مدل نمونه‌برداری بینومیال برای تسهیل پایش جمعیت شته Schizaphis graminum (Rondani) در مزارع سورگوم جارویی منطقه میانه

محورهای موضوعی : بوم شناسی گیاهان زراعی

حبیب اله خدابنده ¹ , شهرام شاهرخی خانقاه ²

1 - گروه گیاهپزشکی واحد میانه دانشگاه آزاد اسلامی میانه، ایران
2 - موسسة تحقیقات گیاه‌پزشکی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

تاریخ دریافت : 1399/11/23 تاریخ پذیرش : 1399/11/23 تاریخ انتشار : 1398/11/01

کلید واژه:  تخمین جمعیت,  توزیع‌فضایی,  ردیابی,  شته برگ ذرت,  مدیریت تلفیقی آفات,

چکیده مقاله :

این پژوهش به منظور ارایه مدل نمونه برداری بینومیال (وجود – عدم وجود) برای صرفه جویی در زمان تعیین تراکم جمعیت شته Schizaphisgraminum (Rondani)در مزارع سورگوم جارویی منطقه میانه انجام شد. برای این منظور هر سه روز یک بار با بازدید تعداد 50 ساقه سورگوم جارویی از جمعیت شته نمونه برداری شد و میانگین و واریانس جمعیت در هر تاریخ نمونه برداری برای تخمین پارامتر های پراکنش فضایی مورد استفاده قرار گرفت. در ادامه، از پارامتر های قانون نمایی تیلور برای تهیه مدل های نمونه برداری بینومیال در دو سطح دقت 10 و 25% استفاده شد. توزیع فضایی شته S. graminum در مزرعه به صورت تجمعی بوده و میانگین جمعیت آن در تاریخ های مختلف نمونه برداری از 14/0 تا 45/25 عدد در هر ساقه متغیر بود. مقایسه مدل های نمونه برداری تهیه شده نشان داد که با کاهش سطح دقت از 25 به 10%، اندازه نمونه مورد نیاز برای تخمین جمعیت شته در مدل نمونه برداری بینومیال به طور قابل توجهی افزایش یافت. بنابراین، مدل نمونه برداری بینومیال در سطح دقت 10% بسیار وقت گیر بوده و برای تخمین تراکم جمعیت شته مناسب نبود. با این وجود، مدل نمونه برداری در سطح دقت 25% در مقایسه با اندازه نمونه ثابت باعث کاهش اندازه نمونه لازم برای پایش جمعیت شته شد. در مجموع، استفاده از مدل نمونه برداری بینومیال در سطح دقت 25% (سطح دقت قابل قبول در برنامه های مدیریت آفات) می تواند زمان نمونه برداری را نسبت به روش اندازه نمونه ثابت کاهش داده و برای تخمین جمعیت این آفت در برنامه مدیریت تلفیقی آن در مزارع سورگوم جارویی میانه توصیه می شود.

چکیده انگلیسی:

This study was conducted to develop a binomial (presence-non presence) sequential sampling model for saving time in determining population density of greenbug, Schizaphisgraminum (Rondani) in broom corn fields. For this purpose, 50 broom corn stems were sampled every three days for counting the aphid number. The mean and variance of population at each sampling date were used to estimate spatial dispersion parameters. Then, Taylor’s Power Law parameters were used to prepare binomial sequential sampling models at two precision levels of 0.10 and 0.25. The spatial distribution of S. graminum in the field was clumped and its mean population at different sampling dates ranged from 0.14 to 25.45 aphids per stem. Comparison of models showed that sample size required for estimating aphid population increased significantly by reducing the precision level from 0.25 to 010. Therefore, the binomial sequential sampling model at the precision level of 0.10 was very time consuming and was not suitable for estimating aphid population density. However, the model at 0.25 precision level reduced the required sample size compared to the fixed sample size method. Overall, using binomial sequential sampling model at 25% precision level, the proposed precision level for pest management programs can reduce sampling time in comparison to the fixed sample size method and is recommended for estimating the pest population in integrated pest management programs in broomcorn farms