با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

2 گروه زراعت، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

روز کاری یکی از عوامل تعیین کننده در انتخاب بهینه سیستم ماشین های زراعی بوده و تعیین کننده میزان زمان موجود برای انجام عملیات کشاورزی می باشد. معمولاً برای تعیین تعداد روزهای کاری موجود از مدل های شبیه سازی رطوبت خاک استفاده می شود. در این تحقیق نیز، مدل شبیه‌سازی به منظور محاسبه رطوبت روزانه خاک در مزرعه تهیه شده است. مدل به دست آمده تعداد روزکاری برای انجام عملیات خاک ورزی و کاشت را در پاییز پیش بینی می‌کند. این مدل تابعی از شرایط آب و هوایی مانند بارندگی، تبخیر و خصوصیات لایه 25 سانتی متری عمق خاک می‌باشد. برای اعتبارسنجی از داده‌های هشت ساله عملیات خاک ورزی ثانویه و کاشت مزرعه ی تحقیقاتی دانشکده کشاورزی دانشگاه فردوسی مشهد استفاده شد. معیار کارپذیری خاک رطوبت کمتر یا مساوی 85 درصد حد ظرفیت زراعی خاک و بارندگی روزانه ی کمتر از 4 میلی متر در نظر گرفته شد. نتایج تحلیل حساسیت مدل نشان داد که تعداد روز کاری با افزایش حد رطوبتی خاک و ضریب زهکشی خاک افزایش می یابد. سازگاری خوبی میان نتایج به‌دست آمده از مدل در مقایسه با واقعیت وجود داشت. تعداد روز کاری برای عملیات خاک ورزی ثانویه و کاشت پاییزه در مزرعه با احتمال 50، 80 و 90 درصد به‌طور میانگین برای دوره‌های ده روزه مهر ماه به‌ترتیب 9/94، 9/21 و 8/57 روز، آبان ماه، 9/77، 8/02 و 6/41 روز و برای آذرماه، 9/68، 7/48 و 5/24 روز به دست آمد.

کلیدواژه‌ها

1. Ahaneku, I. E., and A. P. Onwualu. 2007. Predicting suitable field workdays for soil tillage in north central Nigeria. Nigeian Journal of Technology 26 (1): 81-88.
2. Ataide, L. T., P. H. Caramori, D. A. B. Silva, W. d. S. Ricce, and J. R. P. d. Souza. 2012. The probability of potentially useful work days during the year in Londrina. Ciências Agrarias, Londrina, 33 (6): 2215-2226.
3. Babier, A. S., T. S. Colvin, and S. J. Marley. 1986. Predicting field tractability with a simulation model. Transactions of the ASAE 29 (6): 1520-1525.
4. Bannayan, M., A. Lakzian, N. Gorbanzadeh, and A. Roshani. 2011. Variability of growing season indices in northeast of Iran. Theoretical and Applied Climatology 105: 485-494.
5. Dyer, J. A., and W. Baier. 1979. Weather-based estimation of field workdays in fall. Canadian Agricultural Engineering 21 (2): 119-122.
6. FAOWater Development, and Management Unit. 2012. ETo calculator. Food and Agriculture Organization, FAOWater. Available from: http://www.fao.org/nr/water/eto.html.
7. Khani, M., A. Keyhani, M. Parsinejad, and R. Alimardani. 2008. Determination of probability of a working day for tillage operation in Karaj. The 5th National Conference on Agricultural Machinery Engineering & Mechanization, Mashhad, Iran. (In Farsi).
8. Koocheki, A., J. Shabahng, S. Khorramdel, R. Azimi, and H. Aghel. 2011. Documentation of farming management with GIS and ArcView: A case study for agricultural research station of faculty of agriculture, Ferdowsi University of Mashhad, Iran. Journal of Iranian Field Crop Research 6 (8): 909-919. (In Farsi).
9. Kamali, G., M. Behyar, and R. Minbashian. 2011. Determining the date of effective weeds spraying in sugarcane fields in Haft Tappeh considering the effect of meteorological parameters. Journal of Geography and Regional Development (Peer-Reviewed) 8(15). Retrieved from http://jm.um.ac.ir/index.php/geography/article/view/9517. (In Farsi).
10. Nesheli, Y. M., B. Beheshti, and M. Shad. 2012. The effect of rainfall and relative humidity for determination of working days for harvesting paddy crop on Amol region. The 6th National Conference on New Ideas in Agriculture, Agricultural Faculty Islamic Azad University, Khorasgan Branch, Iran, (In Farsi).
11. Omrani, A., M. J. Shiekhdavoodi, and M. Shomeili. 2012. Influence of meteorological parameters on suitable workdays and timeliness cost in sugarcane harvesting operation. Journal of Life Science and Biomedicine 2 (6): 274-277.
12. Rezaei, A., M. Almasi, and M. Mehranzade. 2011. Review the appropriate number of working days in order to spraying operations in Citrus orchards north of Khuzestan. The 6th National Congress of Agricultural Machinery Engineering (Biosystem) and Mechanization, Tehran University, Collage of Agricultural Engineering and Technology. (In Farsi).
13. Rotz, C. A., and T. M. Harrigan. 2005. Predicting suitable days for field machinery operations in a whole farm simulation. Applied Engineering in Agriculture 21 (4): 563-571.
14. Simalenga, T. E., and H. Have. 1992. Estimation of soil tillage workdays in a semi-arid area. Agricultural Engineering Research 51: 81-89.
15. Soil Conservation Service. 1989. Module 104- runoff curve number computations. Hydrology Training Series. National Emploee Development Staff, United States Department of Agriculture.
16. de Toro, A., and P. A. Hansson. 2004. Analysis of field machinery performance based on daily soil workability status using discrete event simulation or on average workday probability. Agricultural Systems 24.
17. Witney, B. 1988. Choosing and using farm machines. New York, Longman Sientific & Technical.
18. Witney, B. D., K. E. Oskoui, and R. B. Speirs. 1982. A simulation model for predicting soil moisture status. Soil & Tillage Research 2: 67-80.
CAPTCHA Image