الگوی رویش قیاق (sorghum halepense (l.) pers.) در مزرعه ذرت تحت تاثیر عملیات مدیریتی

پیش بینی زمان رویش علف های هرز از ابزارهای ارزشمند تصمیم گیری در مدیریت تلفیقی علف های هرز می باشد که می تواند به منظور بهینه سازی برنامه های کنترل علف های هرز مورد استفاده قرار گیرد. بدین منظور جهت پیش بینی زمان ظهور گیاهچه های قیاق حاصل از بذر و ریزوم آزمایش مزرعه ای طی دو فصل بهار و تابستان 1401 در مزرعه تحقیقاتی واقع پردیس کشاورزی دانشگاه تهران واقع در کرج اجرا شد. آزمایش به صورت بلوک کامل تصادفی با چهار تکرار انجام شد. تیمارهای مورد بررسی چهار تاریخ شخم شامل 15 اردیبهشت، 30 اردیبهشت، 15 خرداد و 30 خرداد بودند. چهار مدل سیگموئیدی، لجستیک، گامپرتز و ویبول جهت بررسی الگوی رویش گیاهچه های حاصل از بذر و ریزوم مورد استفاده قرار گرفتند. نتایج نشان داد که مدل لجیستیک با دارا بودن پایین ترین شاخص اکائیک از دقت بیشتری برخوردار بود. اثر شخم در الگوی رویش قیاق های بذری و ریزمی قابل توجه بود. تاریخ های شخم اردیبهشت با جمعیت بالای گیاهچه های بذری و ریزومی ولی به نسبت یکسان در جمعیت همراه بود. تاریخ های شخم خرداد ماه با کاهش جمعیت گیاهچه های بذری و افزایش گیاهچه های ریزومی در جمعیت قیاق همراه بود. در تاریخ های شخم اردیبهشت ماه، واریانس رویش در بین 6 تکرار آزمایشی کوچکتر بود و در نتیجه برازش مدل ها با دقت بالاتری صورت پذیرفت. حال آنکه با تاخیر زمان شخم و افزایش دما، واریانس بین تکرارها به شدت افزایش یافت و در نتیجه برازش توابع به الگوی رویش گیاهچه های قیاق با دقت پایین تری صورت پذیرفت. با توجه به اینکه در همه زمان ها، جمعیت ریزومی در مزرعه بالاست پیشنهاد می شود برنامه های کنترلی براساس جمعیت ریزومی نوشته و اجرا گردد. این نکته در شخم های دیرهنگام و تاریخ کشت های تاخیری از اهمیت بالاتری برخوردار است.

the pattern of johnson grass (sorghum halepense (pers.) l.) emergence in corn field under the influence of management operations

introductionprediction of weed emergence time is one of the valuable decision-making tools in integrated weed management, which can be used to optimize weed control programs. among human agricultural practices, tillage is one of the main drivers of weed communities. the emergence pattern has sensitive receptors that may change with a manipulation such as tillage or any other management activity. johnson grass (sorghum halepense (pers.) l.) from the poaceae family is a c4 perennial weed and one of the most invasive weeds in the world. this weed has spread in one third of the world’s regions, which has led to a major reduction of biological and agricultural diversity in asia, africa, america and europe. it ranks sixth in the list of 30 worst weeds in the world in 53 countries and has become endemic in millions of hectares of the world. cutworms have been reported in crops including wheat (triticum aestivum l.), soybean (glycine max l.), corn (zea mays l.), cotton (gossypium hirsutum l.), vegetables and fruit trees. materials and methodsin order to predict the time of emergence of seedlings from seeds and rhizomes, a field experiment was conducted during the spring and summer of 2022 in the research farm located in the agricultural campus of tehran university located in karaj. the experiment was conducted as a randomized complete block with four replications. the investigated treatments were four tillage dates including 15 may, 30 may, 15 june and 30 june. 20 plots with dimensions of 2 ×1 m2 were prepared in a part of the research farm which has a high level of johnson grass contamination based on previous monitoring. tillage is done up to a depth of 20 cm in the plots. in each plot, three quadrates with dimensions of 0.5 × 0.5 m2 were installed, and seed seedlings and rhizomes were counted at weekly intervals until the end of the season. four models (logistic, sigmoidal, gumpertz and weibull) were used to investigate the emergence pattern of seedlings obtained from seeds and rhizomes. analysis of variance was done with the help of sas 9.1 software. sigma plot software was used to brush the models. results and discussionthe minimum square standard error model with an explanation coefficient of 0.85 and also the root mean square error of 5.35 has been able to predict the cumulative emergence of the seedlings of johnson grass seeds. these values were 0.94 and 3.8 respectively in predicting the cumulative emergence of seedlings from the rhizome, which indicates the higher accuracy of the model in predicting the emergence from the rhizome. the results showed that, in general, the used models had close values of the corrected coefficient of explanation and root mean square error, so these indicators were not able to distinguish the more accurate model. but in general, since models with a lower akaike index are more accurate anyway, the logistic model was chosen as the best model. the effect of plowing was significant on the germination pattern of seed and rhizomes. may plowing dates were associated with a high population of seed and rhizome seedlings, but in the same proportion in the population.