ایجاد نقشه مکانی -زمانی گسترش سامانه‌های آبیاری نوین در استان‌های ایران با استفاده از کتابخانه t-map نرم‌افزارR-Studio
محورهای موضوعی : سامانه های آبیاری ، زهکشی و آبرسانی
1 - گروه زراعت، دانشگاه آزاد اسلامی، واحد اصفهان (خوراسگان)، اصفهان، ایران.
کلید واژه: سامانه‌هاي آبياري پيشرفته, خوشه‌بندی, نرم افزار R-Studio, نقشه مکانی- زمانی ,
چکیده مقاله :
هدف از پژوهش حاضر ایجاد نقشه مکانی- زمانی گسترش سامانه‌های آبیاری نوین در استان‌های ایران با استفاده از کتابخانه t-map نرم افزار R-Studio است. داده‌های خام مورد استفاده در این پژوهش از جداول آماری ارائه شده توسط مرکز آمار وزارت جهاد کشاورزی در مورد توسعه سامانه‌هاي آبياري پيشرفته در استان‌های ایران در دوره زمانی سال‌های 1388 تا 1401 به دست آمد. همچنین در این پژوهش خوشه‌بندي استان‌های کشور با توجه به معيارهاي درصد تكميل سامانه‌هاي آبياري مدرن، درصد توسعه شبكه‌هاي آبياري و زه‌كشي و درصد پوشش انهار و كانال‌هاي سنتي به صورت تجمعي تا سال 1401، انجام شد. به صورت اجمالی روش کار به این صورت بود که ابتدا با استفاده از داده‌های خام، فایل اکسلی آماده‌سازی شد که محتوای آن سازگار با اطلاعات جغرافیایی مربوط به استان‌های ایران باشد. سپس به کمک توابع نرم‌افزار R-Studio ادغام محتوای فایل اکسل و اطلاعات جغرافیایی انجام شد و در نهایت با استفاده از توابع کتابخانه t-map، نقشه‌های مکانی-زمانی تهیه شد. برای انجام خوشه‌بندی، از توابع کتابخانه factoextra استفاده شد. توابع موجود در این کتابخانه قادر به استانداردسازی داده‌ها قبل از انجام فرآیند خوشه‌بندی به روش‌های مختلف هستند. بر اساس نتایج به‌دست آمده از 6014211 هکتار زمین‌های زراعی دارای کشت آبی، 2469835 هکتار به سیستم‌های آبیاری نوین تجهیز شده‌اند که بیانگر تکمیل 41 درصدی این سامانه‌ها در کل کشور است. درصد توسعه شبکه‌های آبیاری و زهکشی و درصد پوشش انهار و کانال‌های سنتی به ترتیب برابر با 15% و 5/0% به‌دست آمد. از سوی دیگر نقشه مکانی-زمانی درصد تکمیل سامانه‌های آبیاری نوین نشان داد که در استان‌های پیشرو در کشت آبی استقبال از این سامانه‌ها کمتر از سایر استان‌ها بوده است، مثلاً استان‌های خوزستان و فارس که به‌صورت تجمعی 31 درصد از اراضی کشت آبی را در اختیار دارند بترتیب 9% و 18% در استقرار سامانه‌های آبیاری نوین پیشرفت داشته‌اند. لازم به ذکر است که هرچند استقرار سامانه‌های آبیاری پیشرفته به افزایش راندمان آبیاری در سطح مزرعه منجر می‌شود، اما با توجه به گزارش‌های سایر محققین، برای موثر بودن استقرار این سامانه‌ها بر روی افزایش سطح سفره‌های آب زیرمینی، وجود کنتورهای هوشمند برای چاه‌های کشاورزی تغذیه کننده این سیستم‌های آبیاری الزامی است.
The purpose of this research is to create a spatio-temporal map illustrating the expansion of modern irrigation systems across Iran's provinces using the t-map package in R-Studio. The raw data used in this research was obtained from the statistical tables provided by the statistics center of the Ministry of Agricultural Jihad regarding the development of advanced irrigation systems in Iran from 2009 to 2022. First, an Excel file was prepared using the raw data, ensuring its compatibility with the geographical information of Iran's provinces. This data was then integrated with geographic information in R-Studio software, and spatio-temporal maps were generated using the functions of the t-map package. For clustering analysis, functions from the factoextra package were used. This package allows for data standardization before clustering using various methods. Moreover, in this research, Iran's provinces were clustered according to three criteria: the percentage of completion of modern irrigation systems, the percentage of development of irrigation and drainage networks, and the percentage of coverage of traditional irrigation canals in 2022. The findings indicate that out of 6,014,211 hectares of irrigated agricultural land, 2,469,835 hectares have been equipped with modern irrigation systems, reflecting an average implementation rate of 41% nationwide. Furthermore, the development percentages of irrigation and drainage networks and the coverage of traditional canals were found to be 15% and 0.5%, respectively. The spatio-temporal map of modern irrigation system implementation revealed that provinces with the most extensive irrigated agriculture exhibited lower adoption rates of these systems compared to others. For example, Khuzestan and Fars, which cumulatively account for 31% of the country's irrigated lands, have only progressed by 9% and 18%, respectively, in establishing new irrigation systems. It is important to note that while advanced irrigation systems enhance irrigation efficiency at the farm level, their significant effect on levels of groundwater table requires the presence of smart meters for agricultural wells that supply these systems.
Ahmadi, I. (2023). A spatiotemporal analysis of the continent-wide contribution of agriculture in CO2-eq production from 1990 to 2019 using the t-map package of R software. Journal of nature and spatial sciences, 3(2), 17–24. https://doi.org/10.30495/jonass.2023.1974762.1060
Batko, K., & Ślęzak, A. (2022). The use of Big Data Analytics in healthcare. Journal of Big Data, 9(3). https://doi.org/10.1186/s40537-021-00553-4
Cooper, J., Noon, M., Jones, C., Kahn, E., & Arbuckle, P. (2013). Big data in life cycle assessment. Journal of Industrial Echology, 17 (6), 796–799. https://doi.org/10.1111/jiec.12069
Frelat, R., Lopez-Ridaura, S., Giller, K E., Herrero, M., Douxchamps, S., Andersson Djurfeldt, A., Erenstein, O., Henderson, B., Kassie, M., Paul, B K., Rigolot, C., Ritzema, R S., Rodriguez, D., van Asten, P J., & van Wijk, M T. (2016). Drivers of household food availability in sub-Saharan Africa based on big data from small farms. Proceedings of the National Academy of Sciences, 113(2), 458-463. https://doi.org/10.1073/pnas.1518384112
Ghimire, P., Karki, S., Pandey, V P., & Pradhan, A M S. (2025). Mapping Spatio-Temporal dynamics of irrigated agriculture in Nepal using MODIS NDVI and statistical data with Google Earth Engine: A step towards improved irrigation planning. International Journal of Applied Earth Observation and Geoinformation,136. https://doi.org/10.1016/j.jag.2024.104345
Guleria, D., & Kaur, G. (2021), Bibliometric analysis of ecopreneurship using VOS viewer and R-Studio Bibliometrix, 1989–2019, Library Hi Tech, 39(4), 1001-1024. https://doi.org/10.1108/LHT-09-2020-0218
Kamilaris, A., Kartakoullis, A., & Prenafeta-Boldú F X. (2017). A review on the practice of big data analysis in agriculture. Computers & Electronics in Agriculture, 143, 23-37. https://doi.org/10.1016/j.compag.2017.09.037
Kempenaar, C., Lokhorst, C., Bleumer, E. J B., Veerkamp, R F., Been, Th., Evert, F K. van, Boogaardt, M J., Ge, L., Wolfert, J., Verdouw, C N., Bekkum, M A. van, Feldbrugge, L. , Verhoosel, J P C., Waaij, B D. van der, Persie, M. van, & Noorbergen, H. (2016). Big data analysis for smart farming. Wageningen University & Research Publications, Wageningen.
Kiani, A R., & Shaker, M. (2022). Evaluating the effectiveness of pressurized irrigation system in Iran. Water Management in Agriculture, 8(2), 167-182. (In Persian)
Lemenkova, P. (2020). Using R packages ‘t-map’, ‘raster’ and ‘ggmap’ for cartographic visualization: an example of dem-based terrain modelling of Italy, apennine peninsula. Zbornik radova - Geografski fakultet Univerziteta u Beogradu, 68, 99-116. 10.5937/zrgfub2068099L
Pandey, V P., Dhaubanjar, S., Bharati, L., & Thapa, B R. (2020). Spatio-temporal distribution of water availability in Karnali-Mohana Basin, Western Nepal: Climate change impact assessment (Part-B). Journal of Hydrology: Regional Studies, 29, 100691. https://doi.org/10.1016/j.ejrh.2020.100691
Shahnoushi, N., Taherpour, H., Fatemi, M., & Allameh, A S. (2020). An investigation on effects of implementing under-pressure irrigation projects on agriculture sector productivity in Khorasan Razavi. Agricultural Economics, 13(4), 1-18. https://doi.org/10.22034/iaes.2020.47190.1332. (In Persian)
Tesfaye, K., Sonder, Kai., Caims, J., Magorokosho, C., Tarekegn, A., Kassie, Girma T., Getaneh, F., Abdoulaye, T., Abate, T., & Erenstein, O. (2016). Targeting drought-tolerant maize varieties in southern Africa: a geospatial crop modeling approach using big data. International Food and Agribusiness Management Review, 19(A), 1–18.
Waga, D., & Rabah, K. (2014). Environmental conditions’ big data management and cloud computing analytics for sustainable agriculture. World Journal of Computer Application and Technology, 2(3), 73–81. https://doi.org/10.13189/wjcat.2014.020303