تجزیه هیدروتایم جوانه‌زنی بذر شاه‌افسر (Melilotus officinalis (L.) Lam.)، خردل وحشی (Sinapis arvensis L.) و جو (Hordeum vulgare L.)

پژوهش های حفاظت گیاهان ایران

مقاله 7، دوره 30، شماره 3، آذر 1395، صفحه 518-532   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jpp.v30i3.48232

نویسندگان

ابوالفضل درخشان^{* 1}؛ محمدرضا مرادی تلاوت¹؛ سید عطااله سیادت²

¹دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

²علوم کشاورزی و منابع طبیعی خوزستان

چکیده

جوانه‌زنی یک جمعیت بذری در پاسخ به کاهش پتانسیل آب با استفاده از مفهوم هیدروتایم مدل‌سازی می‌شود. این مدل دارای خروجی‌هایی است که از نظر فیزیولوژیکی و اکولوژیکی معنی‌دار می‌باشند. یکی از پیش‌فرض‌های مدل هیدروتایم، توزیع نرمال پتانسیل آب پایه در میان بذرهای یک جمعیت است. با این حال، این فرض در بسیاری از گونه‌ها مشاهده نمی‌شود که برآیند آن پیش‌بینی نادرست جوانه‌زنی است. در این مقاله مدلی بر مبنای توزیع بتا پیشنهاد می‌گردد که علاوه بر پیش‌بینی بسیار مناسب الگوی جوانه‌زنی از نظر زیست‌شناختی نیز بر مدل مرسوم برتری دارد. در این پژوهش، جوانه‌زنی بذر شاه‌افسر (Melilotus officinalis (L.) Lam.)، خردل وحشی (Sinapis arvensis L.) و جو (Hordeum vulgare L.) در محدوده‌ای از پتانسیل‌های آب مورد آزمون قرار گرفت و پاسخ جوانه‌زنی آنها توسط مدل هیدروتایم مبتنی بر دوازده تابع آماری نرمال، بتا، گاما، لوگ‌لجستیک، ویبول، گامبل، بیرنبام-ساندرز، نرمال معکوس، لوگ‌نرمال، لجستیک، ریلی و گاما معکوس توصیف گردید. نتایج نشان داد که پارامترهای برآورد شده با مدل هیدروتایم مبتنی بر توزیع بتا از اطمینان بیشتری نسبت به سایر توزیع‌ها برخوردار بود (AICc برای شاه‌افسر، خردل وحشی و جو به ترتیب معادل 60/556-، 70/864- و 20/1034- برآورد شد). بر اساس مدل هیدروتایم بتا، ثابت هیدروتایم و آستانه پتانسیل آب برای شروع جوانه‌زنی بذر شاه‌افسر بترتیب 01/14 مگاپاسکال ساعت و 85/0- مگاپاسکال، برای خردل وحشی به ترتیب 33/22 مگاپاسکال ساعت و 98/0- مگاپاسکال و برای جو به‌ترتیب 69/48 مگاپاسکال ساعت و 47/2- مگاپاسکال برآورد شد. با توجه به انعطاف‌پذیری توزیع بتا، این مدل امکان پیش‌بینی دقیق جوانه‌زنی و نیز تعیین توزیع پتانسیل آب پایه را فراهم می‌آورد.

کلیدواژه‌ها

پتانسیل آب پایه؛ تابع توزیع تجمعی؛ مدل بتا؛ مدل‌سازی

مراجع

1- Allen P. 2003. When and how many? Hydrothermal models and the prediction of seed germination. New Phytologist, 158(1): 1–3.

2- Alvarado V., and Bradford K.J. 2002. A hydrothermal time model explains the cardinal temperatures for seed germination. Plant, Cell and Environment, 25(8): 1061–1069.

3- Balakrishnan N. 1992. Handbook of the Logistic Distribution. Marcel Dekker, New York.

4- Baskin C.C., and Baskin J.M. 1998. Seeds: Ecology, Biogeography, and Evaluation of Dormancy and Germination. Academic Press, San Diego, CA, USA.

5- Bloomberg M., Sedcole J.R., Mason E.G., and Buchan G. 2009. Hydrothermal time germination models for radiata pine (Pinus radiata D. Don). Seed Science Research, 19(3): 171–182.

6- Bradford K.J. 1990. A water relations analysis of seed germination rates. Plant Physiology, 94(2): 840–849.

7- Bradford K.J. 2002. Applications of hydrothermal time to quantifying and modeling seed germination and dormancy. Weed Science, 50(2): 248–260.

8- Bradford K.J., and Still D.W. 2004. Applications of hydrotime analysis in seed testing. Seed Technology, 26(1): 75–85.

9- Brown R.F., and Mayer D.G. 1988. Representing cumulative germination. 2. The use of Weibull function and other empirically derived curves. Annals of Botany, 61(2): 127–138.

10- Burnham K.P., and Anderson D.R. 2002. Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach. Springer, New York, USA.

11- Cordeiro G.M., and Lemonte A.J. 2011. The β -Birnbaum–Saunders distribution: An improved distribution for fatigue life modeling. Computational Statistics and Data Analysis, 55(3): 1445–1461.

12- Daws M.I., Crabtree L.M, Dalling J.W., Mullins C.E., and Burslem D.R.P. 2008. Germination responses to water potential in neotropical pioneers suggest large-seeded species take more risks. Annals of Botany, 102(6): 945–951.

13- den Dekker A.J., and Sijbers J. 2014. Data distributions in magnetic resonance images: a review. Physica Medica, 30(7): 725–741.

14- Evans M., Hastimgs N., and Peacock B. 2000. Statistical distributions, Third edn. John Wiley & Sons, Inc, New York.

15- Derakhshan A., Akbari H., and Gherekhloo J. 2014. Hydrotime modeling of Phalaris minor, Amaranthus retroflexus and A. blitoides seed germination. Iranian Journal of Seed Sciences and Research, 1(1): 82-95. [In Persian with English Summary]

16- Finch-Savage W.E., Steckel J.R.A., and Phelps K. 1998. Germination and post-germination growth to carrot seedling emergence: predictive threshold models and sources of variation between sowing occasions. New Phytologist, 139 (3): 505–516.

17- Gummerson R.J. 1986. The effect of constant temperatures and osmotic potentials on the germination of sugar beet. Journal of Experimental Botany, 37(6): 729–741.

18- Kebreab E., and Murdoch A.J. 1999. Modelling the effects of water stress and temperature on germination rate of Orobanche aegyptiaca seeds. Journal of Experimental Botany, 50(334): 655–664.

19- Knezevic S., Evans S.P., Blankenship E.E., Acker R.C.V., and Lindquist J.L. 2002. Critical Period for weed control: the concept and data analysis. Weed Science, 50(3): 773–786.

20- Mesgaran M.B., Mashhadi H.R., Alizadeh H., Hunt J., Young K.R., and Cousens R.D. 2013. Importance of distribution function selection for hydrothermal time models of seed germination. Weed Research, 53(2): 89-101.

21- Mesgaran M.B., Rahimian Mashhadi H.R., Alizadeh H., Ohadi S., and Zare A. 2014. Modeling the Germination Responses of Wild Barley (Hordeum spontaneum) and Littleseed Cannary Grass (Phalaris minor) to Temperature. Iranian Journal of Weed Science, 9(1): 105-118. [In Persian with English Summary]

22- Michel B.E. 1983. Evaluation of the water potentials of solutions of polyethylene glycol 8000 both in the absence and presence of other solutes. Plant Physiology, 72(1): 66–70.

23- Nair N.U., Sankaran P.G., and Balakrishnan N. 2013. Quantile-Based Reliability Analysis. Springer, New York, Heidelberg Dordrecht London.

24- Ritz C., Cedergreen N., Jensen J.E., and Streibig J.C. 2006. Relative potency in nonsimilar dose–response curves. Weed Science, 54(3): 407–412.

25- SAS. 2009. SAS/STAT 9.2 User’s Guide. SAS Institute, Cary, NC, USA.

26- Schwarz W. 2001. The ex-Wald distribution as a descriptive model of response times. Behavior research methods, instruments & computers, 33 (4): 457–69.

27- Watt M.S., Bloomberg M., and Finch-savage W.E. 2011. Development of a hydrothermal time model that accurately characterises how thermoinhibition regulates seed germination. Plant, Cell and Environment, 34(5): 870–876.

28- Watt M.S., Xu V., and Bloomberg M. 2010. Development of a hydrothermal time seed germination model which uses the Weibull distribution to describe base water potential. Ecological Modelling, 221(9): 1267–1272.

29- Welbaum E., and Bradford K.J. 1991. Water relations of seed development and germination in muskmelon (Cucumis melo L.) VII. Influence of after-ripening and ageing on germination responses to temperature and water potential. Journal of Experimental Botany, 42(9): 1137–1145.

30- Witkovsky V. 2001. Computing the distribution of a linear combination of inverted gamma variables. Kybernetika, 37(1): 79-90.