بررسی تأثیر کاربر‌ی‌های مختلف کشاورزی بر رطوبت بهینه خاک‌ورزی با استفاده ازمدل درخت تصمیم در دشت جیرفت

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد گروه علوم خاک، دانشکده کشاورزی، دانشگاه ولی عصر رفسنجان

2 دانش آموخته کارشناسی ارشد، دانشگاه ولی عصر رفسنجان

3 استادیار گروه کشاورزی، دانشگاه پیام نور استان کرمان، مرکز رفسنجان

چکیده

رطوبت بهینه خاک برای خاکورزی رطوبتی است که اگر خاکورزی در آن انجام شود، با حداقل انرژی مصرفی بیشترین خردشدگی (نرم‌شدگی) در خاک ایجاد می‌شود. هدف از این پژوهش تعیین رطوبت بهینه برای عملیات خاک‌ورزی تحت کاربر‌ی‌های مختلف کشاورزی در منطقه‌ی جیرفت و بررسی کارایی مدل درخت تصمیم در این خصوص برای منطقه بود. برای این منظور نمونه‌های خاک (90 نمونه) از عمق صفر تا 20 سانتی‌متر به صورت دست نخورده برداشته شده و برخی از ویژگی‌های فیزیکی و شیمیایی آن تعیین گردید. برای تعیین منحنی مشخصه رطوبتی خاک، مقدار رطوبت خاک در مکش های ماتریک 10، 30، 50، 100، 300، 500، 1000 و 1500 کیلوپاسکال با استفاده از دستگاه صفحه فشاری اندازه‌گیری شد. نتایج نشان داد نوع کشت تأثیر معناداری بر روی ویژگی‌های فیزیکی و شیمیایی خاک و همچنین رطوبت بهینه نداشته است. در ادامه این پژوهش مدل‌سازی رطوبت بهینه با درخت تصمیم انجام شد. در این پژوهش از سه معیار ضریب تبیین ( )، ریشه میانگین مربعات خطا ( ) و ریشه میانگین مربعات خطای نرمال شده (NRSME) برای ارزیابی مدل‌ استفاده شد. نتایج ارزیابی نشان داد که استفاده از درخت تصمیم برای پیش‌بینی رطوبت بهینه خاک به دلیل دارا بودن NRMSE کمتر (017/0) و R2 بالا (75/0)، مناسب است. هم‌چنین نتایج مدل‌سازی رطوبت بهینه خاک نشان داد که ماده آلی مهم‌ترین متغیر تاثیر‌گذار بوده و پس از آن به ترتیب متغیرهای درصد کربنات کلسیم معادل، رسانایی الکتریکی، درصدرس، چگالی ظاهری و درصد شن و سیلت در پیش‌بینی رطوبت بهینه اهمیت دارند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Investigating the Effect of Different Agricultural Land Uses on the Optimal Water Content for Tillage Using Decision Tree Model in Jiroft Plain

نویسندگان [English]

  • hossain shirani 1
  • faeeze ramezani 2
  • Somayeh Sadr 3
  • Isa esfandiarpoor 1
1 Professor, Department of Soil Sciences, Faculty of Agriculture, Vali-e-Asr University, Rafsanjan, Iran
2 MSc Graduate, Vali-e-Asr University of Rafsanjan
3 Assistant Professor of Agriculture, Payame Noor University, Kerman Province, Rafsanjan Center;
چکیده [English]

Optimum soil water content (OSWC) for tillage is the moisture at which, if tillage is done, the maximum amount of crushing (friability) is created in the soil with minimum energy consumption. The purpose of this research was to determine the OSWC for tillage operations under different agricultural land uses in Jiroft Plain, Iran, and to evaluate the effectiveness of the decision tree model in this regard for the region. For this purpose, soil samples (90 samples) were taken intact from 0 to 20 cm depth and some of its physical and chemical characteristics were determined. To determine the soil water characteristics curve, the soil water contents at matric suctions of 10, 30, 50, 100, 300, 500, 1000 and 1500 kPa were measured using a pressure plate device. The results showed that the type of cultivation did not have a significant effect on the physical and chemical characteristics of the soil, including the optimum weighted humidity. OSWC prediction was done with decision tree. In this research, three prediction accuracy criteria, namely, coefficient of determination (R2), root mean square error (RMSE), and normalized root mean square error (NRSME) were used to evaluate the model performance. The results showed that use of decision tree for predicting the OSWC was appropriate due to having a lower NRMSE (0.017) and a high R2 (0.75). Also, the results of OSWC modeling showed organic matter as the most influencing variable, followed by the equivalent calcium carbonate percentage, electrical conductivity, apparent density, and percentage of sand and silt.

کلیدواژه‌ها [English]

  • Soil Water Characteristic Curve
  • Inflection point
  • Decision tree regression
  • Soil tillage

مراجع

  1. بنایی، ح. م. 1380. نقشه‌ی منابع و استعداد خاک‌های ایران. مؤسسه‌ی تحقیقات خاک و آب کشور. تهران، ایران.
  2. تقی پور، م.، یغماییان مهابادی، ن. و م. شعلان پور شهرستانی. 1398. اثر تغییر کاربری اراضی بر میزان کربن آلی خاک در
  3. منطقه توتکابن استان گیلان. نشریه پژوهشهای خاک (علوم خاک و آب). 33(4): 577-590.
  4. ثروتی، م.، بیرامی، ح. و ا. احمدی. 1399. ارزیابی کارایی مدل الخلافه در تخمین رطوبت بهینه خاکورزی و شاخص میرایی خاک. نشریه علوم آب و خاک. 24(1):159-186.
  5. حقوردی، ا.، قهرمان، ب.، خشنود یزدی، ع.ا. و ز. عربی. 1389. برآوردرطوبت در نقطه پژمردگی دائم و ظرفیت زراعی
  6. خاک های شمال و شمال شرق ایران با استفاده از روش‌های نزدیک ترین K همسایه و شبکه های عصبی مصنوعی. نشریه آب و خاک. 24(4): 804-814.
  7. رضایی‌نژاد، ر.، ابطحی، ع.، زین‌الدینی، ع.، زارع، س. و س. شاه‌نظری. 1390. تاثیر تغییر کاربری اراضی بر برخی ویژگی‌های شیمیایی خاک. دوازدهمین کنگره علوم خاک ایران. 12-14 شهریور. دانشگاه تبریز. ایران.
  8. سازمان جغرافیایی و وزارت دفاع و پشتیبانی نیرو‌های مسلح. 1382. فرهنگ جغرافیای آبادی‌های استان کرمان، شهرستان جیرفت، جلد 5، صفحه‌ی 3.
  9. شیران پور، ب.، بهرامی، ا. و م. شعبانپور. 1391. تأثیر تغییر کاربری جنگل به باغ چای بر حاصلخیزی خاک در استان گیلان. نشریه آب و خاک (علوم و صنایع کشاورزی). 26(4): 826-831.
  10. شیرانی، ح.، اصغری نژاد، ن.، صدر، س.، اسفندیارپور، ع. و ح. شکفته. 1400. تخمین مقاومت کششی خاک با استفاده از روش‌های مختلف مدل‌سازی و تخمینگرهای خطا در برخی از اراضی پسته‌کاری رفسنجان . نشریه علمی پژوهش‌های خاک. 35(3): 303-320.
  11. شیرانی، ح. 1396. شبکه های عصبی مصنوعی با رویکرد کاربرد در علوم کشاورزی و منابع طبیعی. انتشارات دانشگاه ولی عصر رفسنجان. 360 صفحه.
  12. شهرابی، ج. 1392. داده کاوی 2. انتشارات جهاد دانشگاهی (دانشگاه صنعتی امیرکبیر).
  13. غلامی، ل. داوری، م. نبی الهی، ک. و ح. جنیدی جعفری. 1395. تاثیر تغییر کاربری اراضی بر برخی ویژگی‌های فیزیکی و شیمیایی خاک (مطالعه موردی: بانه). حفاظت منابع آب و خاک. 5(3): 13-27.
  14. نیک نهاد، ح. و م. مارامایی، 1390. اثر تغییر کاربری اراضی بر خصوصیات خاک حوضه آبخیز کیچک. مجله مدیریت خاک و تولید پایدار. 1،(2): 81 تا 96.
  15. مهدوی فر، ع. قربانی، ش. مصدقی، م.ر. و م.ح. صالحی.1392. برآوردرطوبت بهینه خاک برای خاک ورزی بااستفاده از ویژگی‌های زودیافت درخاک های ورتی سول،دومین همایش ملی توسعه پایدارکشاورزی ومحیط زیست سالم، همدان،
  16. نیسی، ک.، اگدرنژاد، ا.، و ف. عباسی.1402. ارزیابی مدل AquaCrop برای شبیه‌سازی عملکرد ذرت و بهره‌وری آب تحت مدیریت مختلف کاربرد کود نیتروژن در کرج. مدلسازی و مدیریت آب و خاک. 3(1): 26-41.
  17. نادری، ر. ، یزدانی، ع. و ا. بیژن زاده. 1392،تاثیر روش های خاکورزی بر پویایی جمعیت علف های هرز در باغ های مرکبات، همایش ملی پدافند غیر عامل در بخش کشاورزی، 30 آبان، قشم.
  18. لطیفیان, م. 1395. مروری بر مدیریت تلفیقی آفات نخل خرما (چالش‌ها و راه‌کارها. فصلنامه تخصصی تحقیقات حشره شناسی. 8(4): 271-287.
  19. Allmaras, R.R., Burwell, R.E., and R.F. Holt. 1969. Plow-layer porosity and surface roughness from tillage as affected by initial porosity and soil moisture at tillage time. Soil Sci. Soc. Am. J. 31: 550–556.
  20. Bouyoucos, G.J. 1951. A recalibration of hydrometer method for making mechanical analysis of soil. Agronomy. 43: 434-438.
  21. Bahrami, A., Emadodin, I., Ranjbar-Atashi, M. and H. Rudolf-Bork. 2010. Land use change and soil degradation: A case study, north of Iran. Agr Biol J N Am, 1(4): 600-605.
  22. Berntsen, R., and B. Berre. 2002. Soil fragmentation and the efficiency of tillage implements. Soil Till Res. 64: 137–147.
  23. Celik, I. 2005. Land-use effects on organic matter and physical properties of soil in a southern mediterranean highland of Turkey. Soil Till Res. 83: 270-277.
  24. Dexter, A.R., and N.R.A. Bird. 2001. Methods for predicting the optimum and the range of soil water contents for tillage based on the water retention curve. Soil Till Res. 57: 203–212.
  25. Dexter, A.R., Czyz, E.A., Birkas, M., Diaz-Pereira, E., Dumitru, E., Enache, R., Fleige, H., Horn, R., Rajkaj, K., de la Rosa, D. and C. Simota. 2005. SIDASS project Part 3, The optimum and the range of water content for tillage - further developments. Soil Till Res. 82: 29-37.
  26. Dexter, A.R., and N.R.A, Bird. 2011. Methods for predicting the optimum and the range of soil water contents for tillage based on the water retention curve. Soil Till Res. 57: 203-212.
  27. Diaz-Zorita, M., Grove, J.H. and E. Perfect. 2002. Disruptive methods for assessing soil aggregation: a review. Soil Till Res. 64: 3-22
  28. Greacen, E.L. 1960.Water content and soil strength. soil sci. 11: 313–333.
  29. Jones, J.B. 2001. Laboratory Guides for Conducting Soil Tests and Plant Analysis. CRC Press, Boca Raton.
  30. Kay, B.D. 2000 Soil Structure. p. 271-278. In M. Sumner (ed.) Handbook of Soil Science. CRC Press, Boca Raton London, New York, Washington, D.C.
  31. Loghavi, M. and A. Moradi, 1996. Draft and draw bar power reguirement of moldboard plow in a clay loam soil. Iran Agricultural Research, 15 (2): 203-214
  32. Moncada, M.P., Gabriels, D., and W.M. 2014. Data-driven analysis of soil quality indicators using limited data. Geoderma. 235: 271-278.
  33. Mofidi, M., Rashtbari, M., Abbaspour, H., Ebadi, A., Sheidai, E., and J. Motamedi. 2012 Impact of grazing on chemical, physical and biological properties of soils in the mountain rangelands of Sahand, Iran. Rangeland J. 34: 297-303.
  34. Mosaddeghi, M.R., Morshedizad, M., Mahboubi, A.A., Dexter, A.R., and Schulin. 2009. Laboratory evaluation of a model for soil crumbling for prediction of the optimum soil water content for tillage. Soil Till Res. 105: 242-250
  35. Nelson, D.W., and L.E. Sommers. 1996. Total carbon, organic carbon, and organic matter: laboratory methods. P. 961-1010 In D.L. Sparks )( Methods of Soil Analysis. Part 3. Soil Sci. Soc. Am. J. Madison, Wisconsin.
  36. Nemes, A., Rawls, W.J., and Y.A Pachepsky. 2006. Use of the nonparametric nearest neighbor approach to estimate soil hydraulic Soil Sci. Soc. Am. J. 70: 2. 327-336.
  37. Obour, B., Jensen, J.L., Lamandé, M., Watts, C.W.. and L.J. Munkholm. 2018. Soil organic matter widens the range of water contents for tillage. Soil Till Res. 182: 57-65.
  38. Ouyang, M., Welsh, W.J., and P. Georgopoulos 2004. Gaussian mixture clustering and imputation of microarray data, J. Bioinform. 20: 917-923.
  39. Quinlan, J.R. 1996. Improved use of continuous attributes in C5. J Artif Intell Res. 4: 77-90.
  40. Richards, L.A. 1954. Diagnosis and Improvement of Saline-Alkali Soils. U.S.D.A. Hand book, 60. Washington, D.C., U.S.A.
  41. Shcherbakov, M.V., Brebels, A., Shcherbakova, N.L., Tyukov, A.P., Janovsky, T.A., and Kamaev, V.A. 2013. A Survey of Forecast Error Measures. World Applied Sciences Journal, 24: 171-176.
  42. Van Genuchten, M.Th. 1980. A closed-form equation for predicting the hydraulic conductivity of unsaturated soils. Soil Sci. Soc. Am. J. 44: 892–898.
  43. Witten, I.H., Frank, E., and M.A. Hall. 2005. Data mining Practical machine learning tools and techniques. Morgan Kaufmann Publishers is an imprint of Elsevier.
  44. Wilding, L.P. 1985. Spatial variability: Its documentation, accommodation and implication to soil surveys. p. 166-187. In: D.R. Nielsen and J. Bouma (ed.). Soil Spatial Variability.Workshop of the ISSS and the SSA, Las Vegas PUDOC, Wageningen. 30 November-1 December.
  45. Yasrebi, J.A., Saffari, M.A., Fathi, H.A., Karimiyan, N.A., Emadi, M.O., and M.A. Baghernejad. 2008. Spatial variability of soil fertility properties for precision agriculture in Southern J Appl Sci. 8: 1642-1650.
  46. Yohaness, Y. 1999. Classification and Regression Tree: an Introduction. Research Institute of Washington, D.C.
پژوهش های خاک
دوره 37، شماره 1
خرداد 1402
صفحه 17-31

فایل ها

هم رسانی

ارجاع به این مقاله

آمار