بهبود جذب عناصر غذایی، صفات فیزیولوژیک و عملکرد دانه گیاه سیاه دانه (Nigella sativa L.) با کاربرد کود ورمی کمپوست در تاریخ های مختلف کاشت
محل انتشار: فصلنامه پژوهشهای زراعی ایران، دوره: 20، شماره: 2
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 151
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFCR-20-2_004
تاریخ نمایه سازی: 17 خرداد 1401
چکیده مقاله:
شناخت تاریخ مناسب کاشت گیاهان دارویی برای هر منطقه می تواند در افزایش محصول موثر باشد. از سوی دیگر ورمی کمپوست با بهبود وضعیت بستر خاک می تواند سبب افزایش عملکرد گردد. در این پژوهش جذب عناصر غذایی، صفات فیزیولوژیک و عملکرد دانه گیاه سیاه دانه با کاربرد کود ورمی کمپوست در تاریخ های مختلف کاشت در سال ۱۴۰۰-۱۳۹۹ در شهرستان فسا بررسی شد. این پژوهش به صورت فاکتوریل در قالب طرح بلوک های کامل تصادفی با سه تکرار انجام شد. فاکتور اول تاریخ های مختلف کاشت در شش سطح (۱۵ بهمن، ۱ اسفند، ۱۵ اسفند، ۱ فروردین، ۱۵ فروردین و ۱ اردیبهشت) و فاکتور دوم ورمی کمپوست در سه سطح (شاهد و ورمی کمپوست ۵ و ۱۰ تن در هکتار) بود. نتایج نشان داد که بیشترین جذب نیتروژن و فسفر در ۱ اسفند و ۱۵ اسفند مشاهده شد. همچنین بالاترین جذب نیتروژن و فسفر برگ در استفاده از کود ورمی کمپوست ۵ و ۱۰ تن در هکتار مشاهده شد. در تاریخ های مختلف کاشت، کود ورمی کمپوست ۱۰ تن در هکتار سبب افزایش محتوای نسبی آب برگ، شاخص برداشت و وزن هزار دانه شد. در تاریخ کاشت ۱ اسفند، ۱۰ تن در هکتار کود ورمی کمپوست سبب افزایش وزن خشک اندام هوایی به میزان ۸/۵ درصد نسبت به شاهد شد. همچنین ۱۰ تن در هکتار کود ورمی کمپوست سبب افزایش عملکرد دانه در تاریخ کاشت ۱ اسفند و ۱۵ اسفند به ترتیب به میزان ۲/۱۳ و ۸/۱۷ درصد نسبت به شاهد شد. در مجموع تاریخ کاشت ۱ اسفند تا ۱ فروردین و استفاده از کود ورمی کمپوست ۱۰ تن در هکتار برای کاشت گیاه سیاه دانه قابل توصیه می باشد.
کلیدواژه ها:
نویسندگان
عبدالعظیم بهرامی فرد
دانش آموخته کارشناسی ارشد گیاهان دارویی، واحد فسا، دانشگاه آزاد اسلامی، فسا، ایران
محمد رضا بازیار
گروه زراعت و اصلاح نباتات، واحد فسا، دانشگاه آزاد اسلامی، فسا، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :