توسعه پایدار الگوی کشت بر پایه برنامه‌ریزی بهینه آبیاری در زمان واقعی (مطالعه موردی: دشت شوشتر)
محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاری
صائب خوش نواز
1
(گروه مهندسی علوم آب، واحد شوشتر، دانشگاه آزاداسلامی، شوشتر، ایران)
کلید واژه: بهره‌وری آب, توسعه پایدار, زمان واقعی, الگوی کشت,
چکیده مقاله :
اطلاعات به هنگام و تصمیم‌گیری در زمان نزدیک به واقعیت از عوامل مؤثر مدیریت آب در مزرعه است. ازاین‌رو در مطالعه حاضر یک سیستم پشتیبان تصمیم مبتنی بر زمان واقعی برای برنامه‌ریزی آبیاری تدوین شد. مدل توسعه یافته برای 24 الگوی کشت زیرمجموعه کانال‌های شبکه آبیاری میاناب شهرستان شوشتر اجرا و ارزیابی گردید. برای مدلسازی در زمان واقعی داده‌هایی شامل بیلان آب در خاک، تولید محصول، رشد گیاه و ریشه، گام زمانی یک‌روزه با جایگزینی اعداد ورودی واقعی انجام شد. بدین منظور مدل AquaCrop و الگوریتم بهینه‌سازی مجموعه ذرات با هدف حداکثرسازی سودخالص برای یک سال زراعی بکار گرفته شدند. نتایج نشان داد بهترین راندمان اقتصادی آب برابر با 9250 تومان بر مترمکعب برای گوجه‌فرنگی به دست آمد. همچنین این محصول در برنامه بهینه با 35 درصد کاهش آب مصرفی افزایش عملکرد بیش از 3 تن در هکتار داشت. در حالت کلی دوره‌های بحرانی نیاز آبی برای گیاهان در حدفاصل بین حداکثر پوشش تا شروع پیری آن است. گیاهانی مانند گندم، جو و کلزا که پس از شروع دوره پیری با افت سطح سایه‌انداز مواجه می‌شوند سازگاری بیشتر با کم آبیاری دارند.
On-time information and real time decision-making are effective factors in the process of water management in the farm. Therefore, in the present study, a real-time decision support system has been developed for the irrigation scheme of Mian-Ab irrigation network in Shoushtar plain with 24 sub-sets of cropping pattern and results are compared with existing pattern. To increase the accuracy of modeling, including soil water balance, crop production and root growth, a one-day time step is considered by replacing real-time data. For this purpose, the Particle Swarm Optimization Algorithm (PSOA) is used to maximize the net benefit of a growing season. The results showed that the optimal economic efficiency of water was obtained for tomato by 92500 IRR/m3. Its yield production also has increased more than 3000 kg/ha in an optimal strategy with a 35 percent reduction in water consumption. Furthermore, critical periods of crop water requirement was between the maximum canopy cover and the start of senescence. Crops like wheat, barley, and rapeseed which their conopy coverage decrease after senescence stage, are more compatible with deficit irrigation.
آذرافزا، ه.، رضایی، ح.، بهمنش، ج. و بشارت، س. 1391. مقایسه نتایج بکارگیری الگوریتمهای PSO، GA و SA در بهینه‌سازی سیستمهای تک مخزنه (مطالعه موردی: سدشهرچای، ارومیه). نشریه آب و خاک. 26(5): 1101-1108.
اکبری، د.، عزیزی، ع.ا. و رضایی سوخت آبندانی، ر. 1392. بررسی رابطه میزان مصرف آب و عملکرد گوجه‌فرنگی در استان مازندران. نشریه پژوهش آب در کشاورزی. 27(4): 503-512
بابازاده، ح.، افتخار، ش. و صدقی، ح. 1390. بهینه‌سازی برنامه‌ریزی آبیاری با استفاده از الگوریتم ژنتیک، مطالعه موردی: دشت قزوین. مجله پژوهش آب در کشاورزی. 25(2): 183-194.
بی نام. 1380 . بازنگری مطالعات مرحله اول آبیاری و زهکشی اراضی دشت میاناب-شوشتر. سازمان آب و برق خوزستان. 186 ص.
توکلی، ع.ر.، لیاقت، ع.م. و مهدوی مقدم، م. 1390. الگوی تخصیص آب در شرایط بکارگیری توأمان مدیریت برتر زراعی و تک آبیاری در زراعت دیم. مجله پژوهش آب در کشاورزی. 25(2): 93-106.
دهقان، ز.، کوچک‌زاده، م. و علیخاصی، م. 1393. آسیب‌پذیری شبکه‌های آبیاری تحت شرایط تغییر اقلیم با بهینه‌نمودن سطحزیرکشت در شرایط محدودیت منابع آبی و ارائه راه‌کارهای تطبیق. نشریه پژوهش‌های حفاظت آب و خاک.21(1):23-43.
رمضانی اعتدالی، ه.، لیاقت، ع.، پارسی نژاد، م.، توکلی، ع.ر. و بزرگ حداد، ا. 1391. توسعه مدل تخصیص بهینه آب در اراضی آبی و دیم جهت افزایش بهره‌وری اقتصادی. رساله دکتری آبیاری و زهکشی گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران. 170 ص.
غفاری، ا.، منتظر، ع.ا. و رحیمی جمنانی، ع. 1389. توسعه و ارزیابی مدل تعیین الگوی کشت بهینه شبکه‌های آبیاری با استفاده از فرایند تحلیل سلسله مراتبی (مطالعه موردی: شبکه آبیاری دشت ورامین). نشریه آب و خاک. 24(6): 1119-1128.
محمدی، ح.، بوستانی، ف. و کفیل‌زاده، ف. 1391. تعیین الگوی کشت بهینه با استفاده از الگوریتم بهینه‌سازی چندهدفه غیرخطی فازی: مطالعه موردی. آب و فاضلاب. 4: 43-55.
مقدسی، م.، مرید، س. و عراقی‌نژاد، ش. 1387. بهینه‌سازی تخصیص آب در شرایط کم‌آبی با استفاده از روش‌های برنامه‌ریزی غیرخطی، هوش جمعی و الگوریتم ژنتیک (مطالعه موردی). تحقیقات منابع آب ایران. 4(3): 1-13.
نوذری، ح.، حیدری، م. و آزادی، س. 1392. شبیه‌سازی عملکرد محصولات زراعی در مدیریت‌های مختلف آبیاری با روش تحلیل پویایی سیستم. نشریه پژوهش آب در کشاورزی. 27(4): 1392.
Azamathulla, H.M., Wu, F.C., Ghani, A.A., Narulkar, S.M., Zakaria, N.A. and Chang, C.K. 2008. Comparison between genetic algorithm and linear programming approach for real time operation. Journal of Hydro-environment Research. 2:172-181.
Bradford, K. J. and Hsiao, T. C. 1982. Stomatal behavior and water relations of waterlogged tomato plants. Plant physiol. 70: 1508-1513
Doorenbos, J. and Kassam, A.H. 1979. Yield Response to Water. FAO Irrigation and Drainage paper No. 33, FAO, Rome, Italy, p. 193.
FAO. 1992. CROPWAT, a Computer Program for Irrigation Planning and Management by M. Smith. FAO Irrigation and Drainage Paper No. 26. Rome.
FAO. 2012. Crop yield response to water by P. Steduto, T.C. Hsiao, E. Fereres, and D. Raes. FAO Irrigation and Drainage Paper No. 66. Rome.
Hanks JR (1983) Yield and water-use relationships: an overview. In: Taylor HM, Jordan WA, Sinclair TR (eds) Limitations to efficient water use in crop production. ASA, Madison, pp 393–411
Haouari, M. and Azaiez, M.N. 2001. Optimal cropping patterns under water deficits. European Journal of Operational Research. 130:133-146.
Huang, M., Gallichand, J., and Zhang, L. 2004. Water-yield relationships and optimal water management for winter wheat in the Loess Plateau of China. Irrig. Sci. 23: 47-54.
Kennedy, J. and Eberhart, R. 1995. Particle Swarm Optimization. Proceedings of the IEEE International Conference on Neural Networks. 4: 1942-1948.
Lalehzari, R., Boroomand-Nasab, S., Moazed, H., Haghighi, A. 2016. Multi-objective management of water allocation to sustainable irrigation planning and optimal cropping pattern. J. Irri. Drain. Eng. 142(1), 05015008.
Liu, D., Li, G., Fu, Q., Li, M., Liu, C., Faiz, M.A., Khan, M.I.. Li, T., Cui, S. 2018. Application of particle swarm optimization and extreme learning machine forecasting models for regional groundwater depth using nonlinear prediction models as preprocessor. J. Hydrol. Eng. 23(12), 04018052.
Moolman, C., Lignaut, J. and Eyden, R. 2006. Modeling the marginal revenue of water in selected agriculture commodities. Agricultural Economics. 45(1): 132-149.
Osama, S., Elkholy, M., Kansoh, R.M. 2017. Optimization of the cropping pattern in Egypt. Alexandria Engineering Journal. 56(4), 557-566.
Shahnazari, A., Jensen, C.R., Jacobsen, S.E., Liu, F., Andersen. M.N. 2004. Partial root zone drying for water saving. Published online in public domain of The Royal Veterinary and Agricultural University, Hoejbakkegaard Allé 9, DK-2630 Taastrup, Denmark.
Shi, Y. and Eberhart, R. 1998. Parameter selection in particle swarm optimization, In: Porto VW, Saravanan N, Waagen D and Eiben AE (eds) Evolutionary Programming VII, pp. 611-616.
Steduto, P., T.C. Hsiao, D. Raes, and E. Fereres. 2009. AquaCrop - FAO crop model to simulate yield response to water: I. Concepts and underlying principles. Agron. J. 101:426–437.
Sun, Q., Xu G., Ma, C., Chen, L. 2017. Optimal crop-planting area considering the agricultural drought degree. J. Irri. Drain. Eng. 143(12), 04017050.
Tanner CB, Sinclair TR (1983) Efficient water use in crop production: research or re-search? In: Taylor HM, Jordan WA, Sinclair TR (eds) Limitations to efficient water use in crop production. ASA, Madison, pp 1–27
Varade, S., Patel, J.N. 2018. Determination of optimum cropping pattern using advanced optimization algorithms. J. Hydrol. Eng. 23(6), 05018010.
Vila, M. J., Fereres E., Mateos L., Orgaz F. and Steduto P. 2009. Deficit irrigation optimization of cotton with AquaCrop. Agronomy Journal. 101: 477-487.
Vila, M.J. and Fereres, E. 2012. Combining the simulation crop model AquaCrop with an economic model for the optimization of irrigation management at farm level. European Journal of Agronomy. 36:21-31.
_||_