ارزیابی مقاومت به بیماری سیاهک در نسلهای ژنتیکی ذرت رقم هیبرید سینگل کراس (KSC500)
Publish place: National Conference on Passive Defense Agriculture
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 583
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCPDA01_2756
تاریخ نمایه سازی: 12 دی 1393
Abstract:
به منظورمطالعه کنترل ژنتیکی مقاومت به بیماری سیاهک معمولی (Common smut) وارزیابی خصوصیات مورفوفیزیولوژیک درذرت رقم نیمه متوسط رس (ksc500)، آزمایشی برپایه طرح آزمایشی بلوک های کامل تصادفی با 3 تکرار در ایستگاه طرق مرکز تحقیقات کشاورزی و منابع طبیعی خراسان رضوی درسال 1391 به اجرا درآمد .تیمارهای آزمایشی شامل 6 نسل ذرت رقم (ksc500) نیمه متوسط رس ، والدین (P(1 و (P(2 و هیبرید (BC(1), F(2) F(1 و (BC(2 تحت شرایط آلودگی مصنوعی قرار گرفتند . نتایج نشان داد که تفاوت های معنی داری بین ژنوتیپهای مورد بررسی از نظر صفات تعداد روز کاشت تا ظهور رشته های ابریشمی وگرده افشانی، طولبلال، ارتفاع بوته، طول تاسل، تعداد برگ، وزن هزاردانه و عملکرد دانه وجود دارد .بطوریکه بیشترین و کمترین عملکرد دانه با مقادیر 13/62 تن در هکتار بترتیب متعلق به (F1) و والد مادری (P1) بود .برتری عملکرد دانه در F1 می تواند بدلیل برتری آن در صفاتی نظیر طول بلال ووزن هزار دانه باشد .برعکس به لحاظ صفت تعداد روز تا ظهوررشته های ابریشمی والدین بیشترین و هیبریدها کمترین میزان را به خود اختصاص دادند .بالطبع برتری هیبریدها نسبت به والدین می تواند متاثر از جبران ضعف ناشی از خویش آمیزی اجباری در والدین باشد .بیشترین شدت و درصد بیماری نیز متعلق به هیبرید BC2 بود. می توان از تجزیه میانگین نسل ها نتیجه گرفت که اجزاع غالبیت و افزایشی در مقاومت به بیماری سیاهک نقش دارند
Keywords:
Authors
پریا دری
دانشجوی کارشناسی ارشد اصلاح نباتات دانشگاه پیام نور مشهد
سعید خاوری خراسانی
عضو هیئت علمی مرکز تحقیقات منابع طبیعی کشاورزی استان خراسان رضوی
محمود ولی زاده
عضو هیئت علمی دانشگاه پیام نور استان خراسان رضوی
پریسا طاهری
عضو هیئت علمی دانشگاه فردوسی مشهد استان خراسان رضوی
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :