پهنه‌بندی عناصر غذایی پر مصرف در خاک و برگ درختان باغ‌های پرتقال با استفاده از مدل گاوسی (مطالعه موردی شهرستان دزفول)

الموضوعات :

ابتسام نیسیان ¹ , کامران محسنی فر ² , ابراهیم پناهپور ³ , تیمور بابائی نژاد ⁴

1 - دانشجوی دکتری، گروه خاکشناسی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
2 - عضو هیئت علمی گروه خاکشناسی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
3 - عضو هیئت علمی گروه خاکشناسی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
4 - عضو هیئت علمی گروه خاکشناسی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

تاريخ الإرسال : 21 الجمعة , رمضان, 1443 تاريخ التأكيد : 25 الإثنين , جمادى الأولى, 1444 تاريخ الإصدار : 29 الثلاثاء , شعبان, 1444

الکلمات المفتاحية: تغییرات مکانی, زمین‌آمار, نیم تغییرنما, عناصر غذایی,

ملخص المقالة :

زمینه و هدف: تهیه نقشه حاصلخیزی اراضی دارای اهمیت ویژه‌ای از نظر، تعیین مناطقی که نیاز به مواد غذایی خاصی دارند، بهینه کردن مصرف کودهای کشاورزی و تسهیل در مدیریت بهینه تغذیه خاک و گیاه، دارد. تغییرات مکانی در عناصر غذایی خاک و گیاه امری معمول است، ولی شناخت این تغییرات به‌ویژه در اراضی کشاورزی جهت برنامه‌ریزی دقیق و مدیریت، امری ضروری است. این تحقیق با هدف پهنه‌بندی الگوی توزیع مکانی عناصر غذایی نیتروژن، فسفر، پتاسیم، گوگرد، کلسیم و منیزیم در خاک و برگ درختان باغ‌های پرتقال دزفول با استفاده از مدل گاوسی و سامانه اطلاعات جغرافیایی(GIS) انجام شد.روش پژوهش: در محدوده باغ‌های پرتقال شهرستان دزفول با مساحت 3200 هکتار تعداد 130 نقطه جهت نمونه‌برداری روی نقشه مشخص شدند. برای تعیین محل نمونه‌برداری، فاکتورهایی نظیر خاک، کشت و سیستم آبیاری، شیب، پستی و بلندی، نحوه رشد درختان پرتقال در نظر قرار گرفته شد. پس از نمونه‌برداری خاک (عمق 0-60 سانتی‌متری) و گیاه، نمونه‌ها به آزمایشگاه انتقال یافت و غلظت عناصر غذایی پرمصرف اندازه‌گیری شد. پس از آنالیزهای آماری اولیه روی داده‌ها، سطح همبستگی متغیرهای سنجش شده در خاک و برگ درختان پرتقال از طریق آزمون همبستگی پیرسون محاسبه شد. با استفاده از نرم افزار R موقعیت مکانی نقاط نمونه‌برداری در مدل گاوسین شبیه‌سازی گردید. میان‌یابی با استفاده از روش‌های کریجینگ ساده و کرنل صورت گرفت. تحلیل حساسیت مدل به ازاء تغییرات اعمال شده در مقادیر مبنا برای اجرای الگوریتم نیز بر اساس جایگزینی مقادیر مورد نظر از توابع پسین صورت گرفت.یافته‌ها: بررسی شاخص‌های پراکندگی نشان داد بیشترین ضریب تغییرات در خاک مربوط به عنصر فسفر و در نمونه‌های برگ مربوط به عنصر ازت است. نتایج نشان داد مقدار مجذور میانگین مربعات خطا برای عناصر نیتروژن، فسفر، پتاسیم و گوگرد در کریجینگ ساده در خاک به ترتیب 171/0، ۱۵۲/۰، ۱۳۲/۰ و ۱۵۳/۰ و در روش کرنل ۲۱۲/۰، ۱۵۲/۰، ۲۲۹/۰ و ۱۶۶/۰ و برای نمونه‌های برگ درختان پرتقال در کریجینگ ساده به ترتیب ۱۲۱/۰، ۱۸۸/۰، ۱۱۶/۰ و ۱۳۱/۰ و در روش کرنل ۱۸۴/۰، ۲۰۶/۰، ۱۷۲/۰ و ۲۲۹/۰ محاسبه گردید. نتایج الگوی توزیع مکانی هر کدام از عناصر اندازه‌گیری شده در خاک و برگ درختان پرتقال نشان داد کمترین مقدار ازت در جنوب منطقه است (42/0 تا 33/1 میلی‌گرم بر کیلوگرم) و الگوی توزیع آن شبیه توزیع در برگ درختان پرتقال (09/1 تا 29/1 میلی‌گرم بر کیلوگرم) است. منیزیم در شمال و قسمتی از جنوب کمترین مقدار (11/3 تا 57/4 میلی‌گرم بر کیلوگرم) و گوگرد در بیشتر خاک منطقه بین 31/21 تا 25/26 میلی‌گرم بر کیلوگرم است.نتایج: در بررسی کارایی مدل آماری گاوسین در پراکنش عناصر غذایی در خاک و برگ درختان پرتقال باغ‌های شهرستان دزفول، نتایج نشان داد ضریب همبستگی خطی پیرسون محاسبه شده، بیشترین همبستگی بین کلسیم و پتاسیم همچنین منیزیم و کلسیم در خاک وجود دارد ولی در برگ درختان پرتقال همبستگی خطی بین هیچ کدام از عناصر غذایی وجود ندارد. در برآورد بهترین روش درون‌یابی عنصر کلسیم در خاک کمترین خطا در هر دو روش کرنل و کریجینگ ساده را داشت درحالی که در برگ گیاه، منیزیم در روش کرنل و پتاسیم در روش کریجینگ ساده خطای کمتری دارد. بالاترین خطا برای خاک و گیاه به ترتیب مربوط به پتاسیم و کلسیم در روش کرنل است.

المصادر:

Aiobi, S., Mohamad Zamani, S., and Khormali, F. 2007. Estimation of total soil nitrogen using the amount of organic matter by kriging, cokriging and kriging methods - regression in a part of reddish arable lands of Golestan province. Journal of Agricultural Sciences and Natural Resources, 14. (4). (in Persian with English abstract)

Asadi Kangarshahi, A., Basirat, M., Akhlaghi, N., Haghighatnia, H., Sheikh Ashouri, A., and Sabbah, A. 2016. Instructions for optimal use of fertilizer in fruit trees (Vol. 1). Ministry of Jihad Agriculture. (in Persian)

Bai ,M., Haghizade, A., and Tahmasebipour, N. 2018. Spatial Variations of quality Groundwater use Geostatistical Method. Geographical Space, 18(63), 147-164. http://geographical-space.iau-ahar.ac.ir/article-1-2308-en.html

Baz, I., Geymen, A., and Er, S. N. 2009. Development and application of GIS-based analysis/synthesis modeling techniques for urban planning of Istanbul Metropolitan Area. Advances in Engineering Software, 40(2), 128-140. https://doi.org/https://doi.org/10.1016/j.advengsoft.2008.03.016

Calabi-Floody, M., Medina, J., Rumpel, C., Condron, L. M., Hernandez, M., Dumont, M., and Mora, M. d. l. L. 2018. Chapter Three - Smart Fertilizers as a Strategy for Sustainable Agriculture. In D. L. Sparks (Ed.), Advances in Agronomy (Vol. 147, pp. 119-157) .Academic Press. https://doi.org/https://doi.org/10.1016/bs.agron.2017.10.003

Fabijańczyk, P., and Zawadzki, J. 2019. Using Geostatistical Gaussian Simulation for Designing and Interpreting Soil Surface Magnetic Susceptibility Measurements. International Journal of Environmental Research and Public Health, 16(18), 3497. https://www.mdpi.com/1660-4601/16/18/3497

Farajnia, A. 2015. Investigation of spatial distribution of soil fertility elements in the Miyaneh wheat farms. Agroecology Journal, 11(1), 3.5-45. https://doi.org/10.22034/aej.2015.514346

Goovaerts, P. 1997. Geostatistics for Natural Resource Evaluation. In (Vol. 42) .

Ismail, M. H., and Junusi, R. 2009. Determining and Mapping Soil Nutrient Content Using Geostatistical Technique in a Durian Orchard in Malaysia. Journal of Agricultural Science, 1. https://doi.org/10.5539/jas.v1n1p86

John, K., Afu, S. M., Isong, I. A., Aki, E. E., Kebonye, N. M., Ayito, E. O., Chapman, P. A., Eyong, M. O., and Penížek, V. 2021. Mapping soil properties with soil-environmental covariates using geostatistics and multivariate statistics. International Journal of Environmental Science and Technology, 18(11), 3327-3342. https://doi.org/10.1007/s13762-020-03089-x

Kazemi Poshtmasari, H., Tahmasebi Sarvestani, Z ,.Kamkar, B., Shataei, S., and Sadeghi, S. 2012. Evaluation of Geostatistical Methods for Estimating and Zoning of Macronutrients in Agricultural Lands of Golestan Province. Water and Soil Science, 22(1), 201. https://www.magiran.com/paper/1034000

Khorassani, R. 2016. Determination of norms and limitation of Nutrients for Orange by the Compositional Nutrient Diagnosis (CND) method. Soil Management and Sustainable Production, 6(3), 161-172. in persian. https://www.magiran.com/paper/1648206

Li, J., Wan, H ,.and Shang, S. 2020. Comparison of interpolation methods for mapping layered soil particle-size fractions and texture in an arid oasis. CATENA, 190, 104514. https://doi.org/https://doi.org/10.1016/j.catena.2020.104514

Lloyd, C. D., and Atkinson, P. M. 2004. Increased accuracy of geostatistical prediction of nitrogen dioxide in the United Kingdom with secondary data. International Journal of Applied Earth Observation and Geoinformation, 5(4), 293-305. https://doi.org/https://doi.org/10.1016/j.jag.2004.07.004

Rezaeifard, M., Shariatmadari, H., and Toomanian, N. 2019. Investigation of Interpolation Methods for Determination of Organic Carbon and Nitrogen Spatial Distribution in Lanjanat Region in Isfahan Province. Iranian Journal of Soil Research, 33(3), 349 - .163 https://doi.org/10.22092/ijsr.2019.125196.431
Sadeghikhoo, S. R., and Aliabbaspour, R. 2018. Evaluation of Interpolation Models in Zoning of Heavy Metals in Soil (Case Study: Herris Area). Journal of Environmental Studies, 44(1), 17-32. in persian. https://doi.org/10.22059/jes.2018.242785.1007513
Salma, D., Munaswamy, V., Giridhara Krishna, T., Sumathi, V., and Reddy, B. 2019. GPS and GIS based Soil Fertility Maps and Identification of Soil Related Constraints for Chickpea Growing Soils of Owk Mandal ,Kurnool District (A.P), India. International Journal of Current Microbiology and Applied Sciences, 8, 1241-1247. https://doi.org/10.20546/ijcmas.2019.806.151
Shahinzadeh, N., Babaeinejad, T., Mohsenifar, K., and Ghanavati, N. 2022. Spatial variability of soil properties determined by the interpolation methods in the agricultural lands. Modeling Earth Systems and Environment. https://doi.org/10.1007/s40808-022-01402-w
Tadayon, V. 2017. Bayesian Analysis of Censored Spatial Data Based on a Non-Gaussian Model. Journal of Statistical Research of Iran, 13, 155-180. https://doi.org/10.18869/acadpub.jsri.13.2.155
Tadayon, V., and Khaledi, M. J. 2015. Bayesian Analysis of Skew Gaussian Spatial Models Based on Censored Data. Communications in Statistics - Simulation and Computation, 44(9), 2431-2441. https://doi.org/10.1080/03610918.2013.839036
Zawadzki, J., and Fabijanczyk, P. 2018. The geostatistical reassessment of soil contamination with lead in metropolitan Warsaw and its vicinity. International Journal of Environment and Pollution, 6. (1).
Zawadzki, J., and Fabijańczyk, P. 2008. The geostatistical reassessment of soil contamination with lead in metropolitan Warsaw and its vicinity. International Journal of Environment and Pollution - INT J ENVIRON POLLUTION, 35. https://doi.org/10.1504/IJEP.2008.021127
Zhao, Y., Han, H., Cao, L., and Chen, G. 2011. Study on Soil Nutrients Spatial Variability in Yushu City