مدلينگ سبز و رشد نهالبذرهاي لوبيا سبز، آفتابگردان و ذرت با استفاده از برخي مدل هاي غير خطي

Modeling Seedling Emergence and Growth in Green Bean, Sunflower and Maize by Some Nonlinear Models

احتمالاً سبز شدن نهالبذر يكي از مهم ترين رويدادهاي فنولوژيكي است كه موفقيت گياهان زراعي يك ساله را تحت تاثير قرار مي دهد. تحقيقات بسياري در سال هاي اخير براي پيش بيني الگوي سبز نهالبذر گياهان زراعي و علف هاي هرز براي رسيدن به اهداف مختلف صورت گرفته است. استفاده از مدل هاي رگرسيوني غير خطي يكي از روش هايي است كه به منظور بررسي الگوي سبز نهالبذر گونه هاي زراعي و علف هرز به صورت تابعي از زمان به كار رفته است. در اين آزمايش براي برازش برخي مدل هاي سبز نهالبذر از داده هاي مزرعه اي سه گونه زراعي شامل لوبيا سبز (Phaseolus vulgaris var. sunray)، آفتابگردان (Helianthus annuus L. var. alistar) و ذرت (Zea mays L. var. merit) استفاده شد. پيش بيني سبز نهالبذرها با استفاده از مدل فرانس و تورنلي و رشد با استفاده از مدل هاي لجستيك، گومپرتز و مونومولكولار انجام گرديد. ميزان شاخص هاي سبز گياهچه (SOE, MED, ERI, T0.5 ) نشان داد كه سبز گياهچه هاي گياه ذرت در مقايسه با دو گياه ديگر يعني لوبيا سبز و آفتابگردان بالاتر بود. مقادير T0.5 پيش بيني شده با مدل هاي لجستيك، با زمان لازم براي رسيدن به 50% سبز شدن كه به طور مستقيم از درون يابي داده هاي سبز رديف ها به دست آمد، مطابقت داشت. در حالي كه از لحاظ آماري، برازش رشد طولي گياهان با دو مدل لجستيك و مونومولكولار اختلاف معني داري داشت، در مدل رشد گومپرتز مقدار آن معني دار نبود. در بين سه مدل، مدل هاي گومپرتز و لجستيك نتايج كاملاً رضايت بخشي را نشان دادند. به طوري كه مقادير پيش بيني شده از مدل و مقادير مشاهده شده از آزمايش به طور كامل بر هم ديگر منطبق بودند (EF تقريباً 9/0 در بيشتر موارد و RMSE < 8). مدل مونومولكولار با RMSE > 12 مدل مناسبي براي برازش سبز نهالبذرهاي گونه هاي زراعي نبود. با توجه به نتايج به دست آمده مدل هاي تجربي قرينه دار با يك انحنا كه رشد نهالبذرها و گياهان زراعي را توجيه مي نمايند، قابل پيشنهاد است.

Seedling emergence is one of important phenological event that influences the success of an annual crop probably. There has been accomplished numerous researches in recent years to understand and predict the emergence patterns of crop and weed species for different objectives. Nonlinear regression models have been developed to explain crop and weed emergence patterns as a function of time. In this study, some seedling emergence molels by field data of three crop species including green bean (Phaseolus vulgaris var. sunray), sunflower (Helianthus annuus L. var. alistar) and maize (Zea mays L. var. merit) were evaluated. Prediction of crop seedling emergence with the France and Thornley model and growth by the Logistic, Gompertz and Monomolecular models were also attempted. Emergence indices (SOE, MED, ERI, T0.5) showed that seedling emergence of maize was greater than green bean and sunflower. The values of the median emergence date (T0.5) predicted by Logistic model were in close agreement with the time required for 50% emergence calculated directly from interpolation of the raw emergence data. While shoot length (Lf) of crop seedling emergence fitted by Logistic and Monomolecular models were significant, it was not significant in Gompertz model statistically. Among the three models, the Gompertz and the Logestic models gave quite satisfactory results as the predicted values from the model and the observed values from the experiment were close (EF 0.9 in most of the cases and RMSE < 8.0). The Monomolecular model was not suitable for prediction of studied crop seedling emergence due to its higher RMSE values ( > 12 in all cases). Results showed that the empirical models with an inflection point are recommendable because thay predicted growth of crops seedling superiorly.