Мониторинг по коду ответа реез: Как проверить код ответа HTTP в zabbix?

Размер ответа

Последний I SLI включал размер ответа, в который был включен мониторинг метрики .Цель этой диаграммы состояла в том, чтобы отобразить размеры ответов для сервисов Google Cloud. Этот показатель может быть полезен при отладке высокой задержки в сервисах вашего приложения и определении того, какие части вашего приложения могут быть оптимизированы для обработки больших результатов.

• Тип ресурса: Consumed_api
• Метрика: response_sizes
• Группировать по: service
• Агрегация: 99-й процентиль

Вот и все, что касается показателей Stackdriver SLI на панели управления. Я также добавил метрики мониторинга Stackdriver для Pub / Sub, Cloud Storage, Cloud Functions и BigQuery.Вы можете проверить подробности этих показателей на github. Вот полная панель инструментов для справки.

Ссылки:

Мониторинг использования API | Облачные API | Google Cloud

API Google предоставляют подробные метрики использования, которые могут вам помочь:

• Отслеживайте и анализируйте использование API Google.
• Следите за производительностью ваших приложений и API Google.
• Обнаружьте проблемы между вашими приложениями и API Google.

Это может значительно ускорить время разрешения при устранении проблем или вам нужна техническая поддержка Google.

Метрики, производимые API Google, являются стандартными сигналами, которые Google собственные инженеры по надежности сайта используют для оценки работоспособности службы. Эти показатели включают количество запросов, частоту ошибок, общие задержки, серверную часть. задержки, размеры запросов и размеры ответов. Для определений показателей API, видеть Документация по облачному мониторингу.

Вы можете просмотреть показатели API в двух местах: Панель управления API и Облачный мониторинг. Показатели, которые вы видите, относятся к ваш проект, и они не отражают общий статус службы.

Использование панели управления API

Самый простой способ просмотреть ваши показатели API — использовать Google Cloud. Панель API консоли. Вы можете увидеть обзор всего вашего использования API, или вы можете подробно изучить использование конкретный API.

Чтобы увидеть обзор использования вашего API:

1. Посетите раздел API и сервисы Cloud Console.По умолчанию отображается основная панель управления API. На этой странице вы можете просмотреть все API-интерфейсы, которые вы сейчас включили для своего проекта, а также обзорные диаграммы для следующих показателей:

   • Трафик : количество запросов в секунду, сделанных вашим проект для включенных API
   • Ошибки : процент запросов к включенным API, которые привело к ошибке
   • Median latency : средняя задержка для запросов к включенным API, если доступно».

Для просмотра сведений об использовании конкретного API:

1. Выберите API, который вы хотите просмотреть, в основном списке API Dashboard. На странице обзора API представлена ​​более подробная диаграмма трафика с разбивка по коду ответа.

2. Для получения более подробной информации об использовании выберите Просмотреть метрики . По умолчанию отображаются следующие предварительно созданные диаграммы: хотя доступны и другие:

   • Трафик по коду ответа
   • Ошибки по методу API
   • Общая задержка на 50-м, 95-м и 99-м процентилях
   • Задержка по методу API (медиана)

3. Если вы хотите добавить больше диаграмм, вы можете выбрать дополнительные предварительно построенные диаграммы из раскрывающегося меню Выбрать графики .

Использование облачного мониторинга

Если вы используете облачный мониторинг, вы можете глубже изучить доступные метрики данные с помощью Metrics Explorer, чтобы лучше понять, как вы используете API. Cloud Monitoring поддерживает широкий спектр показателей, которые вы можете комбинировать. с фильтрами и агрегатами для новых и глубоких представлений о вашем приложении представление. Например, вы можете объединить метрику количества запросов с фильтром. в классе кода ответа HTTP для создания панели мониторинга, которая показывает частоту ошибок более времени, или вы можете посмотреть 95-ю процентиль задержки запросов к облаку Pub / Sub API.

Чтобы просмотреть показатели API в Metrics Explorer, выберите Consumed API в качестве ресурса. type, а затем используйте параметры фильтра и агрегирования для уточнения данных. Один раз вы нашли нужную информацию об использовании API, вы можете использовать Облачный мониторинг для создания настраиваемых информационных панелей и предупреждений, которые помогут вам продолжать отслеживать и поддерживать надежное приложение. Вы можете узнать, как сделайте это на следующих страницах:

Для получения дополнительной информации см. Обозреватель показателей.

Устранение неполадок с метриками API

API могут быть особенно полезны, если вам нужно связаться с Google, когда что-то идет не так, и может даже показать вам, что вам не нужно связываться поддержка вообще.Например:

• Если все ваши вызовы службы не работают для одного идентификатора учетных данных, но ни какой другой, есть вероятность, что с этой учетной записью что-то не так, что вы легко можно починить, не открывая билет.
• Вы устраняете проблему с приложением и заметили корреляцию между снижением производительности вашего приложения и устойчивым увеличением 50-й процентиль задержки критически важной службы GCP. Обязательно позвоните нам и укажите нам эти данные, чтобы мы могли начать работу над проблемой так быстро, как возможно.
• Задержки для отчета службы GCP выглядят хорошо и не изменились по сравнению с предыдущими, но ваши показатели в приложении сообщают, что задержка при вызове службы ненормально высокий. Это говорит о том, что в сети возникли проблемы. Позвоните своему сетевому провайдеру (в некоторых случаях в Google), чтобы получить отладку. процесс начался.

Лучшие практики

Хотя метрики API — чрезвычайно полезный инструмент, есть проблемы, которые необходимо подумайте, чтобы убедиться, что они предоставляют полезную информацию, особенно при настройке вверх оповещения на основе значений метрики.Следующие передовые практики помогут вам получить максимум от данных метрик API.

Задержка вызывает проблемы?

В то время как некоторые службы довольно чувствительны к задержке, другие масштабируются и надежность важнее. Некоторые API, облачное хранилище или BigQuery, например, может иметь несколько секунд высокого задержка незаметна для клиентов. Используя данные из показателей API, вы можете узнать что вашим пользователям нужно от данной службы.

Ищите изменения от нормы

Прежде чем вы решите подать сигнал о конкретном значении метрики, подумайте, что на самом деле считается необычным поведением.Анализ ваших показателей API может показать вам, что результаты задержки для большинства сервисов попадают в нормальное распределение: большой горб посередине и выбросы с обеих сторон. Метрики помогут вам понять нормальное распределение, чтобы вы могли спроектировать свое приложение так, чтобы оно хорошо работало в кривая распределения. Метрики также могут помочь вам соотнести изменения распределения в случаях, когда ваше приложение не работает должным образом, чтобы помочь вам найти корень причина проблемы. Мы ожидаем, что 99-й процентиль будет сильно отличаться от медиана — чего мы не ожидаем, так это резких изменений в этих процентилях через некоторое время.

Также вы можете увидеть, что некоторые типы запросов занимают больше времени, чем другие. Если средний размер фотографии, загруженной в Google Фото, составляет 4 МБ, но обычно вы загрузите 20 МБ файлов RAW, среднее время загрузки 20 фотографий, вероятно, будет существенно хуже, чем у большинства пользователей, но все равно ваш нормальный поведение.

Все это означает, что предупреждать первый раз, когда Обнаружен второй длинный вызов RPC или 5xx HTTP. Вместо этого при исследовании Служба Google как возможная причина проблемы, в которой ваше приложение опыта, сравните коды возврата и скорость задержки с течением времени и ищет устойчивые отклонения от нормы, которые коррелируют с наблюдаемыми проблемами в вашем приложении. .

Скорость движения

API наиболее полезны там, где у вас большой объем трафика, идущего на API. Если вы вызываете службу только с перерывами, ваши показатели API не будут статистически достоверны и не дадут вам значимой информации о сортировке.

Например, если вы хотите отслеживать задержку 99,5-го процентиля для службы, и вы делаете всего 100 звонков в час, наблюдая за измерением в течение двух часов период даст вам только одну точку данных для представления 99.5-й процентиль, который мало что скажет вам о нормальном поведении API или вашего применение. Убедитесь, что скорость трафика, процентиль, который вы отслеживаете, и временное окно, которое вы рассматриваете, генерируют много интересных точек данных или данные мониторинга не будут вам полезны.

Поддерживаемые API

Все API Google и Google Cloud API, а также API, построенные поверх облака Конечные точки и API-шлюз, поддерживают метрики API. Если вы потребитель API, вы можете просмотреть показатели потребляемого API в Панель управления API.если ты производитель API, вы можете просмотреть метрики производимого API в Панель управления конечными точками.

10 факторов, которые следует учитывать при выборе монитора для редактирования видео

Мониторы для видеопроизводства могут предложить потрясающий набор функций с ценами, охватывающими весь диапазон (не каламбур), от нескольких сотен долларов до цены нового машина. Итак, хотя ваш бюджет будет, по понятным причинам, главным фактором, на что еще вы должны обращать внимание на монитор при настройке системы редактирования? Прочтите некоторые общие факторы, которые следует учитывать при выборе монитора для редактирования видео.

1. Размер экрана

Найдите монитор, достаточно большой для комфортного длительного просмотра во время дневных (или ночных!) Сеансов редактирования. К популярным размерам относятся экраны 19, 21,5, 24, 27 и 32 дюйма, также доступны сверхширокие модели. Если у вас достаточно места для просмотра на подходящем расстоянии, можно использовать более крупные мониторы с диагональю 40 дюймов и выше. Если вы планируете выполнять какую-либо работу на съемочной площадке, 19-дюймовый монитор предлагает хороший компромисс между размером экрана и портативностью с множеством дорожных футляров на выбор.

2. Разрешение экрана

Если вы редактируете в формате 4K и можете снизить стоимость монитора 4K или выше, выберите более высокое разрешение. С другой стороны, если ваша существующая система редактирования совместима с 1080p, и вы не готовы перейти на более высокие требования к обработке и хранению 4K, вы можете редактировать отснятый материал 4K с помощью прокси при просмотре на мониторе 1080p. Отснятый материал с более низким разрешением может отображаться на мониторе с более высоким разрешением (хотя он будет в меньшей, «оконной» форме), поэтому, если вы хотите сначала обновить свой монитор до 4K, вы можете это сделать.Конечно, если вы занимаетесь цветокоррекцией каким-либо образом, вам лучше выбрать разрешение 4K +.

3. Поддерживаемые разрешения видео

Большинство производственных мониторов поддерживают множество входных разрешений; когда вы используете форматы с более высокой или низкой частотой кадров или с меньшей частотой кадров, важно подтвердить совместимость. Такие разрешения, как DCI 4K (4096 x 2160), NTSC стандартной четкости или PAL для устаревших проектов и частота кадров, например 1080PsF 23.98/24 попадают в эту категорию.

4. Типы панелей

широко используются для редактирования и предлагают высококачественные коэффициенты контрастности, уровни яркости и совместимость с цветовым охватом. ЖК-панели IPS (переключение в плоскости) предлагают лучшие углы обзора, чем их предшественники TN (скрученный нематик), и поддерживают профессиональные цветовые пространства. OLED-мониторы предлагают широкие углы обзора, высокие уровни контрастности и яркости, а также истинный черный цвет; они, как правило, дороже, чем ЖК-дисплеи того же размера.

5.Поддержка HDR (расширенного динамического диапазона)

HDR значительно повышает интенсивность цвета и контраст ваших изображений. Уровни яркости монитора, выраженные в кд / м ² (канделы на квадратный метр или нит), играют ключевую роль в отображении HDR; ищите 1000 кд / м ² или выше для оптимального редактирования HDR. HDR10 — это более распространенный стандарт HDR с Dolby Vision или HDR10 +, доступный на некоторых мониторах; ищите стандарт, поддерживаемый вашей системой редактирования.

6.Поддержка цвета: гамма, глубина цвета, субдискретизация цветности

Поддержка цветовой гаммы (цветового диапазона) выражается в процентах, которые покрывает монитор. Более широкие гаммы, такие как Rec.2020, Adobe RGB и DCI-P3, обеспечивают экспоненциально более тонкую детализацию цвета, чем более старые стандарты, такие как sRGB / Rec.709. Используйте 10-битный цвет, чтобы максимально расширить динамический диапазон, особенно при работе с отснятым материалом с логарифмической гаммой. Более глубокая глубина цвета обеспечивает больше деталей, которыми вы можете манипулировать по своему вкусу при постобработке, но помните, что 10-битные цветные мониторы требуют наличия вашего графического процессора, ОС и т. Д.может обрабатывать 10-битный поток. Если вы влогер или ведущий шоу, который просто обрезает ваши клипы и, возможно, корректирует баланс белого перед публикацией в социальной сети, вы можете выбрать более доступные 8-битные цветные мониторы.

7. Возможности подключения

Какие соединения обеспечивает плата видео ввода / вывода вашего компьютера? Входные порты монитора включают HDMI, 12G / 6G / 3G-SDI (BNC), Thunderbolt ™, DisplayPort, USB и оптические варианты; убедитесь, что ваш дисплей совместим с видеовыходом вашей системы.Выходной порт — это удобная функция для подачи сигнала на большой монитор для просмотра директором или клиентом во время пост-обработки. Некоторые мониторы предлагают параметры ввода / вывода звука, которые позволяют выводить встроенный звук на внешние динамики.

8. Настройка двух мониторов

Убедитесь, что в вашем компьютере есть специальная карта для вывода цветовых профилей вашей системы NLE, если вы выбираете редактирование в одном «окне» и отображение полноразмерного воспроизведения в другом, или если вы используете один монитор для редактирования треков, а другой для цветокоррекции.

9. Инструменты отображения

LUT (таблица поиска) позволяет просматривать записи журнала без их характерного плоского вида; некоторые мониторы могут отображать бок о бок изображения HDR и SDR (стандартный динамический диапазон) для сравнения. Популярные LUT предварительно загружены в некоторые мониторы и / или могут быть загружены через порт USB или слот для SD-карты. Стандартные инструменты отображения на многих мониторах включают вектороскоп, гистограмму, зебру экспозиции и маркеры кадра.

10.Калибровка

И последнее, но не менее важное: создайте процедуру калибровки монитора. Это приводит его в соответствие с установленным стандартом и важно для сохранения единообразия в вашем проекте. Некоторые мониторы поставляются с программным обеспечением для калибровки или их можно настроить, загрузив калибровочную таблицу LUT. Лучшим вариантом может быть программа калибровки с привязанным датчиком, поскольку ее можно использовать с несколькими моделями мониторов, или, в качестве альтернативы, вы можете нанять специалиста для выполнения первой калибровки и ознакомления с процессом.

Хотя может показаться, что функции монитора постоянно обновляются, мы надеемся, что приведенные выше советы послужат основой для выбора монитора для редактирования видео. Более подробно о записи в формате журнала можно прочитать в статье моего коллеги Дэвида Адлера. Увидеть — значит поверить — зайдите в B&H Photo SuperStore, чтобы лично взглянуть на мониторы и изучить наш широкий выбор на веб-сайте B&H Photo.

Работа с API данных

API данных обеспечивает доступ к данным меток и метрик, захваченным агентами Sysdig и хранящимся в хранилищах данных Sysdig.Агенты Sysdig собирают данные о процессах, сети, системе и другой инфраструктуре с разрешением в 1 секунду и отправляют их в службу Sysdig worker с разрешением 10 секунд.

API данных позволяет получать данные с исходным разрешением 10 секунд или ниже. Вы можете указать разрешение для возврата данных с помощью параметра sampling . У каждого разрешения разные периоды хранения данных. Поскольку сбор собственных данных выполняется с разрешением в 1 секунду, для каждой метрики необходимо указать агрегирование по времени.Сохранение данных

Аналогичным образом данные, связанные с отдельными модулями, процессами и т. Д., Могут быть агрегированы на более высоком уровне. Например, на уровне хоста или пространства имен. Этот тип агрегирования зависит от указанного вами списка меток. Например, вы можете агрегировать данные на уровне хоста, указав метку хоста. Чтобы это работало, вам нужно указать групповое агрегирование.

Дополнительные сведения об агрегировании данных см. В разделе «Агрегация данных».

Общие рекомендации по использованию API данных

• Максимальное количество выборок, которое вы можете получить через API данных, составляет 600.Следовательно, чем больше временное окно для извлечения данных, тем ниже будет разрешение.

• API обеспечивает тайм-аут ответа 30 секунд. Большие временные окна, большее количество показателей, несколько сегментов (большее количество столбцов и строк) могут привести к увеличению времени отклика.

• Некоторые метки могут не применяться к определенным объектам. Когда эти метки получены, значение метки будет нулевым.

• Из-за текущего ограничения одно и то же имя метрики не может быть указано более одного раза независимо от агрегирования.

Общие соглашения и аутентификация см. В разделе «Соглашения Sysdig REST API».

 (не) значение оператора метки 

 POST / api / data

{
  "фильтр": "kubernetes.node.name = 'n1'",
  ...
 

 «метрики»: [
    {"id": "container.name"},
    {
      "id": "cpu.cores.used",
      "aggregations": {"time": "avg", "group": "avg"}
    }
 

Пример запроса и ответа

В этом примере извлекаются ядра ЦП для контейнеров.

 POST / api / data

{
  «последний»: 600,
  «выборка»: 600,
  "фильтр": ноль,
  "метрики": [
    {
      "id": "cpu.cores.used",
      "агрегаты": {"время": "среднее", "группа": "сумма"}
    }
  ],
  "dataSourceType": "контейнер",
  "paging": {
    "от": 0,
    «к»: 99
  }
}
 

Ниже приведен образец ответа:

 {
    "данные": [
        {
            «т»: 1582756200,
            "d": [
                6.481
            ]
        }
    ],
    "старт": 1582755600,
    «конец»: 1582756200
} 

Библиотека сценариев Python для API данных

Клиент Sysdig Python для взаимодействия с API данных. См. Python SDC Client для исчерпывающих примеров и документации.

Функция: sysdig_api.get_data

 sdclient.get_data (metrics, start_ts, end_ts, sampling_s, filter, paging, datasource_type) 

Возвращает запрошенные данные метрик.

Возвращает запрошенные данные метрик в файле JSON.

 нормально, res = sysdig_api.получить данные(
  start_ts = -600,
  end_ts = 0,
  sampling_s = 600,
  filter = None,
  метрики = [
    {
      "id": "cpu.cores.used",
      "агрегаты": {
          "время": "среднее",
          "группа": "сумма"
      }
    }
  ],
  datasource_type = "контейнер",
  paging = {"from": 0, "to": 99}
)
 

Архив бизнес-советов — RocketRez

Проблемы прошедшего года выявили важность сбалансированной стратегии распределения для туристических компаний и компаний по организации аттракционов. Многие операторы, которые слишком сильно полагались на сторонние каналы, такие как OTA, столкнулись с трудностями при переходе на прямой маркетинг во время пандемии.И наоборот, тем брендам туров и аттракционов, которые владели данными о клиентах посредством прямого приобретения, было легче продвигать социально отдаленные варианты, такие как виртуальные туры и впечатления.

Теперь, когда самое худшее позади в индустрии туризма, все признаки указывают на очень хороший весенне-летний сезон. По данным TripAdvisor, 67% американцев планируют хотя бы одну поездку этим летом. По мере того, как туристический бизнес и аттракционы начинают восстанавливаться, а потребители активно ищут ваши продукты и впечатления, привлечение клиентов и распространение должны быть в центре внимания.

Может быть, у вашей компании уже есть надежная стратегия прямого цифрового маркетинга или вы хотите ее разработать.

Ниже мы представили дорожную карту о том, как продумать свою стратегию прямого привлечения клиентов, начиная с органических каналов в качестве основы.

Построение стратегии прямого маркетинга

Многие туристические компании предпочитают платные каналы, например рекламу в Google и Facebook. Эти платформы относительно просты в настройке и могут дать немедленные результаты.Но результаты и ROI — это разные вещи. При отсутствии тщательного управления платная реклама может быстро исчерпать маркетинговый бюджет, в результате чего у вас не останется масштабируемой стратегии прямого привлечения. Затем компании обращаются к сторонним дистрибьюторам и полагаются на них, что оказывает понижательное давление на маржу и прибыльность.

Это не означает, что платным цифровым технологиям нет места в вашей стратегии. Безусловно, это так, и мы коснемся этого более подробно ниже. Однако для многих компаний создание прочного фундамента, построенного на органических каналах, обеспечивает более устойчивую стратегию долгосрочного роста.

Вот некоторые органические области, на которых следует сосредоточиться, а также практические советы, которые необходимо немедленно реализовать.

SEO

Мир SEO и оптимизации огромен. Однако есть несколько относительно простых действий, которые вы можете предпринять немедленно, чтобы дать вашим веб-страницам наилучшие шансы на высокий рейтинг в результатах поиска.

1. Оптимизируйте свои метаданные

Метаданные для SEO — это такие элементы, как теги заголовков и метаописания.Они рассказывают Google и пользователям, о чем ваша страница. Обязательно используйте ключевые слова с высокой ценностью в теге заголовка. Использование ключевых слов не требуется для метаописаний, поскольку они не имеют прямого влияния на рейтинг. Однако хорошо написанное метаописание означает более высокий рейтинг кликов (CTR).

Анатомия результатов обычного поиска

2. Установите приоритет мобильных

Теперь Google официально отдает предпочтение мобильным страницам вашего сайта над настольными. Это означает, что если у вас есть полностью отзывчивый и молниеносный мобильный опыт, у вас больше шансов занять высокое место на страницах результатов поисковых систем (SERP).Чтобы получить представление о том, что Google думает о вашем мобильном опыте, войдите в Google Search Console, найдите Experience , а затем Mobile Useability в левом меню.

Если вы видите весь зеленый цвет, это хорошо! Если ваш сайт выдает ошибки, например слишком мелкий текст, вы сможете увидеть эти сведения под диаграммой.

3. Проверьте свои основные веб-данные.

Не менее важны, чем мобильные возможности, новые Google Core Web Vitals, которые являются частью общих сигналов взаимодействия с вашей страницей.Начиная с июня 2021 года, Google начнет учитывать такие аспекты, как максимальная отрисовка контента (LCP), задержка первого ввода (FID) и совокупный сдвиг макета (CLS) в свой алгоритм.

Это много сокращений, но не волнуйтесь!

LCP измеряет, насколько быстро загружается страница. FID измеряет, насколько быстро эта страница становится интерактивной, а CLS показывает, насколько быстро страница стабилизируется.

Опять же, все эти замечательные отзывы о вашем сайте можно найти в Google Search Console в разделе Experiences–> Core Web Vitals.

4. Знайте свои ключевые слова и отслеживайте их

Да, ключевые слова все еще имеют значение. Нет, не стоит слепо впихивать их в свой контент.

Скорее всего, у вас уже есть список основных ключевых слов. Если нет, то это отличное место для начала. Проверьте, по каким ключевым словам ваши веб-страницы уже ранжируются. Затем используйте такой инструмент, как Ahrefs, для анализа разрывов между текущим рейтингом ключевых слов и другими ключевыми словами с большим объемом, имеющими отношение к вашим продуктам.

Естественным образом вплетите эти термины в содержание вашей страницы (подробнее об этом ниже) . Наконец, используйте такой инструмент, как Wincher, чтобы отслеживать свои ключевые слова и ранжирование с течением времени, чтобы измерить успех.

Контент-маркетинг

Невозможно говорить о SEO без контент-маркетинга. Хотя контент может принимать самые разные формы — подкасты, видео, инфографика — сосредоточение внимания на вашем блоге может быть отличным способом привлечь вашу аудиторию и увеличить органический трафик.

Вот несколько способов максимально эффективно использовать ваши усилия по контент-маркетингу:

1. Составьте план

Постоянный поток ценного контента — отличный способ масштабирования и привлечения потенциальных клиентов.Проактивно подходите к своему контенту и создайте простой календарь с темами и заголовками статей. Начните с трех месяцев и продолжайте строить оттуда. Все компании разные, но рекомендуется публиковать свежий контент не реже одного раза в две недели.

2. Пишите для людей, а не для Google

Этот совет нельзя переоценить. Да, при написании нового контента следует помнить о популярных ключевых словах. Но пишите естественно, как если бы вы хотели прочитать статью.Помните, что вы можете использовать варианты одного и того же слова или термина — Google достаточно умен, чтобы понимать синонимы и намерения пользователя. Например, если вы работаете в аквариуме и пишете статью 10 потрясающих фактов о большой белой акуле , Google знает, что большая белая акула и белая акула — одно и то же животное.

3. Не изобретайте велосипед

Итак, вы опубликовали статью в блоге, занимаете позицию на первой странице и получаете огромное количество органического трафика.Поздравляю! Но ваша работа на этом не заканчивается. Удвойте эту тему и превратите этот ценный письменный контент в инфографику, короткое видео или серию историй в Instagram. Все дело в том, чтобы показать своим клиентам и Google, что ваш бренд является экспертом в определенных темах. Часто этого можно добиться, просто перепрофилировав высокоэффективный контент.

Роль платная

Как упоминалось ранее, платные маркетинговые каналы, такие как Google Ads и Facebook, должны быть частью любой сбалансированной стратегии прямого маркетинга.Ключевым моментом является знание того, как использовать эти каналы.

Рассматривайте Google Рекламу как дополнительный канал для привлечения трафика на условиях, по которым вы в настоящее время не занимаетесь органическим рейтингом. Если вы отслеживаете самые популярные ключевые слова, как было предложено выше, это должно быть несложным упражнением. Ищите те ключевые слова, которые имеют коммерческое значение для вашего бизнеса, но по которым ваша позиция в обычных результатах поиска недостаточно высока для получения значимого трафика.

Возьмите эти ключевые слова и используйте такой инструмент, как Ahrefs, SEMRush или Google Keyword Planner, чтобы получить представление об объеме поиска и приблизительной цене за клик (цена за клик).

Затем настройте свою кампанию Google Рекламы, используя строго структурированные группы объявлений, не более 15 ключевых слов в каждой группе. Не забывайте всегда проводить A / B-тестовую копию объявления, чтобы найти наиболее эффективное объявление.

И не забывайте, что вы можете интегрировать свой аккаунт Google Рекламы с RocketRez, чтобы беспрепятственно отслеживать конверсии по мере их возникновения.

Для брендов туров и мероприятий с ограниченным бюджетом рассмотрите возможность использования Facebook Ads для создания своей базы данных.

Чтобы отслеживать электронные письма клиентов, создайте простую рекламную акцию или конкурс.Сделайте предложение чем-нибудь простым для понимания, но от которого трудно отказаться — например, бесплатный вход на аттракцион или эксклюзивное мероприятие, недоступное для широкой публики. Привлекайте пользователей на специальную целевую страницу и запрашивайте только минимальные личные данные, такие как имя и адрес электронной почты .

Собираем все вместе

Есть старая SEO-шутка, которая звучит примерно так: лучшее время для начала вашей SEO-стратегии — вчера. Второе лучшее время — сегодня.

Хотя для создания устойчивого канала прямого привлечения клиентов требуются определенные усилия, в долгосрочной перспективе это стоит потраченного времени. Знание того, что у вашего бизнеса есть проверенный и масштабируемый способ привлечения клиентов, означает уменьшение влияния сторонних OTA на вашу модель продаж и распространения.

Джаред Альстер — соучредитель и директор по стратегии Dune7, агентства по цифровой стратегии и бренд-маркетингу, ориентированного на растущие туристические и технологические компании.

Подходящие индикаторы, использующие индексы, полученные на основе изменения диаметра стебля, для мониторинга состояния воды тепличных растений томатов

Abstract

Очень важно найти простой неразрушающий метод непрерывного измерения состояния воды в растениях для планирования полива. Изменения диаметра стебля в зависимости от водного статуса растений и содержания влаги в почве (SWC) были экспериментально исследованы в течение вегетационного периода 2011/2012 и 2012/2013 годов у выращиваемых в горшках томатов ( Lycopersicon esculentum L.) растения в пластиковой теплице. Это исследование было проведено для определения подходящих индексов SDV (изменение диаметра стебля) в качестве индикаторов состояния воды у растений томата для планирования полива. Эксперимент был разработан как двухфакторный рандомизированный блок с использованием SWC и стадий роста в качестве переменных. SWC контролировали на уровне 70-80% (полив с хорошим поливом), 60-70% (полив с небольшим дефицитом), 50-60% (полив с умеренным дефицитом воды) от полноты (FC), и предписанные стадии роста были вегетативными, этапы цветения и плодообразования, а также стадии сбора урожая.Регрессионный анализ показал, что SD ₆ (разница между значением диаметра стержня в 06:00 и начальным показанием датчика) тесно связано с SWC (p <0,01) во время быстрого вегетативного роста, тогда как MDS (максимальное значение суточная усадка) была тесно связана с SWC (p <0,01) во время медленного вегетативного роста. Наши результаты показывают, что индикаторы, полученные из SDV, могут использоваться для определения водного статуса растений и для планирования полива на разных стадиях роста / развития.

Образец цитирования: Meng Z, Duan A, Chen D, Dassanayake KB, Wang X, Liu Z, et al. (2017) Подходящие индикаторы, использующие индексы изменения диаметра стебля для мониторинга состояния воды тепличных растений томатов. PLoS ONE 12 (2): e0171423. https://doi.org/10.1371/journal.pone.0171423

Редактор: П. Парда-Саради, Университет Дели, ИНДИЯ

Поступила: 26 апреля 2016 г .; Одобрена: 20 января 2017 г .; Опубликовано: 3 февраля 2017 г.

Авторские права: © 2017 Meng et al.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все данные содержатся в документе.

Финансирование: Исследование финансировалось за счет целевого фонда Национальной программы китайских исследований и разработок в области высоких технологий (Китайская программа 863, номера грантов: 2011AA100509), ключевой и открытой лаборатории регулирования требований к воде для сельскохозяйственных культур Министерства внутренних дел. Сельское хозяйство и средства китайской исследовательской станции сельскохозяйственных угодий в открытой местности в Шан Цю.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Мониторинг состояния воды в растениях является важным источником информации для планирования полива. Поэтому простой, стабильный, неразрушающий метод непрерывного мониторинга состояния воды в растениях долгое время находился в поиске в исследованиях взаимосвязи между почвой, водой и растениями. Такой метод нужен для изучения влияния различных факторов окружающей среды на состояние воды и последующий рост растений.Многочисленные методы измерения состояния воды в растениях признаны учеными и экспертами. Однако единого мнения о наиболее подходящем индикаторе не достигнуто [1]. Часто используется предрассветный потенциал воды в листьях [2, 3], в то время как другие показатели, такие как потенциал воды в стеблях [4, 5], методы диффузии пара и относительное содержание воды в листьях, были приняты. Большинство из этих методов требуют разрушения растительной ткани, и все они обеспечивают периодические и локальные измерения, а не непрерывный и неразрушающий мониторинг состояния воды в растениях, что, возможно, ограничило применение этих методов для расчета требований к орошению больших площадей сельскохозяйственных угодий.

Надежный показатель состояния воды в растениях может быть получен только на основе измерений растений [6]. Поскольку состояние воды в растении контролирует многие физиологические процессы и урожайность сельскохозяйственных культур, эта информация может быть очень полезна при планировании полива. Постоянный контроль состояния воды для растений имеет решающее значение, особенно в условиях недостаточного орошения, чтобы не допустить перерастания умеренного и потенциально полезного водного стресса в слишком серьезный и снижения урожайности. По этим причинам мониторинг реакции всего растения на состояние воды на основе изменения диаметра стебля стал популярным в области управления орошением во всем мире [7–17].

Многие исследователи во всем мире стремятся определить полезные индикаторы, основанные на изменениях диаметра стебля и его пороговых значений в ответ на состояние воды в растениях для планирования полива. Ортуно и др. [18] показали, что когда рост ствола был очень низким, максимальная суточная усадка ствола (MDS) была лучшим показателем, в то время как минимальный диаметр ствола (MNTD) и максимальный диаметр ствола (MXTD) были самыми надежными показателями в условиях более быстрого роста. цитрусовых деревьев. Nortes et al.[19] указали, что MDS и скорость роста ствола (TGR) были чувствительны к водному стрессу и что TGR был полезен в качестве индикатора стресса и мог помочь в принятии решений об орошении молодых миндальных деревьев. Результаты эксперимента, проведенного Moreno et al. [20] на взрослых оливковых деревьях показали, что можно получить базовые значения для MDS, и поведение MDS лучше всего коррелировало с полуденным дефицитом давления пара и полуденной температурой воздуха. Пороговые значения интенсивности сигнала MDS (фактическая MDS / эталонная MDS) подходят для корректировки графика полива на основе работы, проводимой с миндалем [21, 22], лимоном [23–25], взрослым лимоном Fino [26], цитрусовыми [27]. и лимонные деревья [7].Swaef et al. [8] определили контрольные значения потенциала стволовой воды и максимальной суточной усадки ствола молодых яблонь на основе реакции растений на дефицит воды. Согласно Cuevas et al. [9], интенсивность сигнала MDS и DR (ежедневное восстановление) может быть полезными индикаторами для предотвращения усыхания плодов в орошаемых в недостаточном количестве оливковых садах для производства масла хорошего качества. Кроме того, надежные справочные уравнения для планирования полива с использованием подхода интенсивности сигнала были получены из регрессии значений MDS по сравнению ссуточная максимальная температура воздуха и дефицит давления пара воздуха. Moriana et al. [10] сообщили, что полуденный потенциал стволовой воды (SWP) был лучшим индикатором состояния воды на основе растений по сравнению с параметрами TDF (колебания диаметра ствола), когда планирование недостаточного орошения не выполнялось, и разница в TGR (DTGR), по-видимому, была быть хорошим индикатором водного стресса на основе порогового значения примерно -1,4 МПа для оливковых деревьев. Бадал и др. [11] предположили, что MDS является чувствительным индикатором состояния воды у деревьев каки и может в дальнейшем использоваться в качестве индикатора планирования полива для оптимального управления поливом этой культуры; тем не менее, при выборе количества деревьев для мониторинга в саду следует принимать во внимание большую изменчивость MDS от дерева к дереву.Ливеллара и др. [12] сообщили, что пороговое значение дефицита воды было связано с критическим значением потенциала стволовой воды (SWP) -0,50 МПа; Использование этого критического значения SWP и его корреляция с MDS и TGR привело к критическим значениям 165 мкм и 86 мкм в день ^-1 для MDS и TGR, соответственно.

Однако самая последняя работа по полученным из SDV индексам как индикаторам водного стресса растений проводилась на садовых древесных породах. В отличие от большого количества исследований на фруктовых деревьях, только несколько исследований изучали травянистые виды [28–31], тогда как очень мало исследований оценивали SDV для овощей, таких как томаты [32, 33].Следовательно, основными целями данной работы были: (i) охарактеризовать поведение вариации диаметра стебля и его взаимосвязь с другими растительными индикаторами воды на разных фенологических стадиях у томатов, (ii) определить индексы, полученные из SDV, в качестве индикаторов и пороговые значения водного статуса растений в томате для планирования полива, и (iii) анализ взаимосвязей между вариацией диаметра стебля и метеорологическими переменными во время медленного вегетативного роста томатов для создания имитационной модели, основанной на множестве факторов, для количественного мониторинга воды в растениях. статус.Это обеспечит теоретическую основу и технические параметры для дальнейшего изучения и определения полезных индикаторов, основанных на изменении диаметра стебля в ответ на состояние воды в растениях, для автоматического полива различных видов растений в различных экологических условиях.

Материалы и методы

Опытный участок и сведения об обрезке

Эксперимент в горшке с помидорами проводился в течение вегетационного периода 2011/2012 и 2012/2013 годов в пластиковой теплице (40 м длиной на 8,5 м).5 м) на экспериментальной ферме по орошению сельскохозяйственных культур Научно-исследовательского института ирригации сельскохозяйственных угодий Китайской академии сельскохозяйственных наук (35 ° 19 ^′ N, 113 ° 53 ^′ E, высота 73,2 м) в городе Синьсян, Провинция Хэнань, Китай, на равнине Хуан-Хуай-Хай. Климат типично умеренный, местность от полузасушливого до полувлажного. Среднегодовая температура воздуха составляет 13,5 ° C, годовая суммарная температура выше 0 ° C составляет 5070,2 ° C, продолжительность солнечного сияния в год составляет 2497 часов, безморозный период составляет 220 дней, количество осадков составляет 580 мм, а потенциальное испарение (измерено с 20-сантиметровая чаша) составляет 2000 мм на основе средних данных о погоде за 50 лет, собранных на метеостанции Синьсян в непосредственной близости от экспериментальной площадки.Уровень грунтовых вод выше 8 м. Почва представляет собой супесчаный суглинок со средней насыпной плотностью 1,38 г / см ^-3 , средней полевой емкостью 24% (гравитационное содержание) и средней постоянной точкой увядания 8% (гравитационное содержание) в профиле 0–100 см. . В теплице содержание органического вещества почвы, общего азота и фосфора и доступных N, P и K составляло 18,85 г кг ^-1 , 1,10 и 2,22 г кг ^-1 и 15,61, 72,0 и 101 мг кг ^{— 1} соответственно. Неотапливаемая пластиковая теплица имела ориентацию восток-запад и пассивно вентилировалась.

растения томата ( Licopersicum esculetum L., Jindin № 1, местный сорт). Семена томатов были посажены 15 декабря, и эксперимент был начат с использованием 10-недельных трансплантатов. Цилиндрические железные горшки, использованные в эксперименте, состояли из внутренних горшков (диаметр 29,5 см, глубина 38 см) и внешних горшков (диаметр 31,0 см, глубина 38 см). Наружные горшки были заделаны на глубине 33 см под землей (т.е. край горшка располагался на 5 см над землей), а внутренние горшки были помещены во внешние горшки, что было удобно для взвешивания внутренних горшков.На дно внутреннего горшка помещался слой песка (толщиной 5 см), который использовался в качестве фильтрующего слоя для регулирования состояния почвенной воды и воздуха. Две перфорированные пластиковые трубки (внутренний диаметр 3 см) были завернуты в марлю и помещены по бокам каждого горшка для подачи воды или слива. Грунт во внутренних горшках был слегка утрамбован до насыпной плотности 1,25 г / см ^-3 . Уплотненная почва имела полевую продуктивность (FC) 24% (в пересчете на массу), содержание органического вещества 9,30 г / кг ^-1 , общее содержание N 0.98 г кг ^-1 , и доступное в почве содержание азота, фосфора и калия 44,02, 6,2 и 112 мг кг ^-1 , соответственно. Сложное удобрение (20 г; N: P: K = 15:15:15) добавляли в каждый горшок в качестве основного удобрения для обеспечения достаточного количества питательных веществ в течение экспериментального периода. Растения томатов пересаживали во внутренние горшки (одно растение / горшок), заполненные суглинком.

Обработка орошения и экспериментальный дизайн

Для горшков использовался двухфакторный рандомизированный блочный дизайн.Фактор водоподготовки содержал три уровня относительного содержания влаги в почве (SWC): 70–80% FC (влагоемкость поля), 60–70% FC и 50–60% FC, что представляет собой хорошо поливную, слегка недостаточную поливную и умеренно дефицитную. поливал соответственно. Вторым фактором были различные фенологические стадии растения, то есть стадии прорастания, цветения и сбора урожая. Всего было повторено 9 обработок 3 раза, что дало 27 горшков. Горшки ежедневно взвешивали на электронных весах.Все обработки получали поливную воду в соответствии с заданными уровнями (т.е. когда относительное содержание воды в почве опускалось ниже заданного нижнего предела, оно пополнялось до заданного верхнего предела) для каждой фенологической стадии, тогда как все растения хорошо орошались во время других этапов. Общий объем воды, нанесенной во время экспериментального цикла, измеряли с помощью мерного цилиндра. Эвапотранспирацию определяли методом водного баланса.

Чтобы исследовать динамику изменения диаметра стебля томата и его связь с содержанием влаги в почве во время цикла сушки (от FC до точки увядания), одновременно был проведен эксперимент в сушильном горшке.Этот эксперимент состоял из 8 горшков; 4 горшка использовались для прикрепления датчиков диаметра стержня для измерения вариации диаметра стержня (SDV), а остальные 4 горшка использовались для мониторинга изменений содержания влаги в почве методом взвешивания. Верхняя поверхность почвы в горшках была покрыта пластиковым листом для предотвращения испарения. Перед началом цикла сушки горшки полностью орошали ранним вечером, и на следующий день утром измеряли относительное содержание влаги в почве (SWC) (методом сушки в печи). Позже набор из 4 горшков взвешивался каждое утро и вечер для определения потери воды каждый день.Ежедневный SWC рассчитывался по средним значениям утра и вечера. Когда предрассветный водный потенциал листьев резко снижался и достигал точки увядания, цикл сушки останавливали, и горшки хорошо орошали объемом воды, эквивалентным 100% FC. Через несколько дней после восстановления снова начали сушку растений.

Измерения и методы

Ежедневные метеорологические данные, включая температуру воздуха (T _a ), относительную влажность (RH) и солнечную радиацию (Rs), регистрировались автоматической метеорологической станцией, расположенной в теплице, а дефицит атмосферного давления пара (VPD) рассчитывался из данные T _a и относительной влажности (Таблица 1).

Таблица 1. Среднесуточные значения основных метеорологических факторов, включая температуру воздуха ( T _a ), относительную влажность ( RH ), солнечную радиацию ( Rs ) и дефицит давления пара ( VPD ) во время период с 8 по 15 апреля и с 8 по 15 июня 2012/2013 в теплице.

https://doi.org/10.1371/journal.pone.0171423.t001

SDV непрерывно измеряли у трех растений на обработку в разных повторяющихся горшках на протяжении всего экспериментального периода с использованием набора линейных датчиков переменного смещения (LVDT) ( модель DF ± 2.5 мм, точность ± 10 мкм, Solartron Metrology, Богнор-Реджис, Великобритания) на держателях из алюминия и «инвара» (сплава железа и никеля) с минимальным тепловым расширением. Датчики были прикреплены к основному стеблю отобранных растений томата на высоте примерно 10–15 см над уровнем земли. Точка контакта датчика соприкасалась с поверхностью стержня, для чего использовалась пружина и цианоакрилатный клей. Датчики были подключены к регистратору данных (модель CR10 X с мультиплексором AM416, Campbell Scientific, Логан, Юта, США), запрограммированному на автоматическое сканирование выходных сигналов датчиков каждые 10 секунд и сохранение средних значений каждые 30 минут.Регистратор данных был снабжен системой передачи данных на компьютер. В течение всего экспериментального периода датчики сбрасывались с интервалом в 3 дня (во время стадии активного роста) или 5 дней (во время стадии неактивного роста).

Следующие показатели были получены на основе непрерывных измерений изменения диаметра стержня: максимальный суточный диаметр стержня (MXSD), минимальный суточный диаметр стержня (MNSD), максимальная суточная усадка стержня (MDS) (то есть разница между MXSD и MNSD) [ 21], и суточное изменение диаметра ствола в 06:00 (SD ₆ ) (разница между значением диаметра ствола, измеренным в 06:00).Суточные скорости роста диаметра ствола (SGR) были рассчитаны с использованием значений MXSD, измеренных в течение двух последовательных дней.

Горшки взвешивали ежедневно с использованием электронных весов для контроля влажности почвы, необходимой для обработки. Влажность почвы определяли гравиметрическим методом. Потенциал воды в листьях (ψ _L ) измерялся периодически (примерно каждый час) на недавно полностью распустившихся листьях с восточной и западной сторон растений, на которых были размещены датчики LVDT; сообщалось среднее значение для двух образцов.Ψ _L был измерен в середине утра с использованием барокамеры (модель ZLZ-4). Относительное содержание воды в листьях (соотношение между фактическим содержанием воды и содержанием воды в пухлых листьях, определенным после регидратации, LRWC) измеряли сушкой в ​​печи и взвешиванием. Все измерения растений проводились в одно и то же время в ясных условиях (с 08:00 до 18:00).

Статистический анализ

Все данные представлены как средние. Статистический анализ проводился с использованием Excel 2007 и DPS v 7.05. Различия между обработками исследовали с помощью теста ANOVA. Если статистически значимые различия (P <0,05) были обнаружены с помощью дисперсионного анализа, многократное сравнение средних значений выполнялось с использованием метода Дункана. Регрессионный анализ был проведен для установления уравнения множественной регрессии между MDS и переменными окружающей среды, а корреляционный анализ был использован для определения корреляций между индексами, полученными из SDV, SWC, метеорологическими факторами и другими показателями состояния воды на основе растений.Различия считались значимыми, когда P <0,05 (обозначено * в таблицах и на рисунках), и чрезвычайно значимыми, когда P <0,01 (обозначено ** в таблицах и на рисунках). Excel 2007 использовался для создания иллюстраций, а Photoshop CS3 версии 10.1 использовался для дальнейшей компиляции.

Результаты

Динамика изменения диаметра стержня за один цикл сушки

На рис. 1 показана динамика изменения диаметра стержня (SDV) в цикле сушки. Диаметр стебля у растения томата характеризовался типичным изменением 24-часового цикла с колебаниями «зубчатой ​​формы» во время цикла сушки (с 22.06.2011 по 30.06.2011).Во все солнечные дни диаметр стебля днем ​​уменьшался, а ночью возвращался к исходному размеру. Однако с уменьшением доступности почвенной воды ранее сморщенный стебель не мог полностью вернуться к своему первоначальному размеру в ночное время. При снижении влажности почвы до 50–60% FC величина суточного прироста диаметра стебля была отрицательной. Подобные результаты наблюдались и с фруктовыми деревьями. Эти результаты показали, что SDV был чувствителен к изменениям водного статуса растений.

Наблюдались явные суточные колебания диаметра ствола из-за факторов окружающей среды, таких как солнечная радиация (Rs) и дефицит давления паров воздуха (VPD). В типичном дневном цикле SDV в летние дни были отмечены три отдельные фазы, как сообщалось в предыдущих исследованиях SDV на деревьях [34–36]. На рисунке 1 показаны эти три фазы, а именно фаза усадки, определяемая как период, в течение которого диаметр ствола уменьшался, обычно с 06:00 до 08:00 часов утра, увеличение поступающей солнечной радиации, вызванное увеличением транспирации, как следствие. , водный потенциал листа и тургор клеток снизились, что, в свою очередь, привело к уменьшению диаметра стебля, постепенно достигая суточного минимального диаметра стебля (MNSD) до 14: 00–16: 00 ч; фаза восстановления, определяемая как часть цикла, во время которой диаметр ствола начал увеличиваться с уменьшением солнечной радиации и VPD примерно до 06:00 следующего утра, когда он достиг значения, зарегистрированного на этом утреннем максимуме; и фаза приращения, определяемая как период, в течение которого диаметр стержня продолжал увеличиваться, пока не достигал суточного максимального значения диаметра стержня (MXSD).Затем начинается фаза усадки следующего суточного цикла. Однако, как правило, когда растение испытывало серьезный дефицит воды, стебель не подвергался фазе прироста, а значения суточного прироста (DG) были даже отрицательными.

Влияние моделей роста стеблей на индексы, полученные из SDV, как индикатор дефицита воды

Динамика MDS во время фазы цветков и плодов (фаза быстрого вегетативного роста) при трех водных обработках показана на рис. 2А. Не было устойчивых статистически значимых различий (P> 0.05, LSD) в значениях MDS. Были большие колебания между растениями, орошаемыми разным количеством воды; временами MDS у хорошо поливаемых растений был выше, чем у растений с дефицитом воды, а в других случаях наблюдалась обратная картина. Неясно, что вызвало несоответствия в MDS во время быстрого вегетативного роста. Вполне вероятно, что естественный рост диаметра стебля сыграл роль, то есть более высокие темпы роста могли скрыть связанные с водой различия в MDS между растениями, поливаемыми разным количеством воды.Похоже, что MDS не может использоваться в качестве индикатора состояния воды в растениях на стадии цветков и плодов.

Рис. 2. Динамика максимальной суточной усадки (МДС) диаметра стебля при различной схеме роста.

Динамика МДС на стадии быстрого вегетативного роста растения томата с 8 по 15 апреля 2012 г. (а) и динамика МДС на стадии сбора урожая томата с 8 по 15 июня 2012 г. (б) при различных водных режимах (светлые треугольники) △: 50–60% FC; белые кружки ○: 60–70% FC; черные кружки ●: 70–80% FC).Каждая точка представляет собой среднее значение трех измерений. Звездочки ** указывают на статистически значимые различия между обработками LSD _0,01 . Вертикальные полосы соответствуют стандартной ошибке наблюдений.

https://doi.org/10.1371/journal.pone.0171423.g002

Динамика MDS по диаметру стебля в течение 9 дней подряд при уборке урожая (т.е. на стадии медленного вегетативного роста) томатов при различных водных режимах в теплице показаны на фиг. 2В.Устойчивые и статистически значимые различия (P <0,01) в MDS с некоторыми колебаниями между растениями, поливаемыми разными количествами, наблюдались у медленнорастущих зрелых растений. В обработках 50–60% FC (умеренно недостаточное орошение) и 60–70% FC (слегка дефицитное орошение) значения MDS оставались относительно постоянными в диапазоне 0,11–0,15 мм и 0,04–0,09 мм, соответственно, с соответствующим средним значением. значения в 6,75 и 3,25 раза больше, чем при обработке 70–80% FC (хорошо поливные растения).В это время значения MDS у растений 70–80% FC составляли в основном 0,00–0,04 мм. Регрессионный анализ показал, что MDS был тесно связан с SWC (R ² из 0,9333; p <0,01), то есть MDS в диаметре стержня увеличивался с уменьшением SWC. Эти результаты предполагают, что MDS можно использовать в качестве индикатора состояния воды для растений на стадии сбора урожая (стадия медленного вегетативного роста) растений томата.

Различия в суточном изменении диаметра ствола, измеренного в 06:00 (SD ₆ ) (т.е., разница между значением диаметра ствола в 06:00 утра и начальным показанием датчика) между обработками воды была постоянной и статистически значимой (p <0,01). Регрессионный анализ показал сильную квадратичную взаимосвязь с коэффициентом детерминации (R ² ) 0,9091 (p <0,01) между SD ₆ и относительным содержанием воды в почве (SWC) в диаметре стебля на стадиях быстрого роста (рис. 3). Таким образом, SD ₆ можно использовать в качестве чувствительного индикатора состояния воды у растений томата во время быстрого роста диаметра стебля.SD ₆ эффективно отразил естественное увеличение диаметра ствола и его способность восстанавливать после усадки в различных условиях воды. SD ₆ практически не пострадал от климатических факторов, таких как солнечная радиация (R _s ), дефицит давления пара (VPD) и относительная влажность (RH), но на него повлияла температура воздуха (T) (Таблица 2).

Рис. 3. Связь между дифференциалом вариации диаметра стебля в 06:00 (SD ₆ ) и относительным содержанием влаги в почве (SWC) во время стадии быстрого роста растения томата в теплице.

Уравнение корреляции: y = -2,0721x ² + 4,0684x-1,8121; коэффициент детерминации (R ² ) = 0,9091. Данные были собраны с 8 апреля по 6 мая.

https://doi.org/10.1371/journal.pone.0171423.g003

Связь между индексами, полученными из SDV, и относительной влажностью почвы

Регрессионный анализ был использован для установления взаимосвязи между SD ₆ и MDS и SWC (показано в таблице 3). Зависимости были линейными с коэффициентами детерминации (R ² ), равными 0.9091 и 0,9853 для SD ₆ и SWC, а также MDS и SWC соответственно. Эти отношения были статистически значимыми (P <0,01), что указывает на то, что индексы, полученные из SDV, могут чутко реагировать на SWC. Различные пороговые значения степени дефицита воды в почве, определенные предыдущим исследованием [37], были подставлены в соответствующие уравнения, а пороговые значения SD ₆ и MDS для определения водного статуса растений представлены в таблице 4. В солнечные дни эти пороговые значения можно использовать в качестве показателей для автоматического планирования полива растений томатов.

Связь между SDV и метеорологическими переменными и его эталонное уравнение

Усадка стебля отражает перераспределение запасов воды из-за изменения градиентов водного потенциала и различных сопротивлений потоку воды внутри растения. Поскольку растения расположены в середине континуума почва-растение-атмосфера, любое измерение водного статуса растений, если оно проводится в солнечные часы, будет зависеть от содержания воды в почве, а также от условий окружающей среды.Следовательно, прежде чем индикаторы состояния воды на основе растений можно будет использовать для планирования полива, необходимо получить эталонное значение для растений в неограничивающих условиях почвенной воды.

Результаты регрессионного анализа между MDS для хорошо поливаемых (70–80% FC, неограничивающие условия почвенной воды) зрелых растений и переменных окружающей среды представлены в таблице 5. MDS достоверно (P <0,01) коррелировал с Rs. , VPD, RH, APR и AP (r ² = 0,3024, 0,8297, 0,7656, 0,3239 и 0.5750 соответственно). Эти результаты показали, что VPD был преобладающим фактором, влияющим на MDS, за которым следовал RH. Уравнение множественной регрессии было получено между MDS и переменными окружающей среды (VPD, RH, Rs, APR и AP), которые можно использовать для установления контрольного значения для обнаружения водного стресса растений на основе моделей MDS.

Результат F-теста показал, что уравнение регрессии с коэффициентом детерминации (R ² ) 0,9557 было статистически значимым (P <0.01). Относительная ошибка между рассчитанными и измеренными значениями MDS находилась в диапазоне ± 0,06–5,80%. Тем не менее, не было значительных различий между рассчитанными и измеренными значениями MDS, но была статистически значимая линейная связь с коэффициентом детерминации (R ² ) 0,9130 (P <0,01) между значениями MDS, рассчитанными по справочному уравнению, и фактическими. измеренные значения MDS (рис. 4). Следовательно, уравнение регрессии можно использовать для оценки эталонных значений MDS у растений томата в неограничивающих водных условиях почвы.При диагностике водного статуса растений на основе индексов, полученных из SDV, подходящий подход состоит в том, чтобы связать фактические значения MDS для данной обработки с эталонными значениями MDS, полученными для хорошо орошаемых растений на том же участке. Фактическое соотношение MDS / эталонного MDS и / или абсолютные различия между фактическим и эталонным MDS затем можно использовать в качестве индикатора состояния воды в растении для планирования полива.

Рис. 4. Корреляция между значениями MDS, рассчитанными по эталонному уравнению, и фактическими измеренными значениями MDS.

Уравнение корреляции: y = -0,9133x ² + 0,0142x-1,8121; коэффициент детерминации (R ² ) = 0,9133.

https://doi.org/10.1371/journal.pone.0171423.g004

Взаимосвязь между SDV и другими индикаторами состояния воды на основе растений

Результаты экспериментов показали линейную зависимость между SDV (указанным значением диаметра стебля) и потенциалом воды в листьях (ψ _L ) с использованием объединенных наборов данных для трех обработок воды (рис. 5A).Эта линейная зависимость была статистически значимой (P <0,01) и имела коэффициент детерминации (R ² ) 0,751. Связь между SDV и относительным содержанием воды в листьях (LRWC) (рис. 5B) была аналогичной из-за тесной взаимосвязи между LRWC и ψ _L ; коэффициент детерминации (R ² ) 0,751 был статистически значимым (P <0,01).

Рис. 5.

Взаимосвязь между вариацией диаметра стебля (SDV) и потенциалом воды в листьях (a), и относительным содержанием воды в листьях (b). Уравнения корреляции: y = -20,339x-39,918 и y = 24,004x + 50,489 соответственно; коэффициенты детерминации (R ² ) равны 0,7517 и 0,9312 соответственно. Данные были за сезон 2011/2012.

https://doi.org/10.1371/journal.pone.0171423.g005

Обсуждение

Наблюдались очевидные различия в величине усадки и набухания диаметра стебля в зависимости от условий воды в почве, которые проявляли различные характеристики в зависимости от фенологической стадии.Во время фазы вегетативного роста и периодов быстрого роста стебля реакция роста диаметра стебля на водный статус растений была более очевидной по сравнению с MDS между водными обработками, в то время как было несколько заметных различий в суточном увеличении диаметра (DI). Вероятно, что у этих растений рост MDS может больше зависеть от уровня водного дефицита. В условиях обильного полива диаметр стебля быстро увеличивался, таким образом, значение DI было выше, в то время как в условиях дефицита воды диаметр стебля увеличивался медленно, а значение DI было ниже или даже отрицательным.Подобные результаты наблюдались на молодых персиках [21], оливковых [38], лимонных [39] и миндальных [19] деревьях. Однако у зрелых растений и в периоды медленного / незначительного роста значения MDS у хорошо поливаемых растений были ниже, и диаметр стебля быстро восстанавливался, тогда как значения MDS у растений с дефицитом воды были выше, а диаметры стебля восстанавливались медленно или не восстанавливались. в состоянии восстановить. Тот факт, что SDV характеризовался более высоким DI у быстрорастущих молодых растений по сравнению с более высоким MDS у зрелых растений с небольшим ростом стебля, обеспечил важную основу для определения подходящих индикаторов, полученных из SDV, для определения водного статуса растений в томатах.

Многие исследователи во всем мире давно ищут полезные индикаторы, основанные на изменениях диаметра стебля и их пороговых значениях в зависимости от состояния воды в растениях для планирования полива. Стато и Хасегава [40] продемонстрировали, что соотношение между относительным соотношением диаметра стебля (RSD) и содержанием влаги в почве (SWC) было значительным для парниковых дынь, и что RSD ниже порогового значения можно было использовать в качестве индикатора для начала полива. ; однако определить критическое значение индикатора сложно из-за изменений RSD со временем в течение одного дня.Ли Бён Ву и Шин [41] использовали суточное увеличение диаметра (DI) (то есть разницу между диаметром стебля, измеренным в 6:00 утра в два последовательных дня) в качестве индикатора полива томатов и определили DI = 0 как пороговое значение для начала полива. DI тесно связан со стадиями роста. В период вегетативного роста диаметр стебля быстро увеличивается, что приводит к значительным различиям в значениях DI, которые соответствуют различным условиям воды. Возможно, будет целесообразно использовать DI в качестве индикатора для начала полива.В период репродуктивного роста диаметр стебля увеличивается медленно или может полностью прекратиться, что приводит к аналогичным значениям DI в разных условиях воды. В результате невозможно использовать DI в качестве индикатора для начала полива на стадиях репродуктивного роста. Gallardo et al. [42] обнаружили, что соотношение максимальной суточной усадки (MDS) и дефицита давления паров воздуха (VPD) сохраняло относительную стабильность в периоды без водного стресса, и что соотношение MDS / VPD значительно увеличивалось при водном стрессе.Следовательно, кажется более разумным использовать соотношение MDS / VPD в качестве индикатора, который позволяет количественно оценить влияние VPD на изменения диаметра ствола. Однако Gallardo et al. [42] не учитывали корреляцию между изменениями диаметра стебля и стадиями роста, что привело к ненадежной диагностике водного статуса растений. Основываясь на исследованиях, упомянутых выше, в этой статье проанализировано и доказано, что суточные колебания диаметра стебля, измеренные в 06:00 (SD ₆ ), дают зависимость квадратичной кривой, которая близко приближается к относительному содержанию воды в почве на стадиях быстрого вегетативного роста томатов. , тогда как на стадиях медленного вегетативного роста MDS в значительной степени зависел от относительного содержания влаги в почве.В результате более практическое значение имеет выбор различных индексов, полученных из SDV, в качестве ключевых индикаторов для планирования орошения в соответствии с различными моделями роста диаметра ствола.

Интенсивность сигнала (т.е. соотношение фактического значения MDS / эталонного значения MDS), предложенная Голдхамером и Ферересом [21] для оценки и сравнения чувствительности индикаторов для определения дефицита воды в растениях, широко использовалась для древесных пород [35, 43, 44 ]. Однако этот подход имеет ограниченное применение в томате; это было неприемлемо, когда член знаменателя был близок к нулю или был отрицательным.В нашем исследовании отношение имело более высокие значения коэффициента вариации (CV) по сравнению с абсолютными различиями: значения CV составляли 62–68% для отношения по сравнению с 14–37% для абсолютных различий. Таким образом, использование абсолютных различий между фактическими и эталонными значениями MDS для контрольных растений при неограничивающих водных условиях почвы предлагается в качестве подхода для определения водного статуса растений томата. Например, абсолютная разница между фактическими значениями MDS для растений с 60–70% FC (с небольшим дефицитом полива) и эталонными значениями MDS для растений с 70–80% FC (с хорошим поливом) находилась в диапазоне 0.03–0,08 мм (рис. 2B), что указывает на небольшой дефицит воды у растений томата и абсолютные различия между фактическими значениями MDS для растений с 50–60% FC (полив умеренного дефицита) и эталонными значениями MDS из 70–80% FC растений находились в диапазоне 0,10–0,14 мм, что указывает на умеренный дефицит воды у растений томата. Этот метод может привести к большей сложности управления (например, к разным графикам полива на одних и тех же участках) по сравнению с использованием контрольных линий, а также к увеличению инвестиционных затрат (например,г., большее количество датчиков). Однако в масштабе участка в теплице растения, используемые в качестве эталона, можно «лучше орошать» путем увеличения количества капельниц или их расхода, без необходимости использования других участков для орошения. Лучшим вариантом будет разработка динамических имитационных моделей, которые оценивают исходные значения MDS в соответствии с различными репрезентативными типами климатических лет.

Стратегии дефицитного орошения и точного орошения необходимы в засушливых и полузасушливых районах, где не хватает воды.Традиционно решения по графику орошения часто основываются на определении содержания влаги в почве или напряженности влажности почвы. Однако локальные измерения водного статуса почвы имеют тот недостаток, что они не дают прямой информации о водных потребностях растений [45]. По этой причине использование индикаторов состояния воды на основе растений стало очень популярным в последние годы для изучения отношений между растениями и водой и для планирования более точных программ орошения, поскольку признано, что само растение является лучшим индикатором состояния воды. , а определение показателей водного стресса на основе растений обеспечивает оптимальное орошение и, следовательно, высокоэффективное использование дефицитных водных ресурсов во всем мире [46].Поскольку водный статус растений контролирует многие физиологические процессы и урожайность сельскохозяйственных культур, эта информация может быть очень полезна при планировании полива [21, 47]. В частности, в условиях недостаточного орошения постоянный контроль состояния воды для растений имеет решающее значение для предотвращения того, чтобы умеренный, потенциально полезный, водный стресс не стал слишком серьезным и закончился снижением урожайности [48, 49].

В настоящее время доступно несколько методов, таких как потенциал воды в листьях, потенциал воды в стеблях, диффузия пара и относительное содержание воды в листьях для мониторинга состояния воды в растениях.Однако эти методы мониторинга состояния воды в растениях не могут быть легко автоматизированы и требуют разрушения растительных тканей, и все они обеспечивают периодические и локализованные измерения, а не непрерывный и неразрушающий мониторинг состояния воды в растениях, что могло ограничить внедрение этих методов для расчета требования к орошению больших площадей сельскохозяйственных угодий. Напротив, мониторинг состояния воды растений на основе индексов, полученных из SDV, имеет преимущества простого, надежного, чувствительного, неразрушающего и непрерывного сбора и передачи данных в течение всего поливного сезона [50, 51, 52], а затем может быть используется в качестве показателей для автоматизированного планирования полива томатов.Это позволяет планировать автоматический полив на основе показателей воды на основе растений, а не на основе оценок климатических факторов или содержания влаги в почве.

Существует множество факторов, которые могут повлиять на производные индексы SDV, такие как факторы окружающей среды (например, доступность почвенной воды, Rs и VPD) и биологические факторы (например, виды сельскохозяйственных культур, фенологический период, возраст растений и нагрузка на растения). ), что предполагает, что вариации диаметра стебля следует рассматривать в контексте водного баланса, а также углеродного баланса растений.Более того, тот или иной индикатор не может быть пригоден только для диагностики водного статуса растений; необходимо тщательно изучить влияние других связанных аспектов на индикаторы, полученные из SDV, особенно динамические имитационные модели, которые оценивают исходные значения MDS при изменении климатических переменных. Многофакторное эталонное уравнение, установленное в этой работе, было всего лишь попыткой, которую необходимо было протестировать и улучшить в будущих исследованиях и разработке протоколов планирования полива для томатов.

Примечательно также, что этот эксперимент проводился в чугунных горшках. При этом цель заключалась в том, чтобы легко и точно поддерживать влажность почвы в установленных пределах оросительной обработки во время экспериментального цикла. Тем не менее, вероятно, что рост корней в горшках был ограничен. Хотя во время эксперимента были приняты методы строгого контроля, в текущих результатах, полученных в экспериментах с горшечными культурами, были некоторые ограничения по сравнению с результатами, полученными в полевых экспериментах.

Выводы

Наше исследование с томатом показало, что суточные колебания диаметра стебля, измеренные в 06:00 (SD ₆ ), были тесно связаны с относительным содержанием влаги в почве (R ² = 0,9091, p <0,01) во время быстрой вегетации. стадии роста, тогда как во время стадии медленного вегетативного роста максимальная суточная усадка (MDS) была тесно связана с относительной влажностью почвы (R ² = 0,9333, p <0,01). Пороговое значение SD ₆ и MDS для различных уровней дефицита воды в почве может быть определено уравнениями взаимосвязи между SD ₆ и MDS и относительным содержанием влаги в почве (SWC).Эти пороговые значения можно использовать в качестве показателей планирования автоматического полива томатов.

Благодарности

Мы благодарим Jingsheng Sun за предоставленные условия для экспериментов. Мы признательны Цзияну Чжану, Джинглей Вану, Ян Гао и Сяоцзюню Шену за бесценные обсуждения; Yiming Wang, Xiaoyi Ma, Zhengying Wei, Xingke Fan и др. за предоставление существенного понимания этого исследования; Сяо Чангу и Юю Чжану за помощь в проведении экспериментов. Мы очень признательны команде специалистов по корректуре за услуги по редактированию и копированию.

Вклад авторов

1. Концептуализация: ZJM AWD.
2. Обработка данных: XSW ZGL.
3. Формальный анализ: ZJM HL.
4. Получение финансирования: ZJM AWD.
5. Расследование: ZJM XSW ZGL HL SGG.
6. Методология: ZJM AWD.
7. Администрация проекта: ZJM AWD.
8. Контроль: ZJM AWD.
9. Подтверждение: ZJM XSW HL ZGL.
10. Визуализация: ZJM DLC KBD.
11. Написание — черновик: ZJM.
12. Написание — просмотр и редактирование: ZJM DLC KBD.

Список литературы

1. 1. Katerji N, Itier B, Ferreira I. Etude de quelques crite`res указывает на то, что культура Hydrique d’une de tomate en re’gion semi-aride. Агрономия. 1988; 8: 425–433.
2. 2. Феррейра М.И., Пачеко Калифорния, Валанкогне С., Михаэльсен Дж., Амельо Т., Доде Ф.А.Эвапотранспирация, индикаторы водного стресса и водный баланс почвы в саду Prunus persica в центральной Португалии. Acta Hort. 1997; 449: 379–385.
3. 3. Valancogne C, Dayau S, Ame’glio T, Archer P, Daudet FA, Gama MIF и др. Связь между относительной транспирацией и предрассветным потенциалом воды в листьях у разных видов фруктовых деревьев. Acta Hort. 1997; 449: 423–429.
4. 4. McCutchan H, Shackel KA. Потенциал стебля и воды как чувствительный индикатор водного стресса у черносливых деревьев (Prunus domestica L.резюме. Французский язык). J Am Soc Hort Sci. 1992; 117: 607–611.
5. 5. Наор А., Кляйн И., Хуперт Х, Гринблат Ю., Перес М., Кауфман А. Взаимодействие водного стресса и уровня урожая в зависимости от урожайности нектарина, распределения плодов по размеру и водного потенциала. J Am Soc Hort Sci. 1999; 124: 189–183.
6. 6. Kramer PJ. Водные отношения растений. Academic Press, Нью-Йорк. 1983; 489.
7. 7. Ортуньо М.Ф., Гарсиа-Орельяна Ю., Конехеро В., Перес-Сармьенто Ф., Торресильяс А.Оценка пороговых значений интенсивности сигнала максимальной суточной усадки ствола при дефицитном орошении лимонных деревьев. Управление водными ресурсами в сельском хозяйстве. 2009; 96: 80–86.
8. 8. Сваеф Т.Д., Степь К., Лемер Р. Определение контрольных значений потенциала стволовой воды и максимальной суточной усадки ствола молодых яблонь на основе реакции растений на дефицит воды. Agric. Управление водными ресурсами. 2009; 96: 541–550.
9. 9. Куэвас М.В., Торрес-Руис Дж. М., Альварес Р., Хименес М. Д., Куэрва Дж., Фернандес Дж. Э..Оценка полученных показателей изменения диаметра ствола как индикаторов водного стресса у зрелых оливковых деревьев. Управление водными ресурсами в сельском хозяйстве. 2010; 97: 1293–1302.
10. 10. Мориана А., Хирон И.Ф., Мартин-Паломо М.Дж., Конехеро В., Ортуно М.Ф., Торресильяс А. и др. Новый подход к планированию полива оливковых деревьев с использованием датчиков диаметра ствола. Управление водными ресурсами в сельском хозяйстве. 2010; 97: 1822–1828.
11. 11. Бадал Э., Буэса I, Герра Д., Бонет Л., Феррер П., Интриглиоло Д.С. Максимальная суточная усадка ствола является чувствительным индикатором водного стресса у растений Diospyros kaki (хурма).Управление водными ресурсами в сельском хозяйстве. 2010; 98: 143–147.
12. 12. Ливеллара Н., Сааведра Ф., Сальгадо Э. Индикаторы на основе растений для планирования полива молодых вишневых деревьев. Управление водными ресурсами в сельском хозяйстве. 2011; 98: 684–690.
13. 13. Фернандес Дж. Э., Торрес-Руис Дж. М., Диас-Эспехо А., Монтеро А., Альварес Р., Хименес М. Д. и др. Использование измерений максимального диаметра ствола для определения водного стресса у зрелых оливковых деревьев ‘Arbequina’ при недостаточном орошении. Управление водными ресурсами в сельском хозяйстве.2011; 98, 12: 1813–1821.
14. 14. Конехеро В., Меллишо С.Д., Ортуньо М.Ф., Мориана А., Морено Ф., Торресильяс А. Использование датчиков диаметра ствола для составления расписания регулируемого полива при дефиците раннеспелых персиковых деревьев. Экологическая и экспериментальная ботаника. 2011; 71, 3: 409–415.
15. 15. Хайри Н.М., Шах Ризам МСБ, Наима М.И., Нооритавати М.Т., Хусна З.А. Оценка датчика обнаружения изменений диаметра стержня с использованием тензодатчика различного размера на стержне дендробия. Разработка процедур.2012; 41: 1421–1425.
16. 16. Де ла Роса Дж. М., Конеса М. Р., Доминго Р., Торрес Р., Перес-Пастор А. Возможность использования контрольных линий колебаний диаметра ствола и потенциала стволовой воды для планирования полива ранних нектариновых деревьев. Управление водными ресурсами в сельском хозяйстве. 2013; 126: 133–141.
17. 17. Мориана А., Корелл М., Хирон И.Ф., Конехеро В., Моралес Д., Торресильяс А. и др. Регулируемый дефицитный полив на основе пороговых значений показателей колебаний диаметра ствола столовых оливковых деревьев.Scientia Horticulturae. 2013; 164: 102–111.
18. 18. Ортуньо М.Ф., Аларкон Дж. Дж., Никола Э., Торресильяс А. Сравнение постоянно регистрируемых индикаторов водного стресса на основе растений для молодых лимонных деревьев. Почва растений. 2004; 267: 263–270.
19. 19. Nortes PA, Pe´rez-Pastor A, Egea G, Conejero W., Domingo R. Сравнение изменений диаметра ствола и значений водного потенциала для определения водного стресса у молодых миндальных деревьев. Управление водными ресурсами в сельском хозяйстве. 2005; 77: 296–307.
20. 20. Морено Ф., Конехеро В., Мартин-Паломо М.Дж., Джиро’н И.Ф., Торресильяс А. Контрольные значения максимальной суточной усадки ствола для планирования полива оливковых деревьев. Управление водными ресурсами в сельском хозяйстве. 2006; 84: 290–294.
21. 21. Голдхамер Д.А., Феререс Э. Протоколы планирования полива с использованием непрерывно записываемых измерений диаметра ствола. Irrig Sci. 2001; 20: 115–125.
22. 22. Гольдхамер Д.А., Феререс Э. Планирование орошения миндальных деревьев с помощью датчиков диаметра ствола.Irrig Sci. 2004; 23: 11–19.
23. 23. Ортуньо М.Ф., Аларкон Дж. Дж., Никола Э., Торресильяс А. Колебания сокосного потока и диаметра ствола молодых лимонных деревьев в условиях водного стресса и повторного полива. Экологическая и экспериментальная ботаника. 2005; 54: 155–162.
24. 24. Ортуньо М.Ф., Гарсиа-Орельяна Ю., Конехеро В., Руис-Санчез М.С., Аларкон Дж.Дж., Торресильяс А. Потенциал воды в стеблях и листьях, газообмен, сокодвижение и колебания диаметра ствола для определения водного стресса у лимонных деревьев .Деревья. 2006; 20: 1–8.
25. 25. Ортуньо М.Ф., Гарсиа-Орельяна Й., Конехеро В., Руис-Санчез М.С., Маунзер О., Аларкоин Дж. Дж. И др. Связь между климатическими переменными и сокодвижением, потенциалом стволовой воды и максимальной суточной усадкой ствола лимонных деревьев. Почва растений. 2006; 279: 229–242.
26. 26. Гарсия-Орельяна Й., Руис-Санчес М.С., Аларкон Дж. Дж., Конехеро В., Ортуно М. Ф., Никола Е и др. Предварительная оценка возможности использования максимальной суточной усадки ствола при планировании полива лимонных деревьев.Управление водными ресурсами в сельском хозяйстве. 2007; 89: 167–171.
27. 27. Велес Дж. Э., Интриглиоло Д. С., Кастель Дж. Р. Планирование дефицитного полива цитрусовых деревьев с максимальной суточной усадкой ствола. Управление водными ресурсами в сельском хозяйстве. 2007; 90: 197–204.
28. 28. Чен Л. Х., Медерски Х. Дж., Карри РБ. Влияние водного стресса на фотосинтез и диаметр стебля растений сои. Наука о растениеводстве. 1971; 11, 3: 428
29. 29. Гек М.Г., Клеппер Б. Водные отношения хлопка. II. Непрерывная оценка водного потенциала растений по измерениям диаметра стебля.Агрономический журнал. 1977; 69, 4: 593.
30. 30. Итак, HB. Анализ взаимосвязи между диаметром стебля и водным потенциалом листа. Агрономический журнал. 1979; 71, 4: 675.
31. 31. Yatapanage KG, So HB. Взаимосвязь между водным потенциалом листьев и диаметром стебля у сорго. Агрономический журнал. 2001; 93, 6: 1341.
32. 32. Сваеф Т.Д., Степ К. Связывание вариаций диаметра стебля с сокодвижением, тургором и водным потенциалом томатов. Функциональная биология растений.2010; 37, 5: 429.
33. 33. Макберни Т., Костиган, Пенсильвания. Зависимость диаметра стебля от водного потенциала стеблей молодых растений капусты. Журнал экспериментальной ботаники. 1984; 35, 12: 1787–1793.
34. 34. Ю К.С., Ли Ш., Мэн З.К., Ло Г.Г. Микровариации диаметра ствола четырех разных фруктовых деревьев в условиях водного стресса. Журнал науки о фруктах. 1999; 2: 86–91.
35. 35. Даунс Дж., Бидл С., Уорледж Д. Суточные модели роста стеблей у орошаемых Eucalyptus globulus и E.нитены по отношению к климату. Деревья. 1999; 14: 102–111.
36. 36. Deslauriers A, Morin H, Urbinati C, Carrer M. Ежедневная реакция погоды на увеличение радиуса ствола пихты бальзамической (Abies balsamea (L.) Mill.) По результатам дендрометрического анализа в бореальных лесах Квебека (Канада). Деревья. 2003; 17, 477–484.
37. 37. Юань XK, Ян ZQ, Ли YX, Лю Q, Хан В. Влияние различных уровней водного стресса на фотосинтетические характеристики листьев и активность антиоксидантных ферментов тепличных помидоров.Фотосинтетика. 2015; 53, 2: 1–13.
38. 38. Мориана А., Феререс Э. Индикаторы растений для планирования полива молодых оливковых деревьев. Irrig Sci. 2002; 21: 83–90.
39. 39. Ортуньо М.Ф., Аларкон Дж. Дж., Никола Э., Торресильяс А. Интерпретация изменений диаметра ствола молодых лимонных деревьев при недостаточном орошении. Plant Sci. 2004; 167: 275–280.
40. 40. Stao N, Hasegawa K. Система орошения дыни с компьютерным управлением и датчиком диаметра ствола.Acta Horticulturae. 1995; 226: 91–98.
41. 41. Ли Б.В., Шин Дж. Х. Оптимальная система управления орошением тепличных томатов на основе диаметра стебля и мониторинга транспирации. Сельскохозяйственные информационные технологии в Азии и Океании. 1998; 87–90.
42. 42. Галлардо М, Томпсон РБ, Фернндез Мэриленд. Реакция диаметра стебля на водный стресс у овощных культур, выращиваемых в теплицах. http://biomet.ucdavis.Edu. 2014.
43. 43. Реморини Д., Массаи Р. Сравнение показателей состояния воды для молодых персиковых деревьев.Irrig Sci. 2003; 22: 39–46.
44. 44. Интриглиоло Д.С., Кастель-младший. Непрерывное измерение водного статуса растений и почвы для планирования полива сливы. Irrig Sci. 2004; 23: 93–102.
45. 45. Наор А., Нашиц С., Перес М., Гал Ю. Реакция размера плодов яблони на состояние воды в дереве и нагрузку на урожай. Физиология деревьев. 2008; 28: 1255–1261. pmid: 18519256
46. 46. Стедуто П., Сяо Т.С., Ферререс Э. О консервативном поведении продуктивности воды биомассы.Ирригационная наука. 2007; 25: 189–207.
47. 47. Голдхамер Д.А., Феререс Э., Салинас М. Могут ли миндальные деревья напрямую определять свои потребности в орошении? Калифорния Agric. 2003; 57: 138–144.
48. 48. Доминго Р., Руис-Санчез М.С., Санчес-Бланко М.Дж., Торресильяс А. Водные отношения, рост и урожайность лимонных деревьев Фино при регулируемом дефицитном орошении. Ирриг. Sci. 1996; 16: 115–123.
49. 49. Джонсон Р.С., Хэндли Д.Ф. Использование водного стресса для контроля вегетативного роста и продуктивности фруктовых деревьев умеренного пояса.Hort Sci. 2000; 35: 1048–1050.
50. 50. Гольдхамер Д.А., Феререс Э. Планирование орошения миндальных деревьев с помощью датчиков диаметра ствола. Ирриг. Sci. 2004; 23: 11–19.
51. 51. Наор А. Планирование полива и оценка водного статуса деревьев в лиственных садах. Hortic. Ред. 2006; 32: 111–165.
52. 52. Галлардо М, Томпсон РБ, Вальдес ЛК, Фернандес Мэриленд. Реакция изменения диаметра стебля на водный стресс у овощных культур, выращиваемых в теплицах.Журнал садоводства и биотехнологии. 2006; 81, 3: 483–495.

% PDF-1.6 % 794 0 obj> эндобдж xref 794 227 0000000016 00000 н. 0000007574 00000 н. 0000007710 00000 н. 0000007943 00000 п. 0000007986 00000 п. 0000008114 00000 п. 0000008431 00000 н. 0000009474 00000 н. 0000009534 00000 п. 0000009771 00000 п. 0000010392 00000 п. 0000010446 00000 п. 0000011495 00000 п. 0000011740 00000 п. 0000012779 00000 п. 0000013009 00000 п. 0000025373 00000 п. 0000070459 00000 п. 0000119296 00000 н. 0000168646 00000 н. 0000168906 00000 н. 0000169494 00000 н. 0000169587 00000 н. 0000169679 00000 н. 0000169771 00000 н. 0000169863 00000 н. 0000170039 00000 н. 0000170150 00000 н. 0000170243 00000 н. 0000170335 00000 н. 0000170427 00000 н. 0000170519 00000 н. 0000170695 00000 н. 0000170813 00000 н. 0000170884 00000 н. 0000170962 00000 н. 0000171066 00000 н. 0000171109 00000 н. 0000171319 00000 н. 0000171362 00000 н. 0000171565 00000 н. 0000171608 00000 н. 0000171790 00000 н. 0000171833 00000 н. 0000171997 00000 н. 0000172040 00000 н. 0000172228 00000 н. 0000172271 00000 н. 0000172452 00000 н. 0000172495 00000 н. 0000172679 00000 н. 0000172722 00000 н. 0000172816 00000 н. 0000172859 00000 н. 0000172948 00000 н. 0000172991 00000 н. 0000173082 00000 н. 0000173125 00000 н. 0000173263 00000 н. 0000173385 00000 н. 0000173428 00000 н. 0000173573 00000 н. 0000173671 00000 н. 0000173714 00000 н. 0000173858 00000 н. 0000173995 00000 н. 0000174078 00000 н. 0000174121 00000 н. 0000174212 00000 н. 0000174368 00000 н. 0000174498 00000 н. 0000174541 00000 н. 0000174667 00000 н. 0000174854 00000 н. 0000175022 00000 н. 0000175065 00000 н. 0000175210 00000 н. 0000175353 00000 н. 0000175457 00000 н. 0000175500 00000 н. 0000175602 00000 н. 0000175773 00000 н. 0000175886 00000 н. 0000175929 00000 н. 0000176061 00000 н. 0000176193 00000 н. 0000176277 00000 н. 0000176319 00000 н. 0000176401 00000 н. 0000176490 00000 н. 0000176532 00000 н. 0000176628 00000 н. 0000176670 00000 н. 0000176713 00000 н. 0000176834 00000 н. 0000176877 00000 н. 0000177025 00000 н. 0000177068 00000 н. 0000177110 00000 н. 0000177153 00000 н. 0000177301 00000 н. 0000177344 00000 н. 0000177465 00000 н. 0000177508 00000 н. 0000177628 00000 н. 0000177671 00000 н. 0000177714 00000 н. 0000177757 00000 н. 0000177875 00000 н. 0000177918 00000 н. 0000178043 00000 н. 0000178086 00000 н. 0000178129 00000 н. 0000178172 00000 н. 0000178257 00000 н. 0000178300 00000 н. 0000178390 00000 н. 0000178433 00000 н. 0000178539 00000 н. 0000178582 00000 н. 0000178684 00000 н. 0000178727 00000 н. 0000178770 00000 н. 0000178862 00000 н. 0000178905 00000 н. 0000179058 00000 н. 0000179167 00000 н. 0000179210 00000 н. 0000179297 00000 н. 0000179444 00000 н. 0000179546 00000 н. 0000179589 00000 н. 0000179696 00000 н. 0000179835 00000 н. 0000179933 00000 н. 0000179976 00000 н. 0000180085 00000 н. 0000180216 00000 н. 0000180309 00000 н. 0000180352 00000 н. 0000180446 00000 н. 0000180580 00000 н. 0000180687 00000 н. 0000180730 00000 н. 0000180837 00000 н. 0000180880 00000 н. 0000180923 00000 н. 0000180966 00000 н. 0000181074 00000 н. 0000181117 00000 н. 0000181232 00000 н. 0000181275 00000 н. 0000181375 00000 н. 0000181418 00000 н. 0000181529 00000 н. 0000181572 00000 н. 0000181682 00000 н. 0000181725 00000 н. 0000181768 00000 н. 0000181811 00000 н. 0000181854 00000 н. 0000181897 00000 н. 0000181940 00000 н. 0000181983 00000 н. 0000182082 00000 н. 0000182125 00000 н. 0000182232 00000 н. 0000182275 00000 н. 0000182318 00000 н. 0000182361 00000 н. 0000182466 00000 н. 0000182509 00000 н. 0000182608 00000 н. 0000182651 00000 н. 0000182759 00000 н. 0000182802 00000 н. 0000182845 00000 н. 0000182888 00000 н. 0000182931 00000 н. 0000183050 00000 н. 0000183093 00000 н. 0000183181 00000 н. 0000183290 00000 н. 0000183333 00000 н. 0000183443 00000 н. 0000183486 00000 н. 0000183626 00000 н. 0000183669 00000 н. 0000183785 00000 н. 0000183828 00000 н. 0000183952 00000 н. 0000183995 00000 н. 0000184119 00000 н. 0000184162 00000 н. 0000184275 00000 н. 0000184318 00000 н. 0000184456 00000 н. 0000184499 00000 н. 0000184628 00000 н. 0000184671 00000 н. 0000184800 00000 н. 0000184843 00000 н. 0000184967 00000 н. 0000185010 00000 н. 0000185155 00000 н. 0000185257 00000 н. 0000185300 00000 н. 0000185401 00000 п. 0000185445 00000 н. 0000185582 00000 н. 0000185626 00000 н. 0000185756 00000 н. 0000185800 00000 н. 0000185929 00000 н. 0000185973 00000 п. 0000186086 00000 н.