مدل نمونه‌برداری بینومیال برای تسهیل پایش جمعیت شته Schizaphis graminum (Rondani) در مزارع سورگوم جارویی منطقه میانه
محورهای موضوعی : بوم شناسی گیاهان زراعیشهرام شاهرخی خانقاه 1 , حبیب اله خدابنده 2
1 - موسسة تحقیقات گیاه‌پزشکی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران
2 - کارشناس ارشد حشره شناسی کشاورزی، دانشگاه آزاد اسلامی واحد میانه
کلید واژه: تخمین جمعیت, توزیع فضایی, ردیابی, شته برگ ذرت, مدیریت تلفیقی آفات,
چکیده مقاله :
چکیده این پژوهش به منظور ارایه مدل نمونه‌برداری بینومیال (وجود – عدم وجود) برای صرفه‌جویی در زمان تعیین تراکم جمعیت شته Schizaphis graminum (Rondani)در مزارع سورگوم جارویی منطقه میانه انجام شد. برای این منظور هر سه روز یک‌بار با بازدید تعداد 50 ساقه سورگوم جارویی از جمعیت شته نمونه‌برداری شد و میانگین و واریانس جمعیت در هر تاریخ نمونه‌برداری برای تخمین پارامتر‌های پراکنش فضایی مورد استفاده قرار گرفت. در ادامه، از پارامتر‌های قانون نمایی تیلور برای تهیه مدل‌های نمونه‌برداری 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 تاریخ‌های مختلف نمونه‌برداری از 14/0 تا 45/25 عدد در هر ساقه متغیر بود. مقایسه مدل‌های نمونه‌برداری تهیه شده نشان داد که با کاهش سطح دقت از 25 به 10%، اندازه نمونه مورد نیاز برای تخمین جمعیت شته در مدل نمونه‌برداری بینومیال به‌طور قابل توجهی افزایش یافت. بنابراین، مدل نمونه‌برداری بینومیال در سطح دقت 10% بسیار وقت‌گیر بوده و برای تخمین تراکم جمعیت شته مناسب نبود. با این وجود، مدل نمونه‌برداری 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 نمونه‌برداری بینومیال در سطح دقت 25% (سطح دقت قابل قبول در برنامه‌های مدیریت آفات) می‌تواند زمان نمونه‌برداری 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 می‌شود.
This study was conducted to develop a binomial (presence-non presence) sequential sampling model for saving time in determining population density of greenbug, Schizaphis graminum (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 by reducing the precision level from 0.25 to 010, significantly. 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 sample size required 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 it is recommended to estimate the pest population in integrated pest management programs in broom corn farms.
