پديد آورندگان :
فتاحي دولت آبادي، خديجه , بابازاده، حسين دانشگاه آزاد اسلامي واحد علوم تحقيقات تهران- دانشكده علوم كشاورزي و صنايع غذايي- گروه مهندسي آب , نجفي، پيام دانشگاه آزاد اسلامي واحد خوراسگان اصفهان- دانشكده علوم كشاورزي- گروه مهندسي آب , صدقي، حسين دانشگاه آزاد اسلامي واحد علوم تحقيقات تهران- دانشكده علوم كشاورزي و صنايع غذايي- گروه مهندسي آب
كليدواژه :
رطوبت خاك , تنش آبي , رطوبت نسبي , شبكه عصبي مصنوعي , رگرسيون خطي چندگانه
چكيده فارسي :
تعيين سريع و دقيق زمان آبياري به منظور جلوگيري از تنش آبي گياه، از مهم ترين مسائل مديريت پايدار آب در مزرعه است. اندازه گيري رطوبت خاك و درجه حرارت سطح برگ، دو روش تعيين زمان آبياري است. در اين تحقيق با تركيب اين دو روش مدلي براي برنامه ريزي و مديريت آبياري ذرت علوفه اي (SC-701) ارائه شده است. رطوبت نسبي (RH)، دماي هوا (Ta)، دماي سطح برگ (TL) و رطوبت خاك (SM) در سال1392 اندازه گيري شد و با استفاده از مدل شبكه عصبي مصنوعي ورگرسيون خطي چندگانهآزمون (stepwise Method)، مدلي ارائه شد. در سال 1393 پنج تيمار شامل 35،% 65%، 75%، 85% و 100% كل آب قابل دسترس با چهار تكرار تعريف شد، زماني كه رطوبت خاك به رطوبت هاي مزبور مي رسيد آبياري صورت مي گرفت. اندازه گيري هاي سال قبل تكرار و مدل واسنجي شد. نتايج سال اول، همبستگي بين پارامترهاي RH، Ta، TL، Ta-TLبه عنوان متغير مستقل و SMبه عنوان متغير وابستهR2=0.87را نشان داد. ضريب تبيين مدل رطوبت خاك با سه پارامتر ورودي دماي هوا، دماي سطح برگ و رطوبت نسبي، R2=0.92به دست آمد. در اين مدل، رطوبت خاك رابطه معكوس با متغيرهاي (Ta) و (TL-Ta) و رابطه مستقيم با RH دارد. رطوبت خاك با استفاده از مدل براي تيمارهاي سال دوم به كار رفت و با مقادير اندازه گيري شده مقايسه شد. اختلاف ميانگين رطوبت خاك اندازه گيري و برآورد شده با مدل در زمان اوج تشعشع خورشيد (هنگام ظهر) كمتر از 10± درصد بود. مدل مزبور داده هاي تيمار 75% كل آب قابل دسترس را به خوبي و با اختلاف بسياركم تخمين زد.
چكيده لاتين :
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.
