ارزیابی مزرعه‌ای و اقتصادی استفاده از پهپاد سم‌پاش در مقایسه با سم‌پاش بوم‌دار به‌منظور کنترل علف‌های هرز و بیماری زنگ زرد در مزارع گندم

نوع مقاله : مقاله پژوهشی

نویسندگان

مجتبی صفایی نژاد

محمود قاسمی‌نژاد رایینی

مرتضی تاکی

گروه مهندسی ماشین‌های کشاورزی و مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، خوزستان، ایران

https://doi.org/10.22067/jam.2025.91236.1322

چکیده

یکی از عوامل ساختاری مهم در حوزه مکانیزاسیون کشاورزی، انتخاب فناوری مناسب است. امروزه بررسی اثرات استفاده از فناوری و توسعه تکنولوژی و مکانیزاسیون بر تولید بخش کشاورزی دارای اهمیت زیادی است. ارزیابی اثربخشی فناوری‌ها در تولید محصولات کشاورزی، با سنجش تأثیرات این فناوری‌ها و تحلیل منافع اقتصادی، ضروری است. در این راستا، اثرات استفاده از فناوری نوین (پهپاد در سم‌پاشی) در مقایسه با فناوری مرسوم (سمپاش بوم‌دار) برای کنترل علف‌های هرز و بیماری زنگ زرد گندم و همچنین بررسی سود و زیان این فناوری‌ها برای تولید گندم در شهرستان خرم‌آباد بررسی شد. آزمایش‌ها در قالب طرح آماری بلوک‌های کامل تصادفی با سه تیمار (دو تیمار سمپاش بوم‌دار و پهپاد در مقایسه با تیمار شاهد) اجرا شدند. این آزمایش‌ها برای بررسی اثرات تیمارها بر علف‌های هرز و زنگ زرد گندم و همچنین میزان نشست سم به هدف در دو مزرعه کاملاً جدا و مستقل انجام شد. برای ارزیابی اثرات سم‌پاش‌ها بر علف‌های هرز، از علف‌کش 2-4-D به میزان 1.5 لیتر در هکتار و برای ارزیابی اثرات زنگ زرد، از سم تیلت به میزان 0.5 لیتر در هکتار استفاده شد. نتایج نشان داد که میزان نشست سم در سم‌پاش‌بوم‌دار (82.8 درصد) بیشتر از میزان نشست در سم‌پاشی با پهپاد (69.9 درصد) بود. میانگین وزن ماده خشک علف‌های هرز در سم‌پاش‌بوم‌دار 172 گرم بر مترمربع و در سم‌پاشی با پهپاد 163 گرم بر مترمربع بود که از نظر آماری تفاوت معناداری نداشتند. همچنین، میانگین تراکم علف‌های هرز در سم‌پاش‌بوم‌دار 25 عدد و در سم‌پاشی با پهپاد 29.3 عدد بود که از نظر آماری تفاوت معناداری نداشتند. میانگین شاخص برداشت در آزمایش‌های کنترل علف‌های هرز، در سم‌پاش‌بوم‌دار 44 درصد و در سم‌پاشی با پهپاد 41 درصد بود که از نظر آماری در سطح 1 درصد تفاوت معناداری داشتند. میانگین شدت آلودگی به بیماری زنگ زرد در مزارع گندم در سم‌پاش‌بوم‌دار 30.7 درصد و در سم‌پاشی با پهپاد 25.3 درصد بود که از نظر آماری در سطح ۱ درصد تفاوت معناداری نداشتند، ولی نسبت به شاهد (68.3 درصد) هر دو تیمار تفاوت معناداری داشتند. شاخص برداشت در آزمایش‌‌های مربوط به بیماری زنگ زرد، در سم‌پاشی با پهپاد (43.8 درصد) وضعیت بهتری نسبت به سم‌پاش‌بوم‌دار (41.9 درصد) داشت. هزینه کل سالیانه مالکان پهپاد‌سمپاش در این منطقه (2980.3 میلیون ریال) بیشتر از هزینه کل سالیانه دارندگان سم‌پاش بوم‌دار (513.48 میلیون ریال) برآورد گردید. شاخص منفعت به هزینه در مالکان پهپاد‌سمپاش (1.215) وضعیت بهتری نسبت به مالکان سم‌پاش‌بوم‌دار (1.030) داشت و نتایج نشان داد به‌کارگیری هر دو سم‌پاش اقتصادی است. در مجموع، پهپاد‌سمپاش به دلیل کارایی و درآمدزایی بیشتر، گزینه‌ اقتصادی‌تری برای سم‌پاشی نسبت به سم‌پاش بوم‌دار است. استفاده از پهپادها در سم‌پاشی می‌تواند به‌طور قابل‌توجهی بهره‌وری و سودآوری عملیات سم‌پاشی را افزایش دهد.

کلیدواژه‌ها

اثربخشی

پهپاد

سم‌پاش بوم‌دار

منفعت به هزینه

نشست سم

موضوعات

• پایداری، زیست‌اقتصاد چرخشی و تاب‌آوری محیطی

---

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Alipour, A., Karimmojeni, H., Zali, A. G., Razmjoo, J., & Jafari, Z. (2022). Weed management in Allium hirtifolium production by herbicides application. Industrial Crops and Products, 177, 114407. https://doi.org/10.1016/j.indcrop.2021.114407
2. Almasi, M., Kiani, S., & Louimi, N. (2014). Fundamentals of agricultural mechanization. Gofteman Andisheh Moaser Press
3. American Society of Agricultural Engineers. (2011). ASAE D497.7: Agricultural machinery management data. St. Joseph, MI: ASAE. https://elibrary.asabe.org/abstract.asp?aid=36431
4. Baweja, P., Kumar, S., & Kumar, G. (2020). Fertilizers and Pesticides: Their Impact on Soil Health and Environment. In Soil Health (pp. 265-285). Springer. https://doi.org/10.1007/978-3-030-44364-1_15
5. BehzadiPour, F., Ghasemi Nejad Raeini, M., Asoodar, M. A., Marzban, A., & Abdanan Mehdizadeh, S. (2017). The regression analysis of technical factors on the drift and droplets size at the spraying by using from Laboratory and software. Iranian Journal of Biosystems Engineering, 48(1), 101-109. https://doi.org/10.22059/ijbse.2017.61565
6. Berner, B., & Chojnacki, J. (2017). Influence of the air stream produced by the drone on the sedimentation of the liquid sprayed that contains entomopathogenic nematodes. Journal of Research and Applications in Agricultural Engineering, 3, 1-8.
7. Boatwright, H., Zhu, H., Clark, A., & Schnabel, G. (2020). Evaluation of the Intelligent Sprayer System in peach production. Plant Disease, 104(12), 3207-3212. https://doi.org/10.1094/PDIS-04-20-0696-RE
8. Daum, T. (2023). Mechanization and sustainable agri‑food system transformation in the Global South. A review. Agronomy for Sustainable Development, 43, 16. https://doi.org/10.1007/s13593-023-00868-x
9. Dear, B. S., Sandral, G. A., Spencer, D., Khan, M. R. I., & Higgins, T. J. V. (2003). The tolerance of three transgenic subterranean clover (Trifolium subterraneum) lines with the bxn gene to herbicides containing bromoxynil. Australian Journal of Agricultural Research, 54(2), 203-210. https://doi.org/10.1071/AR02134
10. Dou, H., Zhang, C., Li, L., Hao, G., Ding, B., Gong, W., & Huang, P. (2018). Application of variable spray technology in agriculture. In IOP Conference Series: Earth and Environmental Science 186(5), 012007. IOP Publishing. https://doi.org/10.1088/1755-1315/186/5/012007
11. Eskouinejad, M. M. (2020). Engineering Economics (Economic Evaluation of Industerial Projects). Journal of Research and Applications in Agricultural Engineering, 3, 1-8.
12. Fathi, R., Ghasemi-Nejad Raeini, M., Abdanan Mehdizadeh, S., Taki, M., & Mardani Najafabadi, M. (2024). Comparison and evaluation of common orchard sprayers with variable-rate sprayers. Journal of Agricultural Machinery 14(4), 405-427. (in Persian). https://doi.org/10.22067/jam.2023.84946.1198
13. Garcerá, C., Moltó, E., & Chueca, P. (2017). Spray pesticide applications in Mediterranean citrus orchards: Canopy deposition and off-target losses. Science of the Total Environment, 599, 1344-1362. https://doi.org/10.1016/j.scitotenv.2017.05.029
14. Ghaseminejad Raeini, M., Sheikh Davoodi, M., Almasi, M., Bahrami, H., Zand, E., & Alamisaeid, K. (2014). Effects of tillage, fertilization and weed control methods on corn yield in the northern part of Khuzestan. World Applied Sciences Journal, 20(4), 502-511. https://agrieng.scu.ac.ir/article_10475.html?lang=en
15. Gil, E., Gallart, M., Llorens, J., & Balsari, P. (2013). Ground deposition and airborne spray drift assessment in vineyard and orchard: The influence of environmental variables and sprayer settings. Sustainability, 9(5), 728. https://doi.org/10.3390/su9050728
16. Hamuda, E., Glavin, M., & Jones, E. (2016). A survey of image processing techniques for plant extraction and segmentation in the field. Computers and Electronics in Agriculture, 125, 184-199. https://doi.org/10.1016/j.compag.2016.04.024
17. Hercher-Pasteur, J., Loiseau, E., Sinfort, C., & Helias, A. (2020). Energetic assessment of the agricultural production system. A review. |Agronomy for Sustainable Development, 40, 29. https://doi.org/10.1007/s13593-020-00627-2
18. Iost Filho, F. H., Heldens, W. B., Kong, Z., & de Lange, E. S. (2020). Drones: Innovative technology for use in precision pest management. Journal of Economic Entomology, 113(1), 1-7. https://doi.org/10.1093/jee/toz268
19. Jafar, A., Bibi, N., Naqvi, R. A., Sadeghi-Niaraki, A., & Jeong, D. (2024). Revolutionizing agriculture with artificial intelligence: Plant disease detection methods, applications, and their limitations. Frontiers in Plant Science, 15, 1356260. https://doi.org/10.3389/fpls.2024.1356260
20. Khan, B. A., Nadeem, M. A., Nawaz, H., Amin, M. M., Abbasi, G. H., Nadeem, M., Ali, M., Ameen, M., Javaid, M. M., Maqbool, R., Ikram, M., & Ayub, M. A. (2023). Pesticides: Impacts on agriculture productivity, environment, and management strategies. In T. Aftab (Ed.), Emerging contaminants and plants (pp. 109-134). Springer. https://doi.org/10.1007/978-3-031-22269-6_5
21. Lu, X., Campos, J., Salas, B., Fabregas, F. X., Zhu, H., & Gil, E. (2023). Advanced spraying systems to improve pesticide saving and reduce spray drift for apple orchards. Precision Agriculture, 24, 1526-1546. https://doi.org/10.1007/s11119-023-10007-x
22. Mansfield, B., Werner, M., Berndt, C., Shattuck, A., Galt, R., Williams, B., Argüelles, L., Barri, F. R., Ishii, M., Kunin, J., Lapegna, P., Romero, A., Caicedo, A., Abhigya, Castro-Vargas, M. S., Marquez, E., Ojeda, D., Ramirez, F., & Tittor, A. (2023). A new critical social science research agenda on pesticides. Agriculture and Human Values, 41, 395-412. https://doi.org/10.1007/s10460-023-10492-w
23. Mozaffari Gonbari, M., Yosefzadeh Taheri, M. R., & Soleymani, J. (2019). Investigation of technical performance and efficiency of different backpack sprayers on onion thtips control. Agricultural Mechanization Journal, 4)2(, 121-132. https://jam.tabrizu.ac.ir/article_9589.html?lang=en
24. Orak, H., Abdanan Mehdizadeh, S., Asoodar, M. A., & Elahifard, E. (2021). Design, construction, and evaluation of an automatic sprayer system for online weed-plant detection in sugar beet fields. Journal of Sugar Beet, 37(2), 223-238. https://doi.org/10.22092/jsb.2022.355302.1298
25. Patil, A. S., & Mailapalli, D. R. (2020). Fertilizers and pesticides: Their impact on soil health and environment. In Sustainable Agriculture (pp. 345-367). Springer. https://doi.org/10.1007/978-3-030-44364-1_15
26. Patil, A. S., Mailapalli, D. R., & Singh, P. K. (2024). Drone technology reshaping agriculture: A meta-review and bibliometric analysis on fertilizer and pesticide deployment. Journal of Biosystems Engineering, 49, 382-398. https://doi.org/10.1007/s42853-024-00240-1
27. Pergher, G., & Petris, R. (2008). The effect of air flow rate on spray deposition in a Guyot-trained vineyard. Agricultural Engineering International: the CIGR Ejournal, 10, 08010. https://doi.org/10.13140/2.1.1488.4480
28. Porker, K., Straight, M., & Hunt, J. R. (2020). Evaluation of G× E× M interactions to increase harvest index and yield of early sown wheat. Frontiers in Plant Science, 11, 994. https://doi.org/10.3389/fpls.2020.00994
29. Rezaei Moradali, M., Eivazi, A. R., & Shir Alizadeh, S. (2020). Effect of yellow rust disease on agronomic and physiological characteristics of winter and facultative bread wheat (Triticum aestivum) cultivars. Iranian Journal of Crop Sciences, 22(1), 81-93. https://doi.org/10.29252/abj.22.1.81
30. Safavi, S. (2019). Effectiveness of Resistance Genes to Stripe Rust and Virulence of Puccinia striiformis f. sp. tritici During two Years Monitoring in Ardabil. Journal of Applied Research in Plant Protection, 8(3), 95-107. https://arpp.tabrizu.ac.ir/article_9730.html
31. Salcedo, R., Pons, P., Llop, J., Zaragoza, T., Campos, J., Ortega, P., Gallart, M., & Gil, E. (2019). Dynamic evaluation of airflow stream generated by a reverse system of an axial fan sprayer using 3D-ultrasonic anemometers. Effect of canopy structure. Computers and Electronics in Agriculture, 163, 104851. https://doi.org/10.1016/j.compag.2019.06.006
32. Shabani, A., & Sepaskhah, A. R. (2019). Reviewing the harvest index estimation in crop modeling. Iran Agricultural Research, 38(2), 1-8. https://doi.org/10.22099/iar.2019.5455
33. Soheilifard, F., Marzban, A., Raini, M. G., Taki, M., & van Zelm, R. (2020). Chemical footprint of pesticides used in citrus orchards based on canopy deposition and off-target losses. Science of the Total Environment, 732, 139118. https://doi.org/10.1016/j.scitotenv.2020.139118
34. Springmann, M., Clark, M., Mason-D’Croz, D., Wiebe, K., Bodirsky, B. L., Lassaletta, L., ... & Willett, W. (2018). Options for keeping the food system within environmental limits. Nature, 562(7728), 519-525. https://doi.org/10.1038/s41586-018-0594-0
35. Subramanian, K. S., Pazhanivelan, S., Srinivasan, G., Santhi, R., & Sathiah, N. (2021). Drones in insect pest management. Frontiers in Agronomy, 3, 640885. https://doi.org/10.3389/fagro.2021.640885
36. Taheri-Rad, A., Khojastehpour, M., Rohani, A., Khoramdel, S., & Nikkhah, A. (2017). Energy flow modeling and predicting the yield of Iranian paddy cultivars using artificial neural networks. Energy, 135, 405-412. https://doi.org/10.1016/j.energy.2017.06.089
37. Tillett, N. D., Hague, T., Grundy, A. C., & Dedousis, A. P. (2008). Mechanical within-row weed control for transplanted crops using computer vision. Biosystems Engineering, 99(2), 171-178. https://doi.org/10.1016/j.biosystemseng.2007.09.026
38. Usigbe, J., Asem-Hiablie, S., Uyeh, D. D., Iyiola, O., Park, T., & Mallipeddi, R. (2024). Enhancing resilience in agricultural production systems with AI-based technologies. Environment, Development and Sustainability, 26, 21955-21983. https://doi.org/10.1007/s10668-023-03588-0
39. Ying, K. C., & Tsai, Y. J. (2017). Minimising total cost for training and assigning multiskilled workers in seru production systems. International Journal of Production Research, 55(10), 2978-2989. https://doi.org/10.1080/00207543.2016.1277594
40. Zarifneshat, S., Saeidirad, M. H., Safari, M., Motame AlShariati, H. R., & Naseri, M. (2022). Tecnical Evaluation of Agriculture drone sprayer for control of wheat weeds and comparison with conventional methods. Agriculture System and Machanizatoin Research, 23(82), 53-70. https://doi.org/10.22092/amsr.2022.360045.1427
41. Zhang, R., Hewitt, A. J., Chen, L., Li, L., & Tang, Q. (2023). Challenges and opportunities of unmanned aerial vehicles as a new tool for crop pest control. Pest Management Science, 79(11), 4123-4131. https://doi.org/10.1002/ps.7683