
تعداد نشریات | 13 |
تعداد شمارهها | 622 |
تعداد مقالات | 6,491 |
تعداد مشاهده مقاله | 8,612,547 |
تعداد دریافت فایل اصل مقاله | 8,201,628 |
پهنه بندی پارامترهای مؤثر در کیفیت حاصلخیزی خاک شالیزار برای مدیریت بهینه مصرف کود | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 14، دوره 25، شماره 4، مهر و آبان 1397، صفحه 259-274 اصل مقاله (888.71 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2018.14693.2965 | ||
نویسندگان | ||
حامد رضایی1؛ لیلا اسمعیل نژاد* 2؛ سعید سعادت1؛ پریسا ملکی3 | ||
1عضو هیئت علمی موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران | ||
2فارغ‎التحصیل مقطع دکتری فیزیک و حفاظت خاک، دانشگاه تهران | ||
3گروه علوم خاک دانشگاه تربیت مدرس | ||
چکیده | ||
سابقه و هدف: گیاهان از جمله برنج برای تأمین نیاز عناصر غذایی خود به مصرف کود احتیاج دارند تا تولید بیشتر در واحد سطح فراهم شود. برای این منظور شناسایی مقادیر عناصر پرمصرف در خاک و تهیه نقشه مناسب آنها ضروری است. ظرفیت تبادل کاتیونی (CEC ) خاک به عنوان شاخص مهمی از کیفیت حاصلخیزی و ظرفیت توقیف آلایندههای خاک و ویژگیهای ازت، فسفر و پتاسیم بهعنوان عناصر پرمصرف تغذیه گیاه محسوب میشود. این پژوهش با هدف برآورد و پهنهبندی خصوصیات مورد نظر انجام شد تا نتایج و نقشههای به دست آمده بتواند در مدیریت بهینه مصرف کودها و کنترل آلایندههای منابع آب زیرزمینی مورد استفاده قرار گیرد. مواد و روشها: منطقه مورد مطالعه با وسعت حدود 40000 هزار هکتار، جزء نواحی مرکزی استان گیلان میباشد. تعداد 247 نمونه خاک از عمق 30-0 سانتیمتری برداشت شد. مقادیر ویژگیهای CEC، ازت کل، فسفر و پتاسیم نمونههای خاک مشخص و آمارههای توصیفی آنها تعیین شد. بررسی توزیع نرمال دادهها با استفاده از آزمون کولموگروف-اسمیرنوف صورت گرفت. دادههایی که دارای توزیع نرمال نبود، با تبدیلهای مناسب، نرمال شدند. قبل از استفاده از روش درونیابی، آزمون روند و ناهمسانگردی انجام شد. نیمتغییرنما با روش کریجینگ معمولی محاسبه و نقشهها ترسیم گردید. یافتهها و بحث: مقدار پتاسیم از 78 تا 5/269 با میانگین 03/192 میلیگرم بر کیلوگرم، فسفر از 3/2 تا 56 با میانگین 51/16 میلیگرم بر کیلوگرم، مقدار ازت کل از 02/0 تا 8/0 با میانگین 26/0 درصد و CEC از 6/10 تا 1/47 با میانگین 72/26 سانتیمولبار بر کیلوگرم متغیر بود. مدل برازش شده بر نیمتغییرنمای ازت کل نمایی و ویژگیهای فسفر، پتاسیم و CEC کروی بود. ضریب تبیین (R2) مدلها دارای ارزش زیاد و نسبت اثر قطعهای به آستانه کمتر از 25 درصد است. این مشخصات نشان میدهد که نیمتغییرنمای ویژگیها دارای ساختار مکانی قوی است. پس از تعیین نیمتغییرنمای تجربی ویژگیها، نقشه برآورد مقادیر آنها با استفاده از روش کریجینگ معمولی تهیه شد. مقادیر معیارهای ارزیابی R2، RMSE و MAE برای پتاسیم 79/0، 84/27 و 106/0، فسفر 73/0، 17/8 و 63/4، ازت کل 72/0، 059/0 و 025/0 و ظرفیت تبادل کاتیونی 76/0، 06/4 و 09/3 به دست آمد. دقت نقشههای تهیه شده با توجه به مقادیر R2، RMSE و MAE قابل قبول بود. با دقت در نقشههای پهنهبندی، پراکنش مکانی مقدار پتاسیم در نواحی شمالغرب، غرب و مرکزی منطقه مورد مطالعه خوب بوده و بیشتر در شمالشرق و جنوب دارای کمبود میباشد. مقادیر فسفر و ازت در نواحی مرکزی تا شمال مناسب بوده و در جنوب منطقه دارای کمبود هستند. با توجه به نقشه ازت و فسفر خاک، مصرف بیش از حد بهینه کودهای نیتراته و فسفره باعث آلودگی آبهای زیرزمینی میشود. همچنین مصرف کودهای پتاسه در اراضی با مقادیر زیاد CEC، باعث تثبیت آن میشود که دقت در نقشه CEC و مصرف در موقع نیاز گیاه، این مشکل را مرتفع میسازد. بنابراین توجه دقیق به مقادیر این پارامترها در نقشهها و حدود بحرانی و بهینه آنها، میتواند، مصرف کودها را بهطور قابل ملاحظهای مدیریت بهینه کرده، از تحمیل هزینههای اضافی به کشاورز و آلودگی منابع آب زیرزمینی جلوگیری نماید. نتیجهگیری: بررسی عناصر اصلی ازت، فسفر، پتاسیم و CEC در شناخت کیفیت حاصلخیزی خاک دارای اهمیت است. برای این منظور نقشههای پراکنش مکانی پارامترهای ذکر شده با تعیین نیمتغییرنمای تجربی با ساختار مکانی قوی، با استفاده از روش کریجینگ تهیه شد. معیارهای R2، RMSE و MAE نشان داد که دقت نقشههای پهنهبندی قابل قبول است. پراکنش مکانی مقدار پتاسیم در نواحی شمالغرب، غرب و مرکزی منطقه مورد مطالعه مناسب بوده و غالباً در شمالشرق و جنوب دارای کمبود میباشد. همچنین مقادیر فسفر و ازت در نواحی مرکزی تا شمال خوب بوده و در جنوب منطقه دارای کمبود هستند. | ||
کلیدواژهها | ||
کریجینگ؛ NPK؛ CEC؛ خاک شالیزار؛ گیلان | ||
مراجع | ||
1.Adriana, L.D. 2007. On the use of soil hydraulic conductivity functions in the field. Soil Science. 93: 1. 162-170.
2.Aishah, A.W., Zauyah, S., Anuar, A.R., and Fauziah, C.I. 2010. Spatial variability of selected chemical characteristics of paddy soils in Sawash Sempadon, Selangor, Malaysia. Malaysi. J. Soil Sci. 14: 1. 27-39.
3.Altin, A., and Degirmenci, M. 2005. Lead (II) removal from natural soils by enhanced electrokinetic remediation. Science of the Total Environment. 337: 1-3. 1-10.
4.Andronikov, S.V., Davidson, D.A., and Spiers, R.B. 2000. Variability in contamination by heavy metals: sampling implications. Water, Air and Soil Pollution. 120: 1-2. 29-45.
5.Arias, M., Perez-Novo, C., Osorio, F., Lopez, E., and Soto, B. 2005. Adsorption and desorption of copper and zinc in the surface layer of acid soils. J. Coll. Inter. Sci. 288: 1. 21-29.
6.Asadzadeh, F., Akbarzadeh, A., Zolfaghari, A.A., Taghizadeh Mehrjardi, R., Mehrabanian, M., Rahimi Lake, H., and Sabeti, M.A. 2012. Study and comparison of some geostatistical methods for mapping cation exchange capacity in soils of northern Iran. Annals of Faculty Engineering Hunedoara. 1: 1. 59-66.
7.Behera, S.K., Mathur, R.K., Shukla, A.K., Suresh, K., and Prakash, C. 2018. Spatial variability of soil properties and delineation of soil management zones of oil palm plantations grown in a hot and humid tropical region of southern India. Catena. 165: 251-259.
8.Bogunovic, I., Trevisani, S., Seput, M., Juzbasic, D., and Durdevic, B. 2017. Short-range and regional spatial variability of soil chemical properties in an agro-ecosystem in eastern Croatia. Catena. 154: 50-62.
9.Burt, R. 2014. Soil survey laboratory methods manual. Soil survey investigations report No. 42, Version 5. United States Department of Agriculture, Natural Resources Conservation Service, National Soil Survey Center.
10.Chung, N., and Alexander, M. 2002. Effect of soil properties on bioavailability and extractability of phenanthrene and atrazine sequestered in soil. Chemosphere. 48: 1. 109-115.
11.Davatgar, N., Neishabouri, M.R., and Sepaskhah, A.R. 2012. Delineation of site specific nutrient management zones for a paddy cultivated area based on soil fertility using fuzzy clustering. Geoderma. 173-174: 111-118.
12.Doberman, A., and Fairhurst, T.H. 2000. Rice: Nutrient Disorders and Nutrient Management. International Rice Research Institute, Philippines.
13.Dou, F., Yu, X., Ping, C., Michaelson, G., Guo, L., and Jorgenson, T. 2010. Spatial variation of tundra soil organic carbon along the coastline of northern Alaska. Geoderma. 154: 3-4. 328-335.
14.Fu, Q., Wang, Z., and Jiang, Q. 2010. Delineating soil nutrient management zones based on fuzzy clustering optimized by PSO. Mathematical and Computer Modelling. 51: 11-12. 1299-1305.
15.Fu, W., Tunney, H., and Zhang, C. 2010. Spatial variation of soil nutrients in a dairy farm and its implications for site-specific fertilizer application. Soil & Tillage Research. 106: 2. 185-193.
16.Isimail, M.H., and Junusi, R. 2009. Determining and mapping soil nutrient content using geostatistical technique in a Durian orchard in Malaysia. J. Agric. Sci. 1: 1. 86-91.
17.Karimi Amirkiasar, M., Ardalan, M., Kavoosi, M., and Shokri Vahed, H. 2011. Determination of Phosphorus Critical Level in Some of Paddy Soils in Guilan. J. Water Soil. 25: 4. 814-822. (In Persian)
18.Kavoosi, M., and Malakoti, M.J. 2006. Determination of available potassium critical level with ammonium acetate extractor in Guilan paddy soils. J. Sci. Technol. Agric. Natur. Resour. 10: 3. 113-123. (In Persian)
19.Keshavarzi, A., Sarmadian, F., Rahmani, A., Ahmadi, A., Labbafi, R., and Iqbal, M.A. 2012. Fuzzy clustering analysis for modeling of soil cation exchange capacity. Austr. J. Agric. Engin. 3: 1. 27-33.
20.Lin, H., Wheeler, D., Bell, J., and Wilding, L. 2004. Assessment of soil spatial variability at multiple scales. Ecological Modelling. 182: 3-4. 271-290.
21.Lotfi Arpachaei, Z., Esmali Ouri, A., Hashemimajd, K., and Najafi, N. 2013. Soil fertility evaluation of Ardabil plain for wheat and potato based on some soil chemical properties by AHP and GIS techniques. J. Water Soil. 27: 1. 45-53. (In Persian)
22.Meng, Y., Cave, M., and Zhang, C. 2018. Spatial distribution patterns of phosphorus in top-soils of Greater London Authority area and their natural and anthropogenic factors. Applied Geochemistry. 88: 213-220.
23.Moral, F.J., Terrón, J.M., and Rebollo, F.J. 2011. Site-specific management zones based on the Rasch model and geostatistical techniques. Computers and Electronics in Agriculture. 75: 2. 223-230.
24.Ramzan, Sh., and Wani, M.A. 2018. Geographic information system and geostatistical techniques to characterize spatial variability of soil micronutrients including toxic metals in an agricultural farm. Communications in Soil Science and Plant Analysis. 49: 4. 463-477.
25.Robinson, T.P., and Metternicht, G. 2006. Testing the performance of spatial interpolation techniques for mapping soil properties. Computers and Electronics in Agriculture. 50: 2. 97-108.
26.Rosemary, F., Vitharana, U.W.A., Indraratne, S.P., Weerasooriya, R., and Mishra, U. 2017. Exploring the spatial variability of soil properties in an Alfisol soil catena. Catena. 150: 53-61.
27.Sarmadian, F., and Keshavarzi, A. 2014. The use of a hybrid fuzzy-AHP system on the evaluation and mapping of soil fertility. Soil and Water Resources Conservation. 3: 2. 45-56. (In Persian)
28.Shi, J., Wang, H., Xu, J., Wu, J., Liu, X., Zhu, H., and Yu, C. 2007. Spatial distribution of heavy metals in soils: A case study of Changxing, China. Environ. Geol. J. 52: 1. 1-10.
29.Site, A.D. 2001. Factors affecting sorption of organic compounds in natural sorbent/water systems and sorption coefficients for selected pollutants. A review. J. Physic. Chem. Ref. Data. 30: 1. 187-439.
30.Soil Survey Staff. 2014. Keys to Soil Taxonomy. 12th edition, United State Department of Agriculture, National Soil Survey Center. Natural Resources Conservation Service.
31.Takodjou Wambo, J.D., Ganno, S., Djonthu Lahe, Y.S., Kouankap Nono, G.D., Fossi, D.H., Tchouatcha, M.S., and Nzenti, J.P. 2018. Geostatistical and GIS analysis of the spatial variability of alluvial gold content in Ngoura-Colomines area, Eastern Cameroon: Implications for the exploration of primary gold deposit. J. Afric. Earth Sci. 142: 138-157.
32.Tang, L., Zeng, G.M., Nourbakhsh, F., and Shen, G.L. 2009. Artificial neural network approach for predicting cation exchange capacity in soil based on physico-chemical properties. Environmental Engineering Science. 26: 1. 137-146.
33.Tesfahunegn, G.B., Tamene, L., and Vlek, P.L.G. 2011. Catchment-scale spatial variability of soil properties and implications on site-specific soil management in northern Ethiopia. Soil & Tillage Research. 117: 124-139.
34.Tripathi, R., Nayaka, A.K., Shahid, M., Lal, B., Gautama, P., Raja, R., Mohanty, S., Kumar, A, Panda, B.B., and Sahoob, R.N. 2015. Delineation of soil management zones for a rice cultivated area in eastern India using fuzzy clustering. Catena. 133: 128-136.
35.Vasu, D., Singh, S.K., Sahu, N., Tiwary, P., Duraisami, V.P., Ramamurthy, V., Lalitha, M., and Kalaiselvi, B. 2017. Assessment of spatial variability of soil properties using geospatial techniques for farm level nutrient management. Soil & Tillage Research. 169: 25-34.
36.Webster, R., and Oliver, M. 2007. Geostatistics for Environmental Scientists. 2nd edition, John Wiley & Sons Ltd, Chichester UK.
37.Zhang, H., Xu, M.G., Zhang, W., and He, X.H. 2009. Factors affecting potassium fixation in seven soils under 15-year long-term fertilization. Chinese Science Bulletin, Articles/Geography. 54: 10. 1773-1780. | ||
آمار تعداد مشاهده مقاله: 601 تعداد دریافت فایل اصل مقاله: 507 |