اخبار و اعلانات

 آمار

تعداد نشریات285
تعداد نشریات سازمان83
تعداد شماره‌ها3,139
تعداد مقالات34,918
تعداد مشاهده مقاله50,384,266
تعداد دریافت فایل اصل مقاله90,277,482
فتاحی دولت آبادی, خدیجه, بابازاده, حسین, نجفی, پیام, صدقی, حسین. (1397). مدلی برای برنامه‌ریزی آبیاری با استفاده از اختلاف دمای هوا و سطح برگ گیاه ذرت. سامانه مدیریت نشریات علمی, 32(2), 305-320. doi: 10.22092/jwra.2018.116972
خدیجه فتاحی دولت آبادی; حسین بابازاده; پیام نجفی; حسین صدقی. "مدلی برای برنامه‌ریزی آبیاری با استفاده از اختلاف دمای هوا و سطح برگ گیاه ذرت". سامانه مدیریت نشریات علمی, 32, 2, 1397, 305-320. doi: 10.22092/jwra.2018.116972
فتاحی دولت آبادی, خدیجه, بابازاده, حسین, نجفی, پیام, صدقی, حسین. (1397). 'مدلی برای برنامه‌ریزی آبیاری با استفاده از اختلاف دمای هوا و سطح برگ گیاه ذرت', سامانه مدیریت نشریات علمی, 32(2), pp. 305-320. doi: 10.22092/jwra.2018.116972
فتاحی دولت آبادی, خدیجه, بابازاده, حسین, نجفی, پیام, صدقی, حسین. مدلی برای برنامه‌ریزی آبیاری با استفاده از اختلاف دمای هوا و سطح برگ گیاه ذرت. سامانه مدیریت نشریات علمی, 1397; 32(2): 305-320. doi: 10.22092/jwra.2018.116972

مدلی برای برنامه‌ریزی آبیاری با استفاده از اختلاف دمای هوا و سطح برگ گیاه ذرت

پژوهش آب در کشاورزی
مقاله 11، دوره 32، شماره 2، تیر 1397، صفحه 305-320    اصل مقاله (1.5 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/jwra.2018.116972
نویسندگان
خدیجه فتاحی دولت آبادی1؛ حسین بابازاده* 2؛ پیام نجفی3؛ حسین صدقی4
1دانشجوی دکتری گروه علوم و مهندسی آب دانشکده علوم کشاورزی و صنایع غذایی دانشگاه آزاد اسلامی واحد علوم تحقیقات. تهران. ایران.
2استاد گروه مهندسی آب دانشکده علوم کشاورزی و صنایع غذایی دانشگاه آزاد اسلامی واحد علوم تحقیقات تهران.
3استاد گروه مهندسی آب دانشکده علوم کشاورزی دانشگاه آزاد اسلامی واحد خوراسگان اصفهان.
4استاد دانشگاه علوم و تحقیقات
چکیده
تعیین سریع و دقیق زمان آبیاری به‌منظور جلوگیری از تنش آبی گیاه، از مهم‌ترین مسائل مدیریت پایدار آب در مزرعه است. اندازه‌گیری رطوبت خاک و درجه حرارت سطح برگ، دو روش تعیین زمان آبیاری است. در این تحقیق با ترکیب این دو روش مدلی برای برنامه‌ریزی و مدیریت آبیاری ذرت علوفه‌ای (SC-701) ارائه شده است. رطوبت نسبی (RH)، دمای هوا (Ta)، دمای سطح برگ (TL) و رطوبت خاک (SM) در سال1392 اندازه‌گیری شد و با استفاده از مدل شبکه عصبی مصنوعی ورگرسیون خطی چندگانهآزمون (stepwise Method)، مدلی ارائه شد. در سال 1393 پنج تیمار شامل 35،% 65%، 75%، 85% و 100% کل آب قابل دسترس با چهار تکرار تعریف شد، زمانی که رطوبت خاک به رطوبت‌های مزبور می‌رسید آبیاری صورت می‌گرفت. اندازه‌گیری‌های سال قبل تکرار و مدل واسنجی شد. نتایج سال اول، همبستگی بین پارامترهای RH، Ta، TL، Ta-TLبه‌عنوان متغیر مستقل و SMبه‌عنوان متغیر وابستهR2=0.87را نشان داد. ضریب تبیین مدل رطوبت خاک با سه پارامتر ورودی دمای هوا، دمای سطح برگ و رطوبت نسبی، R2=0.92به دست آمد. در این مدل، رطوبت خاک رابطه معکوس با متغیرهای (Ta) و (TL-Ta) و رابطه مستقیم با RH دارد. رطوبت خاک با استفاده از مدل برای تیمارهای سال دوم به‌کار رفت و با مقادیر اندازه‌گیری شده مقایسه شد. اختلاف میانگین رطوبت خاک اندازه‌گیری و برآورد شده با مدل در زمان اوج تشعشع خورشید (هنگام ظهر) کمتر از 10± درصد بود. مدل مزبور داده‌های تیمار 75% کل آب قابل دسترس را به‌خوبی و با اختلاف بسیارکم تخمین زد.
کلیدواژه‌ها
رطوبت خاک؛ تنش آبی؛ رطوبت نسبی؛ شبکه عصبی مصنوعی و رگرسیون خطی چندگانه
عنوان مقاله [English]
A Model for Irrigation Scheduling Using the Difference between Air and Leaf Temperature of Corn
نویسندگان [English]
khadije fattahi dolatabadi1؛ hosin babazadeh2؛ payam najafi3؛ hossin sedghi4
1PhD student, Department of Water Science and Research branch, Islamic Azad University, Tehran, Iran.
2Professor, Department of Water Science and Research branch, Islamic Azad University, Tehran.
3Professor, Department of Water Engineering, Khorasgan Branch, Islamic Azad University, Isfahan.
4Professor, Department of Water Science and Research branch, Islamic Azad University, Tehran.
چکیده [English]
To prevent water stress in plants and have sustainable water management in the field, fast and accurate determination of irrigation time is one of the most important issues. Measuring soil moisture and leaf surface temperature are two methods of determining time of irrigation. In this research, by combination of these two methods, a model for planning and management of forage maize irrigation (cultivar SC-701) is presented. The air relative humidity (RH) and temperature (Ta), leaf surface temperature (TL), and soil moisture content (SM) were measured in 2013 and, by using artificial neural network model and multiple stepwise method, a regression model was developed. Experiments were carried out in 2014 with five treatments including 100%, 85%, 75%, 65%, and 35% total available water (TAW), with four replications, Irrigation was carried out when soil moisture content reached the treatments moisture level. Measurements of the previous year were repeated and the model was calibrated. The results of the first year showed a correlation (R2=0.87) between the parameters RH, Ta, TL, Ta-TL as independent variable and SM as the dependent variable. Then, using three input parameters of air temperature, leaf surface temperature, and relative humidity, Determination Coefficient  of soil moisture content model was calculated as R2= 0.92. In this model, soil moisture has an inverse relation with (Ta) and (TL-Ta) variables, but a direct relation with RH. Soil moisture content was compared using the model for the second year treatments and compared with the measured values. The difference in soil moisture content measured and estimated by the model at the peak solar radiation time (at noon) was less than ±10%. The model estimated 75% TAW treatment data well, with very small difference compared to the measured value.
 
کلیدواژه‌ها [English]
Soil Moisture, Water stress, Relative humidity, Artificial Neural Network, Multiple Linear Regression
مراجع
  1. وردی نژاد و. ر. بشارت، س. عبقری، ه؛ و احمدی، ح. 1390. برآورد حداکثر تخلیه مجاز رطوبتی ذرت علوفه‌ای در مراحل مختلف رشد بااستفاده از اختلاف دمای پوشش سبز گیاه و هوا. نشریه آب‌وخاک (علوم و صنایع کشاورزی)، 25 (6):1352-1344.
    1. Ballester, C. Jimenez-Bello, M.A. Castel, J.R. and Intrigliolo, D.S. 2013. Usefulness of thermography for plant water stress detection in citrus and persimmon trees. Agricultural and forest Meteorology. 168:120–129.
    2. Blonquist Jr, J.M. Norman, J.M. and Bugbee, B. 2009. Automated measurement of canopy stomata conductance based on infrared temperature. Agricultural and forest Meteorology. 149:2183-2197.
    3. Cohen, Y. Alchanatis, V. Sela, E. Saranga, Y. Cohen, S. Meron, M. Bosak, A. Tsipris, J. Ostrovsky, V. Orolov, V. Levi, A. and Brikman, R. 2014. Crop water status estimation using thermography: multi-year model development using ground base thermal images. Precision Agriculture. http://dx.doi.org/10.1007/s11119-014- 9378-1.
    4. Gonzalez-Dugo, V. Zarco-Tejada, P. Nicolas, E. Nortes, P.A. Alarcon, J.J. Intrigliolo, D.S. and Fereres, E. 2013. Using high resolution UAV thermal imagery to assess the variability in the water status of five fruit tree species within a commercial orchard. Precision Agriculture. 14:660–678. http://dx.doi.org/10.1007/s11119-013- 9322-9.
    5. Herwitz, S.R. Johnson, L.F. Dunagan, S.E. Higgins, R.G. Sullivan, D.V. Zheng, J. Lobitz, B.M. Leung, J.G. Gall Meyer, B.A. Aoyagi, M. Slye, R.E. Brass, J. A. 2004. Imaging from an unmanned aerial vehicle: agricultural surveillance and decision support. Computers and Electronics in Agriculture. 44: 49–61.
    6. Idso, S.B. Jackson, R.D. and Reginato, R.J. 1977. Remote sensing of crop yields. Science. 196: 19–25.
    7. Irmak, S. Haman, D.Z. and Bastug, R. 2000. Determination of crop water stress index for irrigation timing and yield estimation of corn. Agronomy Journal. 92: 1221–1227.
    8. Jones, H.G. and Demmers, D. 1999. Use of thermograph for quantitative studies of spatial and temporal variation of stomatal conductance over leaf surfaces. Plant Cell and Environment. 22: 1043–1055.
    9. Kim, Y. Still, Ch. J. Hanson, Ch. V. Kwon, H. Greer, B.T. and Law, B.E. 2016. Canopy skin temperature variations in relation to climate, soil temperature, and carbon flux at a ponderosa pine forest in central Oregon. Agricultural and Forest Meteorology. 226–227:161–173
    10. Landeras, G. Ortiz-Barredo, A. and López, J.J. 2009. Forecasting weekly evapotranspiration with ARIMA and artificial neural network models. Irrigation and Drainage Engineering, ASCE.135: 323-334.
    11. Lu, Z. Radin, J.W. Turcotte, E.L. Percy, R. and Zeiger, E. 1994. High yields in advanced lines of Pima cotton are associated with higher stomata conductance, reduced leaf area and lower leaf temperature. Physiologia Plantarum. 92: 266–272.
    12. Mangus, D.L. Sharda, A. and Zhang, N. 2016. Development and evaluation of thermal infrared imaging system for high spatial and temporal resolution crop water stress monitoring of corn within a greenhouse. Computers and Electronics in Agriculture. 121:149–159.
    13. Marquardt, D.W. 1963. An algorithm for least- squares estimation of nonlinear parameters. J. Sco. Ind Appl. Math. 11:431-441.
    14. Möller, M. Alchanatis, V. Cohen, Y. Meron, M. Tsipris, J. Naor, A. Ostrovsky, V. Sprintsin, M. Cohen, S. 2007. Use of thermal and visible imagery for estimating crop water status of irrigated grapevine. Experimental Botany. 58:827–838.
    15. Monteith, J.L. and Unsworth, M.H. 2013. Principles of Environmental Physics: Plants, Animals, and the Atmosphere, fourth ed. Elsevier Ltd, Oxford, UK
    16. Norouzi, M. Ayoubi, S. Jalalian, A. Khademi, H. and Dehghani, A.A. 2010. Predicting rainfed wheat quality and quantity by artificial neural network using terrain and soil characteristics. Acta Agriculture Scandinavica, Section B- Soil Plant Science. 60: 341-352.
    17. Nouri azhar, J. and Ehsanzedeh, P. 2007. Study of relationship of some growth indices and yield of five corn hybrids at two irrigation regime in Esfahan region. Science and Technology. 41: 261-272
    18. Orta, A. H. I. Baser, S. Sehirali, T. and Erdem, Y. 2004. Use of infrared thermometry for developing baseline equation and scheduling irrigation in wheat, Cereal Research Communications. 32(3):363-370.
    19. Pandey, R.K. Maranville, J.W. and Chetima, M.M. 2000. Deficit irrigation and nitrogen effects on maize in a Sahelian environment. II. Shoot growth. Agricultural Water Management. 46: 15–27.
    20. Scherrer, D. Karl-Friedrich Bader, M. and, Korner, Ch. 2011. Drought-sensitivity ranking of deciduous tree species based on thermal imaging of forest canopies. Agricultural and Forest Meteorology. 151: 1632–1640.
    21. Sdoodee, S. and Kaewkong, P. 2006. Use of an infrared thermometer for assessment of plant water stress in neck orange (Citrus reticulate Blanco), Songklanakarin J. Science and Technology. 28(6):1161-1167.
    22. Smith, B.A. Hoogenboom, G. and McClendon, R.W. 2009. Artificial neural networks for automated year round temperature prediction. Computers and Electronics in Agriculture. 68: 52-61.
    23. Taghvaeian, S. Chávez, J. and Hansen, N. 2012. Infrared thermometry to estimate crop water stress index and water use of irrigated maize in northeastern Colorado. Remote Sensing. 4: 3619–3637.
    24. Taghvaeian, S. Chávez, J. L. 2013. Remote sensing for evaluating crop water stress at field scale using infrared thermography: potential and limitations. Hydrology Days. 73–83.
    25. Taghvaeian, S. Chávez, J. L. Bausch, W.C. DeJonge, K.C. and Trout, T.J. 2014a. Minimizing instrumentation requirement for estimating crop water stress index and transpiration of maize. Irrigation Science. 32: 53–65.
    26.  Mangus, D.L. Sharda, A. and Zhang, N. 2016. Development and evaluation of thermal infrared imaging system for high spatial and temporal resolution crop water stress monitoring of corn within a greenhouse. Computers and Electronics in Agriculture. 121: 149–159
    27. Zia, S. Romano, G. Spreer, W. Sanchez, C. Cairns, J. Araus, J.L. Muller, J. 2013. Infrared thermal imaging as a rapid tool for identifying water stress tolerant maize genotypes of different phenology. Agronomy and Crop Science. 75–84.
آمار
تعداد مشاهده مقاله: 967
تعداد دریافت فایل اصل مقاله: 651


counter
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب