Efeito do substrato e de diferentes tratamentos pré-germinativos na germinação de sementes de Tento – Ormosia paraensis Ducke (Fabaceae)

16 de março de 2012

mar 16, 2012

Cândida Lahís Mews, Divino Vicente Silvério, Henrique Augusto Mews, Roberta Thays dos Santos Cury

Este estudo objetivou avaliar a eficácia de tratamentos pré-germinativos em diferentes substratos para superar a dormência de sementes de Ormosia paraensis Ducke. Foram avaliados quatro tratamentos prégerminativos: 1) escarificação mecânica, 2) escarificação mecânica e embebição em água, 3) choque térmico, e 4) controle. As sementes tratadas foram plantadas em diferentes substratos: areia, serragem e solo florestal. Em cada substrato foram utilizadas três réplicas de 50 sementes para cada tratamento pré-germinativo (total de 1.800 sementes).

Para verificar possíveis diferenças e interação entre os tratamentos pré-germinativos e os substratos empregou-se uma ANOVA fatorial. Adicionalmente, aplicou-se o teste de Tukey (p<0,05) para comparação de médias. A germinação das sementes não diferiu entre os diversos substratos testados (p>0,05). Os tratamentos com maiores taxas de germinação foram escarificação mecânica (28,4%) e escarificação mecânica com embebição em água (36,4%), que não diferiram entre si, mas foram diferentes dos tratamentos choque térmico (0,02%) e controle (2%) (p<0,05). Os tratamentos de escarificação aumentaram a germinação em 15 vezes e reduziram o tempo médio de germinação (MGT) em mais de 30 dias em comparação ao controle, indicando que a escarificação mecânica constitui um método viável para superação de dormência de sementes de O. paraensis.

Baixar (sujeito à disponibilidade)

Download (subject to availability)

Veja também

See also

The Latent Dirichlet Allocation model with covariates (LDAcov): A case study on the effect of fire on species composition in Amazonian forests

The Latent Dirichlet Allocation model with covariates (LDAcov): A case study on the effect of fire on species composition in Amazonian forests

Understanding and predicting the effect of global change phenomena on biodiversity is challenging given that biodiversity data are highly multivariate, containing information from tens to hundreds of species in any given location and time. The Latent Dirichlet...