ارتباط بین جمعیتVerticillium dahliae Kleb. در برگ‌های پنبه و علائم پژمردگی ورتیسیلیومی
عنوان دوره: بیست و دومین کنگره گیاهپزشکی ایران
نویسندگان
چکیده
پژمردگی ورتیسیلیومی پنبه که توسط قارچ خاک‌زی Verticillium dahiae Kleb. ایجاد می‌شود از مهم‌ترین بیماری‌های پنبه در مناطق کاشت آن می‌باشد. در این مطالعه ارتباط بین میزان جمعیت بیمارگر در پهنک و دمبرگ 12 رقم پنبه (شامل ارمغان، بختگان، تاشکند 1، ساحل، سپید، شیرپان، کاشمر، گلستان، ورامین، NNC، T2 و T3) و میزان علائم برگی (0=بدون علایم و 5= ریزش برگ) مورد بررسی قرار گرفت. این مطالعه در ایستگاه تحقیقانی کارکنده (گرگان) در یک طرح بلوک کامل تصادفی با 4 تکرار و در زمینی که به‌طور طبیعی آلوده بوده است (08/3 ± 5/37 میکرواسکلروت به‌ازای گرم خاک) در سال 1394 انجام شد. در این بررسی برگ‌های مورد نظر پس از 800 روز درجه‌ی رشدی گیاه (دمای پایه 9/11 درجه‌ی سانتی‌گراد) به آزمایشگاه منقل شدند. نمونه‌ها پس از هموژنیزه کردن بافت در 50 میلی‌لیتر آب مقطر استریل از پارچه‌ی ململ چهار لایه گذرانده شدند، سپس رقت‌های آن در سطح محیط کشت پکتات آگار پخش شد. پرگنه‌هایV. dahliae پس از 10 روز قرار گرفتن ظروف کشت در دمای 25 درجه‌ی سانتی‌گراد شمارش شدند و تراکم داخلی قارچ بر اساس تعداد واحد زنده بیمارگر به ازای گرم بافت تر محاسبه گردید. تجزیه و تحلیل داده‌های به‌دست آمده با استفاده از نرم‌افزار Matlab 7.14.0.739 صورت گرفت. نتایج نشان داد که شدت علائم تابعی از تعداد اسپور داخلی بیمارگر× منطقه برگ می-باشد. شاخص بیماری و جمعیت داخلی بیمارگر در رابطه با جدایه‌های مختلف V. dahliae به طور معنی‌داری در ارقام حساس بیشتر از ارقام متحمل و مقاوم به‌دست آمد (p<0.01). البته تفاوت بین ارقام به بافت پهنک برگ با علائم کامل زردی مربوط بود. قابلیت پیش‌بینی جمعیت داخلی V. dahliae توسط شبکه‌ی عصبی نشان داد که جهت پیش‌بینی جمعیت داخلی بیمارگر، شبکه‌ی عصبی پیشخور با تابع انتقال غیرخطی سیگموئیدی قابل استفاده است. در این رابطه، الگوریتم آموزش شامل یادگیری پس از انتشار از خطای به-دست آمده همراه با روش شبه‌نیوتنی جهت بهینه‌سازی انتخاب گردید و تعداد نرون‌ها در لایه‌ی مخفی نیز در ارتباط با تعداد وزن‌ها و در حدود یک‌دهم تعداد الگوهای یادگیری تعیین شد. به‌منظور جلوگیری از جهت‌گیری اشتباه به منطقه‌ی کمینه، 20 ارزش عددی اولیه‌ی تصادفی برای تعیین وزن‌ها مدنظر قرار گرفت. توقف مراحل یادگیری در مرحله‌ی افزایش خطا در نظر گرفته شد تا از یادگیری اضافه ممانعت گردد. در این حالت شبکه‌ی عصبی پیشخور با نه نرون مخفی انتخاب گردید. این شبکه پس از 700 بار با کمترین خطا (0124/0) قادر به پیش‌بینی جمعیت داخلی تولیدی بوده است.
کلیدواژه ها