تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,097,670 |
تعداد دریافت فایل اصل مقاله | 97,205,380 |
تشخیص تنش نیتروژن گیاه ذرت و مخاطرات آن با استفاده از تصویربرداری چندطیفی هوایی بهوسیلۀ پهپاد | ||
مدیریت مخاطرات محیطی | ||
مقاله 4، دوره 7، شماره 2، تیر 1399، صفحه 163-180 اصل مقاله (929.54 K) | ||
نوع مقاله: پژوهشی کاربردی | ||
شناسه دیجیتال (DOI): 10.22059/jhsci.2020.305887.575 | ||
نویسندگان | ||
مهریار جابری اقدم1؛ محمدرضا ممیزی* 1؛ نیکروز باقری2؛ پیمان عزیزی1؛ محمد نصری1 | ||
1گروه زراعت و اگرواکولوژی، واحد ورامین پیشوا، دانشگاه آزاد اسلامی، تهران، ایران | ||
2مؤسسۀ تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی. کرج. ایران | ||
چکیده | ||
یکی از مخاطرات اصلی در بخش کشاورزی، استفادۀ بیرویه از کودهای نیتروژندار است. مصرف بیش از حد این کودها علاوهبر افزایش هزینههای تولید، سبب آلودگی محیط زیست و افزایش خطر برای سلامت انسان میشود. بهبود کارایی مصرف نیتروژن در گرو پایش وضعیت نیتروژن گیاه در مراحل مختلف رشد و اعمال مقدار کافی کود در زمان و مکان مناسب است. با توجه به ضرورت کاهش مخاطرات مصرف بیرویۀ کودهای نیتروژندار، این پژوهش بهمنظور تشخیص تنش کود نیتروژن گیاه ذرت با استفاده از فناوری نوین، سریع و غیرمخرب سنجش از دور چندطیفی هوایی با پهپاد انجام گرفت. آزمایش در یک مزرعۀ ذرت بهصورت طرح بلوکهای کامل تصادفی در چهار تکرار و چهار تیمار کود اوره در چهار سطح شامل کمبود (شاهد، صفر درصد)، محدودۀ بحرانی (50 درصد)، حد کفایت (100 درصد) و مقدار بیش از حد (سمّی، 150 درصد) اجرا شد. کود اوره همراه با آب آبیاری در دو مرحلۀ رشد هشتبرگی و ظهور گلآذین نر اعمال شد. در این مراحل از رشد گیاه، تصویربرداری چندطیفی هوایی در محدودۀ طیفی مرئی-مادونقرمز نزدیک انجام گرفت. برای نمونهبرداریهای زمینی، در هر دو مرحلۀ رشد، از هر تیمار 10 بوته ذرت بهصورت تصادفی انتخاب شد. برای هر نمونه ابتدا مقدار کلروفیل آن مشخص و سپس مقدار نیتروژن از روش کجلدال تعیین شد و تصاویر پس از برداشت پردازش شدند. شاخصهای پوششگیاهی NDVI ، NRI، MTVI2، CI، GM که با سبزینگی گیاه، مقدار کلروفیل و نیتروژن آن مرتبط بودند، محاسبه شدند. تجزیهوتحلیل دادهها با استفاده از بررسی روابط متغیرهای شاخصهای تنش غلظت نیتروژن با کلروفیل در برگ از طریق برازش مدلهای رگرسیون انجام گرفت. نتایج نشان داد که شاخصها با مقدار نیتروژن همبستگی داشتند و شاخص CI در مرحلۀ رشد هشتبرگی با 88/0= R2 و شاخص NRI در مرحلۀ رشد ظهور گلآذین نر با 90/0= R2 مناسبترین شاخصها برای تشخیص تنش نیتروژن بودند. | ||
کلیدواژهها | ||
پهپاد؛ تصویربرداری چندطیفی؛ ذرت؛ سنجش از دور؛ کشاورزی دقیق؛ کود نیتروژن؛ مخاطرات | ||
مراجع | ||
[1]. باقری، نیکروز؛ و کفاشان، جلال (1396). «گزارش علمی- فنی، کشاورزی دقیق (مزایا، چالشها و فرصتها)»، کرج: مؤسسۀ تحقیقات فنی و مهندسی کشاورزی. [2]. باقری، نیکروز (1390). «طراحی و توسعۀ سیستم پاشش نرخ متغیر کود نیتروژن مایع با استفاده از تصاویر ماهوارهای»، رسالۀ دکتری گروه مهندسی مکانیک ماشینهای کشاورزی، دانشکدۀ مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابعطبیعی دانشگاه تهران. [3]. حسینی، رقیهسادات؛ گاشی، سراله؛ سلطانی، افشین؛ کلاته، مهدی؛ و زاهد، محبوبه (1392). «اثر کود نیتروژن بر شاخصهای کارایی مصرف نیتروژن در ارقام گندم»، نشریۀ پژوهشهای زراعی ایران، جلد 11، ش 2، ص 306-300. [4]. طباطباییکلور، سیدرضا (1395). کشاورزی دقیق، نوروزی. [5]. کوچکی، علیرضا؛ زند، اسکندر؛ و مهدویدامغانی، عبدالمجید (1392). تولید پایدار محصولات زراعی (زراعت عمومی)، تهران: مرکز نشر دانشگاهی. [6]. ملکوتی، محمدجعفر (1394). توصیۀ بهینۀ مصرف کود برای محصولات کشاورزی در ایران، چ سوم، مبلغان. [7]. مقیمی، ابراهیم (1394). دانش مخاطرات، تهران: انتشارات دانشگاه تهران. [8]. هاشمیمجد، کاظم (1393). مقدمهای بر مدیریت عناصر غذایی، حاصلخیزی خاک و کودها، ویرایش هفتم، آییژ. [9]. یزدی صمدی، بهمن؛ رضائی، عبدالمجید؛ و ولیزاده؛ مصطفی (1377). طرحهای آماری در پژوهشهای کشاورزی، چ دوم، تهران: انتشارات دانشگاه تهران. [10]. Bagheri, N. (2016). “Development of a high-resolution aerial remote sensing system for precision agriculture”, International Journal of Remote Sensing, 38(8), pp: 2053-2065. [11]. Bagheri, N.; & Bordbar. M. (2014). “Solutions for fast development of precision agriculture in Iran”, Agric Eng Int: CIGR Journal, 16(3), pp: 119-123. [12]. Bagheri, N.; Ahmadi, H.; Alavipanah, S.K.; & Omid, M. (2013).“Multispectral remote sensing for site-specific nitrogen fertilizer management, Brazilian Journal of Agricultural Research, 48(10), pp: 1394-1401. [13]. Bagheri, N.; Ahmadi, H.; Alavipanah, S.K.; & Omid, M. (2012).“Soil-line vegetation indices for maize nitrogen content prediction”, International Agrophysics, 26(2), pp: 103-108. [14]. Bajwa, S.G. (2006). “Modeling rice plant nitrogen effect on canopy reflectance with partial least square regression (PLSR)”, The Information & Electrical Technologies Division of ASABE. [15]. Corti, M.; Cavalli, D.; Cabassi, G.; Vigoni, A.; Degano, L.; & Gallina, P.M. (2019). “Application of a low‑cost camera on a UAV to estimate maize nitrogen‑related variables”, Precision Agriculture, 20(1), pp: 1-22. [16]. Devadas, R.; Lamb, D.W.; Simpfendorfer, S.; & Backhouse, D. (2009). “Evaluating ten spectral vegetation indices for identifying rust infection in individual wheat leaves, Precision Agriculture, 10, pp: 459-470. [17]. Gianquinto, G.; Orsini, F.; Fecondini, M.; Mezzetti, M.; Sambo, P.; & Bona, S. (2011). “A methodological approach for defining spectral indices for assessing tomato nitrogen status and yield”, European Journal of Agronomy, 35 (2011), pp: 135– 143. [18]. Gitelson, A.A.; Merzlyak, M.N.; & Chivkunova, O.B. (2001). “Optical properties and nondestructive estimation of anthocyanin content in plant leaves”, Photochemistry and Photobiology, 74, pp: 38–45. [19]. Krienke, B.; Ferguson, R.B.; Schlemmer, M.; Holland, K.; Marx, D.; & Eskridge, K. (2017). “Using an unmanned aerial vehicle to evaluate nitrogen variability and height effect with an active crop canopy sensor”, Precision Agriculture, 18(6), pp: 900–915. [20]. Li, Y.; Chen, D.; Walker, C.N.; & Angus, J. F. (2010). “Estimating the nitrogen status of crops using a digital camera”, Field Crops Research, 118(3), pp: 221–227. [21]. Lin, F. F.; Qiu, L.F.; Deng, J.S.; Shi, Y. Y.; Chen, L. S.; & Wang, K. (2010). “Investigation of SPAD Meter-Based Indices for Estimating Rice Nitrogen Status”, Computers and Electronics in Agriculture, 71, pp: 60–65. [22]. Noh, H.; & Zhang, Q. (2012). “Shadow effect on multi-spectral image for detection of nitrogen deficiency in maize”, Computers and Electronics in Agriculture, 83, pp: 52–57. [23]. Reum. D.; & Zhang. Q. (2007). “Wavelet based multi-spectral image analysis of maize leaf chlorophyll content”, Journal of Computers and Electronic in agriculture, 56, pp: 60-71. [24]. Rorie, R.L.; Purcell, L. C.; Mozaffari, M.; Karcher, D. E.; King, C. A.; Marsh, M. C.; & Longer, D. E. (2011). “Association of “Greenness” in Maize with Yield and Leaf Nitrogen Concentration”, Agronomy Journal, 103(2), pp: 529–535. [25]. Rouse, J.W.; Hass, R.H.; Schell, J.A.; Deering, D.W.; & Harlan, J.C. (1974). Monitoring the vernal advancements and retrogradation of natural vegetation, Type III, Final Report; NASA/GSFC: Greenbelt, MD, USA. [26]. Shaver, T.M.; Khosla, R.; & Westfall, D.G. (2011). “Evaluation of two crop canopy sensors for nitrogen variability determination in irrigated maize”, Precision Agriculture, 12, pp: 892-904. [27]. Smith, A. M.; Bourgeois, G.; Teillet, P. M.; Freemantle, J.; & Nadeau, C. (2008). “A comparison of. NDVI and NDVI2 for estimating LAI using CHRIS imagery: a case study in wheat”, Canadian Journal of Remote Sensing, 34(6), pp: 539-548. [28]. Stafford, J. V. (2000). “Implementing precision agriculture in the 21st century”, Journal of Agricultural Engineering Research, 76, pp: 267–275. [29]. Wang, H.; Krogh Mortense, A.; Mao, P.; Boelt, B.; & Gislunm, R. (2019). “Estimating the nitrogen nutrition index in grass seed crops using a UAV-mounted multispectral camera”, International Journal Remote Sensing. doi.org/10.1080/01431161.2019.1569783. [30]. Warren, G., Metternicht, G. (2005). Agricultural applications of high-resolution digital multispectral imagery: Evaluating within-field spatial variability of canola (Brassica napus) in Western Australia, Photogrammetric Engineering and Remote Sensing, 71, pp: 595–602. [31]. Xie, Q.; Dash, J.; Huang, W.; Peng, D.; Qin, Q.; Mortimer, H.; Casa, R.; Pignatti, S.; Laneve, G.; Pascucci, S.; Dong, Y.; & Ye, H. (2018). “Vegetation Indices Combining the Red and Red-Edge Spectral Information for Leaf Area Index Retrieval”, 11(5), pp: 1482-1493. [32]. Xue. L., Yang, L. (2008). “Recommendations for nitrogen fertilizer topdressing rates in rice using canopy reflectance spectra”, Biosystems Engineering, 100, pp: 524-534. [33]. Zaman Allah, M.; Vergara, O.; Araus, J.L.; Tarekegne, A.; Magorokosho, C.; Zarco, P.J.; Hornero, A.; Hernandez Alba, A.; & Cairns, J. (2015). “Unmanned aerial platform based multi spectral imaging for field phenotyping of maize”,Plant Methods, pp: 11-35. [34]. Zhao, D.; Reddy, K. R.; Kakani, V. G.; Read, J. J.; & Carter, G. A. (2003). “Maize (Zea mays L.) growth, Leaf pigment concentration, photosynthesis and leaf hyperspectral reflectance properties as affected by nitrogen supply”, Plant Soil, 257, pp: 205-217. | ||
آمار تعداد مشاهده مقاله: 793 تعداد دریافت فایل اصل مقاله: 596 |