکه‌ای نیز نشان داد که مدل دوتکه‌ای نسبت به دو مدل توانی دیگر از دقت بالاتری در پیش بینی سطح برگ برخوردار بوده‌است.

نتیجه گیری کلی
با توجه به قابل قبول بودن نتایج مدل فنولوژی در پیش بینی مراحل نموی، مقادیر سرعت ظهور برگ و فیلوکرون، می‌توان استفاده از این مدل درمطالعات شبیه سازی و زراعی را توصیه کرد. از طرفی تنش آّبی نیز میتواند تاثیر زیادی بر سرعت ظهور برگ و مقدار فیلوکرون بگذارد. همچنین بهترین مدل برای تخمین سطح برگ از روی تعداد برگ اصلی، مدل دوتکه‌ای بود زیرا این مدل بخاطر درک ساده‌تر و قابلیت بسط مفاهیم فیزیولوژیکی به پارامترهای آن می‌تواند بیان صحیحی از تغییرات سطح برک را ارائه دهد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Prediction of Phenology, Phyllochron and Leaf Area in Wheat (cv. Sardari)

چکیده [English]

Abstract
Background and objectives
Prediction of development periods of crops by mathematical models, especially, time to growth ending is so important in every area. So, as impotence of prediction of phenology, leaf area and time to leaf growth ending, this research performed to introduce and test of Phenology MMS model in environmental conditions of saqez, prediction of leaf appearance rate, phyllochron in stress condition of drought and to correct coefficient of allometric equations of predicting of leaf area of wheat(cv. Sardari).

Method and Materials
In this research, Phenology MMS evaluated using field data for wheat . Then time and thermal time needed to leaf growth ending and phyllochron (degree day per leaf) obtained using segmented model in every stress level. So, the best algometric model selected for describing of relation between leaf area and leaf number.

Results
Results showed that the model predicted wheat development periods well and was capable to estimate day and thermal time needed to every special development period in three state: day after sowing, day after emergence and day after vernalization. Also, results released that time to leaf growth ending will occur after reception of 1716 degree day which equal to 238.8 day after emergence. On other hands, a leaf will include to plant 16.6 day after emergence. By increasing in tension, the slope of regression line of leaf number versus thermal time, decreased and reached to 0.0029 leaf per degree day in sever tension. Vice versa, phyllochron upgraded by increasing in tension and it changed from 133.3(medium tension) to 339.1 degree day per leaf (sever tension). Results of predicting of leaf area using exponential segmented models showed that segmented model was better than exponential models in predicting of leaf area.

Conclusion
As for being acceptable of results of phonological model for prediction of thermal time, leaf number and phyllochron, we advise using of this model in modeling and agronomical studies. So, drought stress can effect on leaf appearance rate and phyllochron value. The best model to estimate leaf area was segmented model. Because this model was simple and capable to develop based on physiological meanings that can indicate clear introducing of leaf area variations.So, drought stress can effect on leaf appearance rate and phyllochron value. The best model to estimate leaf area was segmented model. Because this model was simple and capable to develop based on physiological meanings that can indicate clear introducing of leaf area variations.

کلیدواژه‌ها [English]

  • Leaf appearance
  • Model
  • Sardari
  • Tension
1.Akram-Ghaderi, F. and Soltani, A. 2007.
Leaf area relationships to plant vegetative
characteristics in cotton (Gossypium
hirsutum, L.) grown in a temperate subhumid environment. Int. J. Plant Prod.
1: 63-71.
2.Bahuguna, D.K., Kumar, V., Singh, Y.P.,
Kumar, N., Nishat, R. and Agrwal, D.
2014. Effect of phyllochron on leaf
emergence stage in barley, Wheat Rice.
Agron. J. 2: 1. 121-126.
3.Baker, J.T., Pinter, P.J., Reginato, R.J.
and Kanemasu, E.T. 1990. Effects of
temperature on leaf appearance in spring
and winter wheat cultivars. Agron. J.
78: 605-613.
4.Bakhshandeh, E., Ghadiryan, R. and
Kamkar, B. 2010. A rapid and
non-destructive method to determine the
Leaflet, trifoliate and total leaf area of
soybean. Asian Austr. J. Plant Sci.
Biotech. 4: 19-23.
5.Bakhshandeh, E., Soltani, A., Zeinali, E.,
Kalate-Arabi, M. and Qadrian, R. 2011.
Evaluation allometric realationship between
leaf area and vegetative characteristics in
bread and durum wheat cultivars. Iran.
J. Agron. Sci. 13: 3. 642-657. (In Persian)
6.Barnes, C. and Bugbee, B. 1991.
Morphological response of wheat to
changes in phytochrome photoequilibrium.
Plant Physiol. 97: 359-365.
7.Boone, M.Y.L. and Wall, G.W. 1990.
C02 enrichment and temperature effects
on spring wheat. IV. Phyllochron
intervals. P 14. In Agronomy abstracts.
ASA, Madison, WI.
8.Burnham, K.P. and Anderson, D.R. 2002.
Model selesction and multimodel inference:
A practical Information-Theoretic Approach.
Springer, New York, USA.
9.Burnham, K.P., Anderson, D.R. and
Huyvaret, K.P. 2011. AIC model
selection and multimodel inference in
behavioral ecology: some background,
observation, and comparisons. Bahav.
Ecol. Sociobiol. 65: 23-35.
10.Cutforth, H.W., Jame, Y.W. and
Jefferson, P.G. 1992. Effect of
temperature, vernalization and water
stress on phyllochron and final main
stem leaf number of HY 320 and
Neepawa spring wheats. Can. J. Plant
Sci. 72: 1141-1151.
11.Frank, A.B. and Bauer, A. 1995.
Phyllochron differences in wheat,
barley, and forage grasses. Crop. Sci.
35: 19-23.
12.Hun, J.R. 1973. Visual qualification of
wheat development. Agron. J. 65: 116-119.
13.Jafari-Moghadam, M., Sharifabad, H.,
Noormohammadi, Gh., Sadeghian Motahar,
S.Y. and Siadat, S.A. 2012. Modeling
the effect of micronutrients on
phyllochron and leaf appearance rate in
wheat. Annal. Biol. Res. 3: 9. 4552-4461.
14.Jones, J.W., Hoogenboom, G., Prter,
C.H., Boote, K.J., Batchelor, W.D.,
Hunt, L.A., Wilkens, P.W., Singh, U.,
Gijsman, A.T. and Ritchie. 2003. The
DSSATcropping system model. Europ.
J. Agron. 18: 235-265.
15.Keating, B.A., Asseng, S., Brown, S.D.,
Carberry, P.S., Chapman, S., Dimes,
J.P., Freebairn, D.M., Hammer, G.I.,
Hargreaves, J.N.G., Hochman, Z.,
Holzworth, D., Hulth, N.I., Meinke, H.,
McCown, R.L., Probert, A.E., Robertson,
M.J., Silburn, M., Smith, C.J., Snow,
V.O., Verburg, K. and Wang, E. 2003.
An review of APSIM, amodel designed
for farming systems simulation. Europ.
J. Agron. 18: 267-288.
16.Khaliliaqdam, N. 2014. Sensitivity
analysis of thermal time to time steps in
soybean. Agric. Sci. Dev. 3: 3. 88-92.
17.Kirby, E.J.M. and Peny, M.W. 1987.
Leaf emergence rates of wheat in a
Mediterranean environment. Austr. J.
Agric. Res. 38: 455-464.
18.Kirby, E.J.M. 1993. Effect of sowing
depth on seedling emergence, growth
and development in barley and wheat.
Field Crops Res. 35: 10l-111.
19.Longnecker, N., Kirby, E.J.M. and
Robson, A. 1993. Leaf emergence, tiller
growth, and apical development of
nitrogen deficient spring wheat. Crop
Sci. 33: 154-160.
20.Maddah-Yazdi, V., Soltani, A., Kamkar,
B. and Zeinali, E. 2008. Comparative
physiology of wheat and chickpea:
leaves production and senescence. J.
Agric. Sci. Natur. Resour.15: 36-44.
(In Persian)
21.McMaster, G.S. and Wilhelm, W.W.
1995. Accuracy of equations predicting
the phyllochron of wheat. Crop Sci.
35: 30-36.
22.McMaster, G.S. and Wilhelm, W. 1997.
Growing degree-days: one equation, two
interpretations. Agric. Forest Meteorolo.
87: 291-300.
23.McMaster, G.S., Edmunds, D.A.,
Wilhelm, W.W., Nielsen, D.C., Prasad
P.V.V. and Ascough, J.C. 2011.
Phenology MMS: Aprogram to simulate
crop phonological responses to water
stress. Com. Elec. Agric. 77: 118-125.
24.McMaster, G.S., Morgan, J.A. and
Wilhelm, W.W. 1992. Simulating winter
wheat spike development and growth.
Agric. For. Meteorol. 60: 193-220.
25.Niklas, K.J. 1995. Plant height and the
properties of some herbaceous steam.
Annal. Bot. 75: 133-142.
26.Petroczi, I. and Matuz, J. 2002. Sesonal
study of tillering and phyllochron of
winter wheat in field trials. Proceedings
of the 7th Hungarian Congress on Plant
Physiology. S5-P13.
27.Rahemi, A., Soltani, A., Purreza, J.,
Zainali, E. and Sarparast, R. 2006.
Allometric relationship between leaf
area and vegetative characteristics in
field-grown chickpea. J. Agric. Sci.
Natur. Resour. 13: 49-59. (In Persian)
28.Rosa, H.T., Walter, L.C., Streck, A.,
Andriolo, J.L., Silva, M.R.D. and
Langner, J.A. 2011.Base temperature for
leaf appearance and phyllochron of
selected strawberry cultivars in a
suboptimal environment. Bragantia.
Campinas. 70: 4. 939-945.
29.SAS. 2009. Statistical analysis system,
Version: 9.2. Carry NC.
30.Shiri, A., Khaliliaqdam, N. and
Mir-Mahmoodi, T. 2014. Evaluation of
different empirical models for the
estimation of leaf area in various
cultivars of wheat. J. Agron. Plant
Breed. 10: 3. 77-88. (In Persian)
31.Soltani, A., Robertson, M.J.,
Mohammad-Nejad, Y. and RahemiKarizaki, A. 2006. Modeling chickpea
growth and development: Leaf
production and senescence. Field.
Crops. Res. 138: 14-23.
32.Soltani, A. 2009. Mathematical
modeling in crops. Jahad Daneshgai
Press. 174p. (In Persian)
33.Tsialtas, J.T. and Maslaris, N. 2008.
Leaf allometry and prediction of specific
leaf area (SLA) in a sugar beet (Beta
vulgaris L.) cultivars. Photosynthetica.
46: 351-355.
34.Wahabi, A. and Sinclair, T.R. 2005.
Simulation analysis of relative yield
advantage of barley and wheat in an
eastern Mediterranean climate. Field.
Crops. Res. 91: 287-296.
35.Wilhelm, W.W. and McMaster, G.S.
1995. Importance of the phyllochron in
studying development and growth in
grasses. Crop. Sci. 35: 1-3.
36.Zadoks, J.C., Chang, T.T. and Konzak,
C.F. 1974. A decimal code for the growth
of cereals. Weed. Res. 14: 415-421