مدل‌سازی خطی تأثیر آفات و بیماری‌ها بر روند رشد گیاه توت فرنگی در فضای حالت

علوم باغبانی

مقاله 19، دوره 36، شماره 1 - شماره پیاپی 53، خرداد 1401، صفحه 271-283   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jhs.2021.70888.1062

نویسندگان

زهره عباسی¹؛ ایمان زمانی^{* 2}؛ محسن شفیعی راد¹؛ امیرحسین امیری مهرا¹؛ سید مهدی حسینی فرهی³

¹گروه برق و کامپیوتر، دانشگاه کاشان، کاشان

²دانشکده فنی مهندسی، دانشگاه شاهد، تهران

³گروه علوم باغبانی، دانشگاه آزاد اسلامی، واحد یاسوج، ایران و گروه پژوهشی کشاورزی پایدار و امنیت غذایی، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران

چکیده

گیاه توت فرنگی به دلیل داشتن منابع غنی از ویتامین‏ها و آنتی اکسیدان،‏ میوه‏ای با ارزش است که در سراسر جهان نیز رشد می‏کند ولی تولید آن اغلب توسط آفات مختلف تهدید می‏شود. از این‏رو، مدیریت آفات باید به عنوان یکی از مهمترین نکات در کشت و تولید گیاه توت فرنگی مورد توجه قرار گیرد. آفت تریپس به عنوان یک آفت گلخانه‏ای می‏تواند اثرات مخربی در تولید توت فرنگی داشته باشد، با این‏حال، روش‏های زیادی برای مقابله با آن‏ وجود دارد. یکی از بهترین راه‏ها رعایت بهداشت گلخانه و استفاده از سموم شیمیایی مناسب است. با این حال، پیش بینی مراحل رشد گیاه به روش های معمول برای پیش بینی زمان استفاده از سموم شیمیایی غیرممکن است. زمان وقوع هر مرحله‏ی رشد تنها با استفاده از مدل‏های شبیه‏سازی و با در نظر گرفتن عوامل موثر در رشد گیاه مانند عوامل محیطی، آفات، بیماری‏ها و تغذیه قابل پیش‏بینی است. به همین منظور، نویسندگان در این مطالعه با در نظر گرفتن تأثیر آفات و بیماری‏ها، روند رشد گیاهان توت فرنگی را مدل‏سازی می‏کنند. مشهورترین مکانیزم تجزیه و تحلیل فرآیند رشد از نظر ریاضی، مدل‏سازی است. از مدل‏ها می‏توان به عنوان جایگزینی برای تجزیه و تحلیل آماری در برداشت محصولات استفاده کرد. مدل‏سازی توان استنتاج رفتار گیاه را افزایش می‏دهد و می تواند برای ارزیابی آزمایشات مورد استفاده قرار گیرد. برای معرفی یک مدل مطلوب، شناسایی ویژگی‏های اساسی روند رشد، مورد نیاز است. در این مطالعه، پویایی رشد توت فرنگی توسط سه متغیر حالت (گل، میوه جوان، میوه کامل) مدل شده است. در همین حال، واکنش گیاه به عوامل محیطی مانند آفات (بطور خاص آفت تریپس) و عوامل مدیریت موثر بر محیط و آب و هوای ایجاد شده برای رشد گیاه مورد بررسی قرار می‏گیرد. مدل پیشنهادی با داشتن روابط ساده که در برگیرنده مفهوم کلی رشد است دارای کارآیی لازم در پیش‏بینی رشد گیاه است و همچنین ابزاری مفید به فایده برای تجزیه و تحلیل عوامل رشد گیاه است. همچنین می‏توان به محققان، پژوهشگران و تولیدکنندگان کمک کرد تا توانایی پیش‏بینی میزان و نحوه رشد گیاه، متاثر از تغییر تعداد آفات را داشته باشند. علاوه بر این، میزان بیماری و خسارت آفات برای نرخ‏های مختلف در مراحل رشد را نشان داده تا با پیش‏بینی آن بتوان میزان خسارت ناشی از آفات را با هزینه‏های کم و راه حل‏های عملی کاهش داده و آن‏ها را به مرحله اجرا درآورد. طبق نتایج به دست آمده در این مطالعه، از آنجا که عدم کنترل آفات باعث می‏شود از هر ده میوه سالم فقط چهار میوه به مرحله رشد کامل برسند، کنترل و دفع آفات ضروری است. با استفاده از مدل پیشنهادی صاحبان گلخانه‏ها و تولیدکنندگان می‏توانند در عرض چند ثانیه چندین فصل رشد را شبیه‏سازی کرده و با در نظر گرفتن اطلاعات زیست محیطی منطقه مورد مطالعه و نرخ‏های موثر در روند رشد گیاه، میزان برداشت و از بین رفتن محصول خود را پیش‏بینی کنند.

کلیدواژه‌ها

آفات؛ توت فرنگی؛ شبیه‌سازی عددی؛ مدلسازی فضای حالت

مراجع

1. Abbasi Z., Zamani I., Amiri Mehra A.H., Shafieirad M., and Ibeas A. 2020. Optimal Control Design of Impulsive SQEIAR Epidemic Models with Application to COVID-19. Chaos, Solitons & Fractals 139: 110054. https://doi.org/10.1016/j.chaos.2020.110054.
2. Amiri Mehra A.H., Zamani I., Abbasi Z., and Ibeas A. 2019. Observer-Based Adaptive PI Sliding Mode Control of Developed Uncertain SEIAR Influenza Epidemic Model Considering Dynamic Population. Journal of Theoretical Biology 482: 109984. https://doi.org/10.1016/j.jtbi.2019.08.015.
3. Amiri Mehra A.H., Shafieirad M., Abbasi Z., and Zamani I. 2020. Parameter Estimation and Prediction of COVID-19 Epidemic Turning Point and Ending Time of a Case Study on SIR/SQAIR Epidemic Models. Computational and Mathematical Methods in Medicine, 2020. https://doi.org/10.1155/2020/1465923.
4. Abbasi Z., Zamani I., Amiri Mehra A.H., Ibeas A., and Shafieirad M. 2021. Optimal Allocation of Vaccine and Antiviral Drugs for Influenza Containment over Delayed Multi-Scale Epidemic Model Considering Time-Dependent Transmission Rate. Computational and Mathematical Methods in Medicine, 2021. https://doi.org/10.1155/2021/4348910.
5. Andarzian B., Bakhshandeh A., Fathi Q., Khalil Alemi S., Banayan M., and Imam Y. 2007. A Model for Simulating the Developmental Stages of Crops. Agriculture and Horticulture 71-79. (In Persian)
6. Behtri B. 2014. Mathematical Models of Crop Growth and Operation. 228 pages. (In Persian)
7. Bessonov N., and Volpert V. 2000. Dynamical Models of Plant Growth, Mathematics Subject Classification.
8. Bessonov N., Morozova N., and Volpert V. 2008. Modeling of Branching Patterns in Plants. Bulletin of Mathematical Biology 70(3): 868-893. https://doi.org/10.1007/s11538-007-9282-1.
9. Danaeifar A., Gholami M., Mobli M., and Bani Nasab B. The Effect of Paclobutrazol and Calcium Prohexadione on Some Physiological Characteristics and Quality of Strawberry Fruit of Parus Cultivar. Iranian Journal of Horticultural Science and Technology 21(1): 1-10. (In Persian with English abstract). http://dx.doi.org/10.29252/jcpp.9.2.1.
10. Dihimfard R., Nasiri Mahallati M., and Kouchaki A. 2012. A Simple Model to Simulate the Growth, Development and Yield of Sugar Beet in Terms of Potential and Nitrogen Limitation. Journal of Ecological Agriculture 1-20.
11. Ghaem Maghami F., Zarei M., Yathribi J., and Eshghi S. 2019. The Effect of Different Levels of Nitrogen, Vermicompost and Nitrogen on Morphological Characteristics. Greenness Index and Strawberry Yield in Greenhouse Conditions, Iranian Journal of Horticultural Sciences and Techniques 251-262. (In Persian). https://civilica.com/doc/1160179/.
12. Godin C., and Caraglio Y. 1998. A Multiscale Model of Plant Topological Structures. Journal of Theoretical Biology 191(1): 1-46. https://dx.doi.org/10.1006/jtbi.1997.0561.
13. Hosseini Farahi M., Jamshidi E., Amiri S., Kamyab F., and Radi M. 2020. Quality, Phenolic Content, Antioxidant Activity, and the Degradation Kinetic of Some Quality Parameters in Strawberry Fruit Coated with Salicylic Acid and Aloe vera Journal of Food Processing and Preservation 44(9): 14647. https://doi.org/10.1111/jfpp.14647.
14. Kuhar T., and Pfeiffer D. 2009. Insect Pests of Strawberries and Their Management, Virginiafruit.ento.vt.edu.
15. Ikegawa Y., Mori K., Ohasa M., Fujita I., Watanabe T., Ezoe H., and Namba T. 2016. A Theoretical Study on Effects of Cultivation Management on Biological Pest Control: A Spatially Explicit Model. Biological Control 93: 37-48. https://doi.org/10.1016/j.biocontrol.2015.11.008.
16. Jaeger M., and Reffye D. 1992. Basic Concepts of Computer Simulation of Plant Growth. Journal of Biosciences 17: 275-291. http://dx.doi.org/10.1007/BF02703154.
17. Salimi F., Ahmadian A., Alipnah M., and Kaveh H. 2016. Strawberries, an Alternative Product for Sustainable Agriculture. The First National Symposium on Small Fruits, Shiraz University 179-185. (In Persian)
18. Varenne F. 2018. From Models to Simulations. London, UK: Routledge, 244. https://doi.org/10.4324/9781315159904
19. Zamani I., and Hosseini Farahi M. 2016. A Hybrid State Space Modelling Study on Effects of Cultivation Management on Biological Pest Control for Strawberry Plants. VIII International Strawberry Symposium 1156: 817-820. https://doi.org/10.17660/ActaHortic.2017.1156.120.