پديد آورندگان :
اژيرابي، رحيم دانشگاه علوم كشاورزي و منابع طبيعي گرگان - گروه علوم زراعي , كامكار، بهنام دانشگاه علوم كشاورزي و منابع طبيعي گرگان - دانشكده توليد گياهي - گروه علوم زراعي , عبدي، اميد اداره كل منابع طبيعي و آبخيزداري استان گلستان
كليدواژه :
شوري خاك , كريجينگ , گندم , RMSE , نيمتغييرنما
چكيده فارسي :
سابقه و هدف: در دهه اخير دادههاي به دست آمده از سامانه اطلاعات جغرافيايي (GIS) و سامانه موقعيت ياب جهاني (GPS) و زمينآمار نقش مهمي در مطالعه توزيع مكاني ويژگيهاي خاك داشتهاند و نتايج به دست آمده اغلب حاكي از اين است كه تغييرات ويژگيهاي خاك ميتواند در فواصل بسيار كوچك (در حد چند ميليمتر) تا فواصل طولاني (چندين كيلومتر) صورت گيرد. اين پژوهش با هدف مقايسه روشهاي مختلف درونيابي (كريجينگ) براي تعيين بهترين مدل در تهيه نقشه متغيرهاي شوري خاك و عملكرد گندم در مزرعه نمونه ارتش آققلا اجرا گرديد.
مواد و روش ها: به منظور مطالعه اثرات شوري خاك و تغييرات آن در طول فصل رشد گندم، با روش نمونهبرداري سيستماتيك از 101 نقطه در مزارع نمونه ارتش آق قلا نمونه خاك تهيه شد و مقادير EC و pH در دو مرحله رشد گندم و عملكرد متناظر آنها در مرحله برداشت اندازه گيري شد. به منظور درونيابي مقادير شوري، كريجينگهاي معمولي، جهاني و فصلي در تلفيق با پنج مدل واريوگرامي مورد آزمون قرار گرفتند. به اين منظور مزرعه به چهار قسمت جداگانه تقسيم و مدلها به شكل جداگانه آزمون شدند.
يافته ها: نتايج حاصل از روشهاي درونيابي كريجينگ نشان داد كه از بين سه روش و پنج مدل انتخابي، روش كريجينگ معمولي با مدل نمايي در برآورد شوري خاك و كريجينگ جهاني با مدل نمايي در برآورد عملكرد گندم از دقت بالاتري برخوردار هستند. در اين مطالعه رابطه معنيداري بين اختلاف شوري دو مرحله با عملكرد گندم مشاهده شد، به نحوي كه به ازاي هر واحد افزايش شوري، عملكرد به ميزان 4/5 گرم كاهش يافت. همچنين نتايج آزمون خاك نشان داد كه مقدار EC براي هر كدام از 4 واحد A، B، C و D، بسته به توپوگرافي و مساحت واحد متفاوت بود، به نحوي كه در زمينه شوري خاك واحد A با طيف شوري پايينتر در دو مرحله نمونهبرداري، بيشترين عملكرد را نشان داد. طبق نتايج روشهاي درونيابي در زمينه پيشبيني عملكرد گندم براي 4 واحد A، B، C و D، واحد A طيف عملكرد بيشتر و واحد B طيف عملكرد كمتري نسبت به واحدهاي ديگر از خود نشان دادند. در واحد A شوري كمتر بود و صرفا رقم كوهدشت كشت ميشد، در حالي كه در ساير واحدها ساير ارقام نيز (لاين 17، مرواريد، كوهدشت و 8019 N) كشت ميشدند.
نتيجه گيري: در كل نتايج نشان داد كه سامانه اطلاعات جغرافيايي در كنار ساير اطلاعات ميتواند ابزار قدرتمندي براي تشخيص اثرات عوامل غير زنده (نظير شوري) بر كاركرد بوم نظامهاي كشاورزي باشد. همچنين نتايج بر اين واقعيت تأكيد دارند كه مزارع از نظر عوامل مختلف، در معرض نوسانهاي مكاني گستردهاي قرار دارند و به همين دليل مديريتهاي متفاوتي را مي طلبند.
چكيده لاتين :
Background and objective: In the past decade, data acquired from the geographical information system (GIS), Global Positioning System (GPS) and geostatistics have an important role in the study of spatial distribution of soil properties and the results often show that changes in soil properties could occur from very small distances (a few mm) to long distances (several kilometers). This study compared different methods of interpolation (kriging) to determine the best model to map soil salinity and yield variables in the field of military, AQ-Qala.
Material and methods: In order to investigate the effects of soil salinity and its changes during wheat growing season, 101 ground control points were taken in the field of military, AQ-Qala, based on systematic sampling selection, and EC and pH levels were measured in two stages along with corresponded yield in harvesting stage. In order to interpolate salinity levels, ordinary, universal and disjunctive kriging in combination with five models of semivarograms were tested. For this, the field was divided to four separate sections and the models were tested separately.
Results: Final results showed that among three kriging methods and five applied models, ordinary kriging with an exponential model and the universal kriging with exponential models were the best models to estimate soil salinity and wheat yield, respectively . In this study, a significant relation was found between salinity differences for two samplings and wheat yield, as 4.5 gr yield reduction was demonstrated per salinity unit increase. Also, results of soil testing revealed that EC value for each parcel is different than others which is related to topography and parcel area, as the parcel A with the least difference between ECs had the highest yield. Results showed that EC difference had a pronounced variation which could be used to interpret yield differences among four parcels. According to estimates by interpolation methods used for predicting wheat yield in 4 studied units (A, B, C and D), unit A had the most, while unit B the least yield range. Unit A had the lowest salinity and on the other hand, only one cultivar (Koohdasht) was grown in unit A, while in the other units more than one cultivar (Line 17, Morvarid, Koohdasht and N8019) was planted.
Conclusion: Overall results revealed that GIS along with available information could be used as a powerful tool for detecting the effects of abiotic factors effects (including salinity) on the agroecosystems performance. Also, these results emphasizes on this reality that the fields are faced by widespread spatial variations of different factors which need different management options.
