مکان‌یابی گلخانه جهت بهینه‌سازی در کشاورزی با رویکرد توسعه پایدار (مطالعه موردی: دشت اسدآباد)

الموضوعات :

ابوذر رمضانی ¹ , مسلم درویشی ² , داود نجات ³

1 - استادیار گروه نقشه‌برداری، دانشکده فنی مهندسی، دانشگاه سید جمال‌الدین اسدآبادی. *(مسوول مکاتبات)
2 - مربی گروه نقشه‌برداری، دانشکده فنی مهندسی، دانشگاه سید جمال‌الدین اسدآبادی
3 - مربی گروه نقشه‌برداری، دانشکده فنی مهندسی، دانشگاه سید جمال‌الدین اسدآبادی

تاريخ الإرسال : 23 الثلاثاء , محرم, 1443 تاريخ التأكيد : 07 الأربعاء , صفر, 1445 تاريخ الإصدار : 08 السبت , ربيع الأول, 1445

الکلمات المفتاحية: مکان‌یابی, گلخانه, توسعه پایدار, بهینه‌سازی, کشاورزی.,

ملخص المقالة :

زمینه هدف: گلخانه به فضای محدودی اطلاق می‌شود که قابلیت کنترل شرایط محیطی مناسب را برای رشد گیاهان از نواحی مختلف در طی فصول مختلف یک سال داشته باشد. رشد سریع اقتصادی و فرهنگی، رشد جمعیت، محدودیت آب‌وخاک، نیاز جامعه به مواد غذایی، وجود بازارهای بزرگ مصرف و علاقه‌مندی به تولید محصولات خارج از فصل در سال‌های اخیر موجب توسعه کشت محصولات گلخانه‌ای شده است. اما انتخاب مکان نامناسب برای ایجاد گلخانه منجر به هدر رفت سرمایه و عدم رخداد اهداف مذکور می‌شود. هدف از این تحقیق یافتن مکان بهینه استقرار گلخانه در دشت اسدآباد با رویکرد توسعه پایدار است. روش بررسی: به علت وجود پارامترهای متعدد و مؤثر در عملکرد گلخانه‌ها از تکنیک تحلیل‌های چندمعیاره جهت یافتن مکان مناسب استفاده شده است. همچنین باتوجه‌به وجود عدم قطعیت در رفتار پارامترهای طبیعی، منطق فازی جهت مدل‌سازی تأثیر پارامترها به کار گرفته شده است. یافته‌ها: نتایج نشان می‌دهد از کل پهنه دشت اسدآباد، 10درصد وضعیت خیلی مناسب، 39درصد در وضعیت مناسب (مناسب همراه با محدودیت) و 51 درصد در وضعیت نامناسب از نظر احداث گلخانه قرار دارند. بحث و نتیجه‌گیری: با تکیه بر تحلیل‌های مکانی می‌توان ریسک سرمایه‌گذاری در مورد گلخانه‌ها را کاهش داده و موجب پایداری محیط زیست شد.

المصادر:

1. Cockshull K, Graves C, Cave CR. The influence of shading on yield of glasshouse tomatoes. Journal of Horticultural Science. 1992;67(1):11-24.
2. Sivapalan S. Benefits of treating a sandy soil with a crosslinked-type polyacrylamide. Australian Journal of Experimental Agriculture. 2006; 46(4):579-84.
3. JW Jr ARB. Greenhouse engineering. Natural Resource Agriculture and Engineering Service (NRAES)-33 Ithaca NY. 1994.
4. Lorenzo P, Castilla N, editors. Bell pepper yield response to plant density and radiation in unheated plastic greenhouse. I International Symposium on Solanacea for Fresh Market 412; 1995.
5. Rezaeiniya N, Ghadikolaei AS, Mehri-Tekmeh J, Rezaeiniya H. Fuzzy ANP approach for new application: Greenhouse Location selection; a case in Iran. Journal of mathematics and computer Science. 2014;8(1):1-20.
6. Khosrobeygi Z, Rafiee S, Mohtasebi S, Nasiri A. Simultaneous localization and mapping in greenhouse with stereo vision. 2020.
7. Shaemi Barzuk A, Nik Andish N, Hisseini M. Optimum location of greenhouse cultivation of vegetables high consume in Qom province (with an emphasis on minimal energy needs). Journal of Climate Research. 2020;1398(37):101-10.
8. Iddio E, Wang L, Thomas Y, McMorrow G, Denzer A. Energy efficient operation and modeling for greenhouses: A literature review. Renewable and Sustainable Energy Reviews. 2020;117:109480.
9. Kouchaksaraei RH, Zolfani SH, Golabchi M. Glasshouse locating based on SWARA-COPRAS approach. International Journal of Strategic Property Management. 2015; 19(2):111-122.
10. Tavana M, Arteaga FJS, Mohammadi S, Alimohammadi M. A fuzzy multi-criteria spatial decision support system for solar farm location planning. Energy strategy reviews. 2017;18:93-105.
11. Ozdemir S, Sahin G. Multi-criteria decision-making in the location selection for a solar PV power plant using AHP. Measurement. 2018;129:218-26.
12. Dweiri F, Khan SA, Almulla A. A multi-criteria decision support system to rank sustainable desalination plant location criteria. Desalination. 2018;444:26-34.
13. Kabak M, Erbaş M, Çetinkaya C, Özceylan E. A GIS-based MCDM approach for the evaluation of bike-share stations. Journal of cleaner production. 2018;201:49-60.
14. Erol İ, Sencer S, Özmen A, Searcy C. Fuzzy MCDM framework for locating a nuclear power plant in Turkey. Energy Policy. 2014;67:186-97.
15. Żak J, Węgliński S. The selection of the logistics center location based on MCDM/A methodology. Transportation Research Procedia. 2014;3:555-64.
16. Tadić S, Zečević S, Krstić M. A novel hybrid MCDM model based on fuzzy DEMATEL, fuzzy ANP and fuzzy VIKOR for city logistics concept selection. Expert Systems with Applications. 2014;41(18):8112-28.
17. Chen S, Li Z, Liu F, Yang S, Li M. Risk evaluation of solar greenhouse cucumbers low temperature disaster based on GIS spatial analysis in Tianjin, China. Geomatics, Natural Hazards and Risk. 2019;10(1):576-98.
18. Manzano A. Gasification of greenhouse residues for obtaining electrical energy in the south of Spain: localization by GIS. Interciencia. 2007;32, 6-131, (2)
19. Kim S-B, Shin H-J, Yun D-K, Hong S-W, Kim S-J. Estimation of greenhouse damaged area by heavy snowfall using GIS and remote sensing technique. KCID journal. 2011;18(2):111-21.
20. Gupta MJ, Chandra P. Effect of greenhouse design parameters on conservation of energy for greenhouse environmental control. Energy. 2002;27(8):777-94.
21. Parlato MC, Valenti F, Porto SM. Covering plastic films in greenhouses system: A GIS-based model to improve post use suistainable management. Journal of Environmental Management. 2020;263:110389.
22. Sánchez-Lozano JM, Teruel-Solano J, Soto-Elvira PL, García-Cascales MS. Geographical Information Systems (GIS) and Multi-Criteria Decision Making (MCDM) methods for the evaluation of solar farms locations: Case study in south-eastern Spain. Renewable and sustainable energy reviews. 2013;24:544-56.
23. Khodaparasti S, Bruni M, Beraldi P, Maleki H, Jahedi S. A multi-period location-allocation model for nursing home network planning under uncertainty. Operations Research for Health Care. 2018.
24. Malek MR, Twaroch F. An introduction to intuitionistic fuzzy spatial region: na; 2004.
25. Kruse R, Gebhardt JE, Klowon F. Foundations of fuzzy systems: John Wiley & Sons, Inc.; 1994.