تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,102,476 |
تعداد دریافت فایل اصل مقاله | 97,208,910 |
تخصیص بهینه آب و زمین در شبکهی آبیاری مغان با ترکیب مدلسازی گیاهی و الگوریتم ژنتیک | ||
تحقیقات آب و خاک ایران | ||
دوره 53، شماره 12، اسفند 1401، صفحه 2921-2935 اصل مقاله (1.55 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijswr.2023.352463.669411 | ||
نویسندگان | ||
پریسا کهخا مقدم1؛ علی نقی ضیائی* 2؛ کامران داوری3؛ امین کانونی4؛ صدیقه صادقی5 | ||
1گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران. | ||
2گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی، مشهد، ایران | ||
3گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران | ||
4گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
5گروه ریاضی کاربردی، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران. | ||
چکیده | ||
آب یکی از مهمترین عوامل تأمین امنیت غذایی جمعیت رو به رشد جهان است. محدودیت منابع آب کشور و همچنین رقابت فزایندهی بخشهای مختلف جهت استفاده از آب، مدیریت بهینه از منابع آبی را ضروری میسازد. در شبکههای آبیاری استراتژیهای مختلفی برای مدیریت منابع آبی بهکار گرفته میشود. یکی از این موارد، تخصیص بهینه آب و زمین است. در این پژوهش یک مدل بهینهساز تخصیص آب و زمین با هدف بیشینهسازی سود اقتصادی، بر مبنای الگوریتم ژنتیک و استفاده از مدل گیاهی AquaCrop plug-in ارائه شده است. برای این منظور کدنویسی سی شارپ (C#) در فضای ویژوال استودیو انجام شد. برای سنجش کارایی مدل، اراضی تحت پوشش یکی از کانالهای شبکهی آبیاری مغان بررسی شد. در این مدل سال زراعی به 36 دوره ده روزه تقسیم و عمق آب آبیاری در هر دوره و مساحت زیر کشت نیز بهعنوان متغیرهای تصمیم در گرفته شدند. نتایج نشان داد بیشترین درصد افزایش میزان سود اقتصادی مربوط به گیاه ذرت دانهای کشت اول، یونجه و گندم بهترتیب با 9، 3/7 و 7 درصد است. این در حالی است که کمترین افزایش میزان سود اقتصادی مربوط به گیاه ذرت دانهای کشت دوم و سویا است. حجم آب تخصیص یافته در حالت بهینه به میزان 7/14 درصد کاهش یافت، اما در مقابل سود اقتصادی با افزایش 7/5 درصدی همراه بود. لذا تخصیص بهینه آب در این منطقه بیش از افزایش سود اقتصادی، صرفهجویی در مصرف آب را تشویق میکند. | ||
کلیدواژهها | ||
الگوریتم ژنتیک؛ سود اقتصادی؛ مدل AquaCrop plug-in | ||
مراجع | ||
Adabi, V., Azizian, A., Ramezani Etedali, H., Kaviani, A., & Ababaei, B. (2020). Local sensitivity analysis of AquaCrop model for wheat and maize in qazvin plain and Moghan Pars-Abad in Iran. Iranian Journal of Irrigation and Drainage, 6(13), 1565-1579. (In Persian) Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop evapotranspiration, guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper, No 56, Food and Agriculture Organization of the United Nations, Rome. Bastiaanssen, W. G. M., Allen, R. G., Droogers, P., D’Urso, G., & Steduto, P. (2007). Twenty five years modeling irrigated and drained soils: State of the art. Agricultural Water Management, 92(3), 111–125. Chu, L., & Grafton, R. Q. (2020). Water pricing and the value-add of irrigation water in Vietnam: Insights from a crop choice model fitted to a national household survey. Agricultural Water Management, 183, 453- 459. Cortignani, R., & Severini, S. (2009). Modeling farmlevel adoption deficit irrigation using positive mathematical programming. Agricultural water management, 96, 1785-1791. Doorenbos, J., Kassam, A. H., Bentvelsen, C. L. M., & Branscheid, V. (1979). Yieid response to water. FAO Irrigation and Drainage Paper. FAO Library AN: 206617. García-Vilaa, M., & Fereresa, 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. Ghochanian, M., & Fashaee, M. (2021). Water resources management indicators focusing on governance. Journal of Water and Sustainable Development, 9(1), 1-10. Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley-Longman, Reading, Massachusetts, USA. Guo, D., Eivind Olesen, J., Manevski, K., & Ma, X. ( 2021). Optimizing irrigation schedule in a large agricultural region under different hydrologic scenarios. Agricultural Water Management, https://doi.org/10.1016/j.agwat.2020.106575. Hanks, R. J. (1983). Yield and water-use relationships. in: Lange, O. L., Kappen, L. and Schulze, E. D. (Eds.) ecological studies. nalysis and synthesis. Vol. 19. Water and Plant Life. Springer-Verlag. Berlin. Huang, Q., Rozelle, S., & Howitt, R. (2006). Irrigation water pricing policy in china. American agricultural economics association annual meeting. Long Beach, CA. Izadfard, A., Sarmadian, F., Jahansooz, M. R., Peykani, GH. R., & Chaichi, M. R. (2017). Comparison of AquaCrop model and heat-radiation production potential model in estimating yield potential in a part of Mughan plain lands in Ardabil province. Iran water and soil research, 48(4), 853-864. (In Persian) Izadfard, A., Sarmadian, F., Jahansooz, M. R., & Asadi Oskouei, E. (2021). Optimum cropping pattern based on irrigation water productivity using AquaCrop simulation model. Journal of Agricultural Science and Technology, 23(5), 1163-1178. Kanooni, A. (2013). Development of an integrated optimal water allocation and distribution model at different levels of irrigation networks. Ph.D. thesisin the field water structures engineering under the guidance Mohammad Javad Monem. Tehran: Tarbiat Modares University, Department of water structures engineering. 177 p.. (In Persian) Kanooni, A., & Monem, M. J. (2014). Integrated stepwise approach for optimal water allocation in irrigation canal. Irrigation and Drainage, 63, 12–21. Kashefi Nezhad, P., & Hooshmand, A. R. (2020). Optimal allocation of water resources of Maroon irrigation network to maximize net benefit. Iranian Water Research Journal, 14 (1), 41-49. (In Persian) Katerji, N., Pasquale, C., & Marcello. M. (2013). Productivity, evapotranspiration and water use efficiency of corn and tomato crops simulated by Aquacrop under contrasting water stress conditions in the Mediterranean region. Agricultural Water Management, 130, 14-26. Kazem Attar, H., Noory, H., & Ebrahimian, H. (2020). Effect of water pricing on persuading farmers to use modern irrigation systems and increasing the economic productivity of irrigation water (Case Study: Qazvin plain irrigation network). Iranian Journal of Irrigation and Drainage, 2(4), 616-625. (In Persian) Kumar, V., and Yadav, S. M. (2019). Optimization of cropping patterns using elitist-Jaya and elitist- TLBO algorithms. Water Resources Management, 33(5), 1817-1833. Kuo, S.F, Merkley, G.P., & Liu, C.W. (2000). Decision support for irrigation project planning using a genetic algorithm. Agricultural Water Management, 45, 243-266. Li, J., Song, J., Li, M., Shang, S., Mao, X., Yang, J., & Adeloye, A. J. (2018). Optimization of irrigation scheduling for spring wheat based on simulation-optimization model under uncertainty. Agricultural Water Management, 208, 245–260.. Linker, R., Ioslovich, I., Sylaios, G., Plauborg, F., & Battilani, A. (2016). Optimal model-based deficit irrigation scheduling using AquaCrop: a simulation study with cotton, potato and tomato. Agricultural Water Management, 163, 236–243. Mohammadi, M., Davary, K., & Ghahraman, B. (2019). Optimizing irrigation water depth and leaching based on different water management and salinity treatments using AquaCrop model. Journal of Water Research in Agriculture, 33(2), 299-315. (In Persian) Rabie Z. Honar T. & Bateni M. (2015). Determination of optimal and water allocation under limited water resources using soil water balance in Ordibehesht canal of Doroodzan water district. Iran Agricultural Research, 34(2), 21-28. Raes, D., Steduto, P., Hsiao, T. C., & Fereres, E. (2012). Reference Manual: AquaCrop Plugin Program (Version 4.0). FAO Irrigation and Drainage Paper, FAO, Rome. Rath A. Prakash S. & Swain C. (2017). Optimal irrigation management at Mundoghat Command area of Hirakud canal system using genetic algorithm. International journal of Recent Advances in Multidisciplinary Research, 4(8), 2175- 2719. Rath A. Samantary S. Biswal S. & Swain P. C. (2018). Application of genetic algorithm to derive an optimal cropping pattern in part of Hirakud Command. Advances in intelligence and computing. Singapore. 845 p.. Statistical center of Iran. Presidential program and budget organization. (2021). Seling prices of products and cost of agricultural services in rural areas of the country. (In Persian) Steduto, P., Hsiao, T. C., Fereres, E., & Raes, D. (2012). Crop yield response to water. FAO Irrigation and Drainage Paper, vol. 66. FAO, Rome. Steduto, P., Hsiao, T. C., Raes, D. & Fereres, E. (2009). AquaCrop-The FAO crop model to simulate yield response to water: I. Concepts and underlying principles. Agronomy Journal, 101, 426-437. Tomohari, H., Okamoto, K., yoshihiro, M., & Nohara, D. (2015). An optimization scheme of cropping pattern under the variation of water and climate condition. Proceeding of the 36th IAHR World Congress, The Hague, the Netherlands. Valizadegan. E., & Dindar Sooha, A. (2020). Model of optimal allocation of water and land to agricultural crops in deterministic and stochastic conditions. Journal of Water and Soil Resources Conservation, 10(3), 31-46. (In Persian) Wang, H. R., Dong, Y. Y., Wang, Y., & Liu, Q. (2008). Water right institution and strategies of the Yellow River valley. Water Resource. Management, 22, 1499–1519. Zargan J. & Waez-Mousavi S. M. (2016). Water crisis in Iran: its intensity, causes and confronting strategies. Indian journal of science and technology, 9(44), 2-6. | ||
آمار تعداد مشاهده مقاله: 220 تعداد دریافت فایل اصل مقاله: 236 |