##plugins.themes.bootstrap3.article.main##

بهنام س‍‍پهر حسنی محمدی منور

چکیده

تکنیک‌های کشاورزی دقیق در یک محیط گلخانه‌ای به افزایش کیفیت محصول نهایی، کاهش هزینه‌های استفاده از کود و جلوگیری از رواناب نیتروژن کمک می‌کند. حسگرهای نوری با اندازه‌گیری بازتاب یا جذب از برگ‌های سبز ابزاری سریع و غیرمخرب برای محاسبه محتوای سبزینگی و کلروفیل گیاه هستند. هدف از این تحقیق، بررسی قابلیت اطمینان شاخص پوشش گیاهی تفاضلی نرمال شده (NDVI) اندازه‌گیری‌شده توسط حسگر سبزینه‌سنج (GreenSeeker) به‌عنوان شاخص غیرمستقیم وضعیت سبزینگی گوجه و خیار گلخانه‌ای و مقایسه عملکرد این حسگر با کلروفیل‌متر (SPAD) بود. آزمایش در بهار سال 1396 در گلخانه تحقیقاتی گروه مهندسی بیوسیستم دانشگاه بوعلی سینا همدان انجام شد. گوجه‌فرنگی و خیار با تیمارهای کود اوره صفر، 028/0، 138/0، 359/0 و 607/0 گرم بر لیتر با محتوای 46% نیتروژن کوددهی گردید. 71 روز پس از کاشت، تیمارهای یک تا سه با کود اضافی تحت درمان قرار گرفتند. تعداد برگ گیاهان در پایان هر مرحله از داده‌برداری شمارش شدند. رابطه رگرسیونی بین متغیرهای اندازه‌گیری شده با نرم‌افزار SPSS محاسبه گردید. در گوجه و خیار به‌ترتیب میزان کود و NDVI 95/0 و 57/0 و کلروفیل قرائت‌شده به‌طور متوسط همبستگی 65/0 و 60/0 داشتند.

جزئیات مقاله

کلمات کلیدی

سبزینه‌سنج, شاخص پوشش گیاهی تفاضلی نرمال شده (NDVI), کلروفیل‌متر, کلروفیل, نیتروژن

مراجع
1. Basyouni, R., B. Dunn, and C. Goad. 2015. Use of nondestructive sensors to assess nitrogen status in potted poinsettia (Euphorbia pulcherrima L. (Willd. ex Klotzsch)) production. Scientia Horticulture192: 47-53.
2. Campillo, R., C. Jobet, and P. Undurraga. 2010. Effects of nitrogen on productivity, grain quality, and optimal nitrogen rates in winter wheat cv. Kumpa-Inia in Andisoles of southern Chile. Chilean Journal of Agricultural Research 70 (1): 122-131.
3. Dunn, B., A. Shrestha, and C. Goad. 2016. Use of Nondestructive Sensors to Quantify Ornamental Kale Nitrogen Status. Journal of Plant Nutrition 39: 1123-1130
4. Gertsis, A., D. Fountas, I. Arpasanu, and M. Michaloudis. 2013. Precision agriculture applications in a high density olive grove adapted for Mechanical Harvesting in Greece. Procedia Technology 8: 152-6.
5. Gianquinto, G., F. Orsini, M. Fecondini, M. Mezzetti, P. Sambo, and S. Bona. 2011. A methodological approach for defining spectral indices for assessing tomato nitrogen status and yield. Agronomy 35 (3): 135-43.
6. He, F., Q. Chen, R. Jiang, X. Chen, and F. Zhang. 2007. Yield and nitrogen balance of greenhouse tomato (Lycopersicum esculentum Mill.) with conventional and site-specific nitrogen management in Northern China. Nutrient Cycling in Agroecosystems 77: 1-14.
7. Hasibi, P. 2007. Physiological study of the effect of cold stress on seedling stage of different genotypes of rice. PhD thesis, Faculty of Agriculture. Shahid Chamran University, Ahvaz. Iran.
8. Hunt Jr, E. R., P. C. Doraiswamy, J. E. McMurtrey, S. T. C. Daughtry, M. E. Perry, and B. Akhmedov. 2013. A visible band index for remote sensing leaf chlorophyll content at the canopy scale. International Journal of Applied Earth Observation and Geo-information 21: 103-112.
9. Institute of Standards and Industrial Research of Iran (ISIRI Number 7832), Soil quality–Determination of total nitrogen–Modified kjeldahl method. 1st revision.
10. Kitchen, N. R., K. A. Sudduth, S. T. Drummond, P. C. Scharf, H. L. Palm, D. F. Roberts, and E. D. Vories. 2010. Ground-based canopy reflectance sensing for variable-rate nitrogen corn fertilization. Agronomy 102: 71-84.
11. Kordi, S., A. Fadavi, M. Eskandari, M. Berari, M. Rafiee, and A. Ashraf Mehrabi. 2014. Effect of Urea fertilization and moisture of harvesting time on final mechanical properties of dried corn. Journal of Agricultural Machinery 4 (1): 1-10.
12. Miao, Y., D. J. Mulla, J. A. Hernandez, M. Wiebers, and P. C. Robert. 2007. Potential impact of precision nitrogen management on corn yield, protein content, and test weight. Soil Science Society of America Journal 71: 1490-1499.
13. Muñoz-Huerta, R. F., R. G. Guevara-Gonzalez, L. M. Contreras-Medina, I. Torres-Pacheco, J. Prado-Olivarez, and R. V. Ocampo-Velazquez. 2013. A review of methods for sensing the nitrogen status in plants: advantages, disadvantages and recent advances. Sensors 13 (8): 10823-10843.
14. Padilla, F. M., M. T. Peña-Fleitas, M. Gallardo, and R. B. Thompson. 2014. Evaluation of optical sensor measurements of canopy reflectance and of leaf flavones and chlorophyll contents to assess crop nitrogen status of muskmelon. Agronomy 58: 39-52.
15. Padilla, F. M., M. T. Peña-Fleitas, M. Gallardo, and R. B. Thompson. 2016. Proximal optical sensing of cucumber crop N status using chlorophyll fluorescence indices. Agronomy 73: 83-97.
16. Padilla, F. M., M. T. Peña-Fleitas, M. Gallardo, and R. B. Thompson. 2017. Determination of sufficiency values of canopy reflectance vegetation indices for maximum growth and yield of cucumber. Agronomy 84: 1-15.
17. Prost, L., and M. H. Jeuffroy. 2007. Replacing the nitrogen nutrition index by the chlorophyll meter to assess. Agronomy for Sustainable Development 27 (4): 321-330.
18. Rambo, L., B. L. Ma, Y. Xiong, and P. Regis Ferreira da Silvia. 2010. Leaf and canopy optical characteristics as crop‐N‐status indicators for field nitrogen management in corn. Plant Nutrition and Soil Science 173 (3): 434-443.
19. Ruiz, J. M., and L. Romero. 2000. Nitrogen metabolism and yield response of cucumber (Cucumis sativus L cv Brunex) plants to phosphorus fertilization. The Science of Food and Agriculture 80 (14): 2069-2073.
20. Salehi, M., A. Kouchaki, and M. Nasiri Mahalati. 2005. Leaf nitrogen and chlorophyll content as indicators for salt stress. Iranian Journal of Field Crops Research 2 (1): 25-33.
21. Samborski, S. M., D. Gozdowski, M. Stępień, O. S. Walsh, and E. Leszczyńska. 2016. On-farm evaluation of an active optical sensor performance for variable nitrogen application in winter wheat. European Journal of Agronomy 74: 56-67.
22. Tremblay, N., M. Bouroubi, P. Vigneault, and C. Belec. 2011. Guidelines for in-season nitrogen application for maize (Zea mays L.) based on soil and terrain properties. Field Crops Research 122: 273-283.
23. Unlu, H. O., U. Husnu, and Y. Karakurt. 2011. Changes in fruit yield and quality in response to foliar and soil humic acid application in cucumber. Scientific Research and Essays 6 (13): 2800-2803.
24. Usha, K., and B. Singh. 2013. Potential applications of remote sensing in horticulture, a review. Scientia Horticulture 153: 71-83.
25. Vouillot, M. O., P. Huet, and P. Boissard. 1998. Early detection of N deficiency in a wheat crop using physiological and radiometric methods. Agronomie 18: 117-130.
26. Wu, C., Z. Niu, and S. Gao. 2012. The potential of satellite derived green chlorophyll index for estimating midday light use efficiency in maize, coniferous forest and grassland. Ecological Indicators 14: 66-73
27. Yu, K., V. Lenz-Wiedemann, X. Chenand, and G. Bareth. 2014. Estimating leaf chlorophyll of barley at different growth stages using spectral indices to reduce soil background and canopy structure effects. ISPRS Journal of Photogrammetry and Remote Sensing 97: 58-77.
28. Zhang, Y., L. Zheng, H. Sun, and W. Yang. 2015. An optical detector for determining chlorophyll and nitrogen concentration based on photoreaction in apple tree leaves. Intelligent Automation and Soft Computing 21 (3): 409-421.
ارجاع به مقاله
س‍‍پهرب., & محمدی منورح. (2019). ارزيابی وضعيت شاخص سبزینگی گوجه و خیار گلخانه‌ای با استفاده از حسگرهای غیرمخرب. ماشین‌های کشاورزی, 9(1), 87-98. https://doi.org/10.22067/jam.v9i1.67383
نوع مقاله
مقاله کامل پژوهشی