برآورد عملکرد پتانسیل برنج و نیاز کودی در استان گیلان با استفاده از سامانه اطلاعات جغرافیایی و مدل سازی گیاه زراعی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 136

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_CRGU-12-1_005

تاریخ نمایه سازی: 26 فروردین 1402

چکیده مقاله:

مقدمه: مدیریت منطقی در استفاده بهینه از منابع کود که اساسا تجدیدناپذیر هستند و در صورت استفاده بدون پایه علمی می­توانند تاثیرات زیست­محیطی زیادی داشته باشند، بسیار مهم است. ابزارهای تصمیم­گیری علمی محدودی جهت کاربرد منابع کود وجود دارد. نرم­افزار FertiliCalc-Fertigate برنامه­ای جهت محاسبه میزان مصرف کودهای NPK در طول فصل رشد به­صورت مقرون به­صرفه و پایدار است. امروزه سامانه اطلاعات جغرافیایی در برنامه ریزی مکانی با تعیین پراکنش پدیده­ها و روی هم­گذاری نقشه ها و تفسیر داده های بوم شناختی، در مراحل مختلف برنامه­ریزی کاربرد گسترده­ای دارد. همچنین پتانسیل عملکرد در یک منطقه را می­توان با استفاده از آزمایش­های میدانی و مدل­های شبیه­سازی برآورد کرد. مدل ORYZA۲۰۰۰، یکی از مدل های کارآمد در بررسی پتانسیل عملکرد برنج است که رشد و نمو گیاه برنج را در شرایط مطلوب، محدودیت آبی و محدودیت نیتروژن شبیه سازی می کند. در این مطالعه سعی شد تا با تلفیق مدل ORYZA۲۰۰۰ و سامانه اطلاعات جغرافیایی (GIS)، عملکرد پتانسیل در سطح استان گیلان برآورد شود. همچنین پس از تعیین عملکرد پتانسیل، میزان نیاز کودهای NPK نیز با استفاده از نرم­افزار FertiliCalc-Fertigate برآورد شد.مواد و روش­ ها: این پژوهش به­منظور بررسی عملکرد پتانسیل برنج در سطح استان گیلان با استفاده از مدل ORYZA۲۰۰۰ صورت گرفت. پس از واسنجی و اعتبارسنجی مدل در سطح آزمایش مزرعه، از این مدل جهت ارزیابی عملکرد پتانسیل برنج در ۱۲ ایستگاه­ همدیدی استان گیلان استفاده شد. از پردازش تصاویر ماهواره لندست ۸ جهت تفکیک مزارع برنج استان گیلان استفاده و محدوده مورد مطالعه با استفاده از طبقه­بندی نظارت­شده جدا شد. برآورد عملکرد پتانسیل در سطح استان گیلان با تلفیق محیط GIS و مدل ORYZA۲۰۰۰ صورت گرفت. میزان تابش برای کل حوزه از تابعPoints Solar Radiation  در GIS محاسبه شد. سپس از رابطه بین مقدار تابش رسیده طی فصل رشد برنج و عملکرد پتانسیل برآورد شده در مدل ORYZA۲۰۰۰، عملکرد پتانسیل محاسبه و بر مبنای کاربری زراعی استان گیلان به کل سطح تعمیم داده شد. نیاز کودی زمین­ها با استفاده از نرم­افزار FertiliCalc-Fertigate ۱.۰ محاسبه شد. جهت بررسی نیاز کودی در سطح استان، ابتدا تعداد ۳۲۰ نقطه در سطح محدوده کشت برنج استان به­صورت تصادفی انتخاب و در هر نقطه بر اساس اطلاعات مورد نیاز از جمله میزان عملکرد پتانسیل و اطلاعات خاک، نیاز کودی هر نقطه تعیین شد. سپس درون­یابی نقاط صورت گرفت و نتایج مطالعه به صورت نقشه­های نیاز کودی ارایه شد.یافته­ های تحقیق: نتایج این مطالعه نشان داد که میزان تابش مزارع برنج طی فصل رشد در منطقه گیلان از ۲۵۵۲ تا ۶۲۵۹ (به طور میانگین ۴۴۰۵ مگاژول بر مترمربع) در سال ۱۳۹۵ و از ۲۴۲۳ تا ۵۳۳۷ (به طور میانگین ۳۸۸۰ مگاژول بر مترمربع) در سال ۱۳۹۶ بود. کم­ترین میزان تابش دریافتی در مناطق مرکزی حوزه بود که دلیل آن می تواند شرایط توپوگرافی منطقه باشد. با استفاده از رابطه رگرسیونی بین تابش رسیده طی فصل رشد و میزان عملکرد پتانسیل، نقشه عملکرد پتانسیل مزارع برنج تهیه شد. بر اساس نتایج، عملکرد پتانسیل در مزارع برنج استان گیلان در سال ۱۳۹۵ بین ۴۴۱۶ تا ۷۰۳۸ کیلوگرم در هکتار (با میانگین ۵۱۶۰ کیلوگرم در هکتار) و در سال ۱۳۹۶ بین ۴۵۵۸ تا ۷۱۸۰ کیلوگرم در هکتار (با میانگین عملکرد ۵۳۰۲ کیلوگرم در هکتار) متغیر بود. نتایج این مطالعه نشان داد که رهیافت تلفیق مدل ORYZA۲۰۰۰ و GIS از توانایی مناسبی برای شبیه­سازی عملکرد پتانسیل در منطقه مورد مطالعه برخوردار است. بررسی سطوح نیاز کودی در زمین­های برنج استان گیلان نیز نشان داد که جهت دستیابی به عملکرد پتانسیل، مصرف ۲۶۲ تا ۲۷۴ کیلوگرم در هکتار کود پتاسیم، ۱۱۶ تا ۱۷۱ کیلوگرم در هکتار کود نیتروژن و ۸ تا ۱۲ کیلوگرم در هکتار کود فسفر نیاز است. همچنین، بر اساس نیازهای کودی محاسبه شده در این مطالعه، پتاسیم مهم­ترین نقش را جهت دستیابی به عملکرد پتانسیل برنج در سطح استان گیلان داشت.نتیجه ­گیری: به ­نظر می­رسد در بسیاری از مناطق استان گیلان، کاربرد کودهای NPK در مقدار و زمان نامناسب سبب کاهش عملکرد برنج می­شود. نتایج این تحقیق می­تواند الگوی مصرف مناسب کود را مشخص کند تا از طریق کارشناسان برنج به کشاورزان توصیه و ضمن دستیابی به حداکثر عملکرد برنج، از مشکلاتی چون آبشویی فسفر در اثر مصرف بیش از حد آن خودداری شود.

نویسندگان

پویا اعلایی بازکیایی

دانشجوی دکتری، گروه زراعت، دانشکده تولید گیاهی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

بهنام کامکار

استاد، گروه اگروتکنولوژی، دانشکده کشاورزی، دانشگاه فردوسی، مشهد، ایران

ابراهیم امیری

استاد، گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران

حسین کاظمی

دانشیار، گروه زراعت، دانشکده تولید گیاهی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

مجتبی رضایی

استادیار پژوهش، موسسه تحقیقات برنج کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، رشت، 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 :
  • Aggarval, P. K., Karla, N., Bandyopadhyay, S. K. and Selvarjan, ...
  • Aggarval, P. K., Talukdar, K. K. and Mall, R. K. ...
  • Agricultural Statistics. ۲۰۱۸. Volume I: Crop products. ۲۰۱۸-۱۹. Office of ...
  • Ata-Ul-Karim, S. T., Liu, X., Lu, Z., Zheng, H., Cao, ...
  • Badsar, M. ۲۰۱۴. Yield gap estimation in wheat fields using ...
  • Boonwichai, S., Shrestha, S., Babel, M. S., Weesakul, S. and ...
  • Bouman B. A. M., Kropff, M. J., Tuong, T. P., ...
  • Cao, B., Hua, S., Ma, Y., Li, B. and Sun, ...
  • Chen, C., Baethgen, W. E. and Robertson, A. ۲۰۱۳. Contributions ...
  • Cochran W. G. ۱۹۶۳. Sampling Techniques. ۲nd ed. New York: ...
  • Dehkordi, P. A., Nehbandani, A., Hassanpour-bourkheili, S. and Kamkar, B. ...
  • Delgado, A. and Scalenghe, R. ۲۰۰۸. Aspects of phosphorus transfer ...
  • Deng, N., Grassini, P., Yang, H., Huang, J., Cassman, K. ...
  • Drenth, H., Ten Berge, F. F. M. and Riethoven, J. ...
  • Espe, M. B., Yang, H., Cassman, K. G., Guilpart, N., ...
  • Fatemi, B. and Rezaei, Y. ۲۰۰۶. Basic of Remote Sensing. ...
  • Fu, W., Tunney, H. and Zhang, C. ۲۰۱۰. Spatial variation ...
  • Gharineh, M. H., Bakhshandeh, A. M., Andarzian, B. and Fayezizadeh, ...
  • Godfray, H. C. J., Beddington, J. R., Crute, I. R., ...
  • Guo, Y., Wu, W. and Bryant, C. R. ۲۰۱۹. Quantifying ...
  • Hajjarpour, A., Soltani, A. and Torabi, b. ۲۰۱۶. Using boundary ...
  • Islam, A. and Muttaleb, A. ۲۰۱۶. Effect of potassium fertilization ...
  • Kahabka, J. E., Van Es, H. M., McClenahan, E. J. ...
  • Kassie, B. T., Van Ittersum, M. K., Hengsdijk, H., Asseng, ...
  • Kazemi, H. ۲۰۱۲. Ecological crop zoning of Golestan province in ...
  • Kazemi, H., Tahmasebi Sarvestani, Z., Kamkar, B., Shataei, Sh. and ...
  • Lobell, D. B., Cassman, K. G. and Field, C. B. ...
  • Meghdadi, N., Soltani, A., Kamkar, B. and Hajjarpour, A. ۲۰۱۴. ...
  • Neumann, K., Verburg, P. H., Stehfest, E., and Müller, C. ...
  • Potter, P., Ramankutty, N., Bennett, E. M., and Donner, S. ...
  • Pourhadian, H., Kamkar, B., Soltani, A., and Mokhtarpour, H. ۲۰۱۹. ...
  • Qaswar, M., Jing, H., Ahmed, W., Dongchu, L., Shujun, L., ...
  • Schulthess, U., Timsina, J., Herrera, M. J. and McDonald, A. ...
  • Soundharajan, B. and Sudheer, K. P. ۲۰۱۳. Sensitivity analysis and ...
  • Tari, D. B., Amiri, E. and Daneshian, J. ۲۰۱۷. Simulating ...
  • Torabi, B., Soltani, A., Galeshi, S. and Zinali, E. ۲۰۱۲. ...
  • Villalobos, F. J., Delgado, A., Lopez-Bernal, A. and Quemada, M. ...
  • Wang, W., Ding, Y., Shao, Q., Xu, J., Jiao, X., ...
  • Wopereis, M. C. S. ۱۹۹۳. Quantifying the impact of soil ...
  • Wopereis, M. C. S., Bouman, B. A. M., Tuong, T. ...
  • Wu, D., Yu, Q., Lua, C. and Hengsdijk, H. ۲۰۰۶. ...
  • Yaghoobi, M., Aghayari, F. and Mostafavi, K. ۲۰۱۷. Factors affecting ...
  • Yousefian, M., Soltani, A., Dastan, S. and Ajamnoroozi, H. ۲۰۱۹. ...
  • نمایش کامل مراجع