آب و خاک

چکیده امروزه کاربرد کود با نرخ متغیر عمدتاً بر پایه نقشه‌های آنالیز خاک انجام می‌شود، با این حال، فاصله نمونه‌برداری اغلب بدون توجه به تغییرپذیری مکانی ویژگی‌های خاک تعیین می‌گردد. پژوهش حاضر با هدف بررسی اهمیت فاصله نمونه‌برداری بر توزیع مکانی پتاسیم قابل استفاده در خاک‌های زراعی دشت شهرکرد انجام شد. بدین منظور، 120 نمونه خاک به روش نمونه‌برداری شبکه‌بندی منظم با فواصل 1335 متر از لایه سطحی خاک‌های زراعی دشت شهرکرد با مساحت 21400 هکتار جمع‌آوری شد و مقادیر پتاسیم قابل استفاده در آزمایشگاه تعیین گردید. دامنه تغییرات پتاسیم قابل استفاده در خاک‌ها از 120 تا 812 میلی‌گرم بر کیلوگرم بود و ضریب تغییرات آن، 2/38 درصد بود. تحلیل زمین‌آماری نشان داد که مدل نمایی بیشترین تناسب را با داده‌ها دارد و همبستگی مکانی پتاسیم قابل استفاده در سطح متوسط است. دامنه تأثیر این متغیر برابر با 53300 متر برآورد شد که نشان می‌دهد فاصله نمونه‌برداری انتخاب شده بسیار کمتر از دامنه تغییرپذیری مکانی است؛ بنابراین فاصله نمونه‌برداری کافی به نظر می‌رسد. با این حال، واریوگرام نمایی در فواصل کوتاه تقریباً افقی است، به گونه‌ای که نیم‌واریانس تغییر چندانی ندارد و این وضعیت نشان‌دهنده تاثیر تغییرات مدیریتی شدید خاک مانند؛ الگوهای متفاوت مصرف کود، تناوب زراعی و سابقه بهره‌برداری بر پراکندگی داده‌ها است. علی‌رغم افزایش تغییرپذیری در فواصل کوتاه و کاهش الگوی مکانی منظم ناشی از تغییرات مدیریتی شدید خاک، نقشه‌های حاصل از روش کریجینگ دقت قابل قبولی دارند. بنابراین، اگرچه فاصله نمونه‌برداری از نظر دامنه اثر کافی است، این فاصله نمی‌تواند تمام نوسانات کوچک‌برد ناشی از مدیریت خاک را به‌طور کامل ثبت کند. برای مطالعات آینده توصیه می‌شود که اثر تراکم نمونه‌برداری در فواصل کمتر از 1335 متر مورد بررسی قرار گیرد تا بتوان حساسیت مدل و دقت نقشه‌های کریجینگ را در مقیاس‌های بزرگ‌تر ارزیابی کرد. این امر می‌تواند به بهینه‌سازی نمونه‌برداری از خاک و ارائه توصیه‌های دقیق‌تر برای کاربرد کود با نرخ متغیر کمک کند.

چکیده کاهش منابع آب، تغییرات شدید اقلیمی و نیاز به بهره‌وری آب بالاتر، اهمیت ارزیابی قابلیت‌های اگروکلیمایی در کشاورزی ایران را افزایش می‌دهد. این پژوهش با تحلیل داده‌های ۷۹۰ ایستگاه، مناطق اگروکلیمایی جو را بر اساس تاریخ کاشت و طول دوره رشد با استفاده از کریجینگ بیزین تجربی با پیش‌بینی رگرسیون و الگوریتم K-Means شناسایی کرد. در این مطالعه، داده‌های اقلیمی و فنولوژیک ۱۷ ساله (۱۳۸۵ تا ۱۴۰۲) برای اطمینان از نمایندگی تغییرات اقلیمی اخیر استفاده شد. تعداد خوشه‌های بهینه تعیین شده با روش آرنج به این صورت بود که سه کلاس برای تاریخ کاشت و چهار کلاس برای طول دوره رشد استخراج گردید. برای ساده‌سازی، هر منطقه زراعی با کدی ترکیبی از کلاس تاریخ کاشت و طول دوره رشد مشخص شده است (مثلاً کد ۲۱ نشان­دهنده کلاس دوم تاریخ کاشت و کلاس اول طول دوره رشد است) و این کدگذاری صرفاً برای دسته‌بندی و مقایسه مناطق است. ترکیب این دو منجر به تولید ۱۲ کلاس نهایی همگن زراعی برای محصول جو شد. نتایج نشان داد که توزیع زمان کاشت و طول دوره رشد، تابع مستقیم گرادیان اقلیمی-ارتفاعی ایران است. نواحی مرطوب خزری و غرب کشور در کلاس‌های 13 (کاشت زودهنگام-دوره رشد طولانی)، 14 (کاشت زودهنگام-دوره رشد بسیار طولانی)، 23 (کاشت میان‌رس-دوره رشد طولانی)، 24 (کاشت میان‌رس-دوره رشد بسیار طولانی) قرار گرفته که دارای کاشت زودهنگام و فصل رشدی طولانی هستند. مناطق خشک و نیمه‌خشک مرکزی، شرقی و جنوب‌شرقی عمدتاً در کلاس‌های ۳۱ تا ۳۳ قرار دارند که کاشت دیرهنگام و دوره رشد کوتاه را نشان می‌دهد. مناسب‌ترین مناطق برای کشت جو در کلاس‌های ۱۱، ۱۲، ۱۳ و ۲۲ با رطوبت و دمای متعادل و فصل رشد پایدار هستند، در حالی‌که کلاس‌های ۳۳ و ۳۴ بیشترین محدودیت اقلیمی و ریسک را دارند. این نتایج می‌تواند سیاست‌گذاران را در شناسایی مناطق کم‌بازده راهنمایی کند.

چکیده پیش‌بینی دقیق بارش ماهانه به‌ویژه در مناطق خشک و نیمه‌خشک، برای مدیریت منابع آب و برنامه‌ریزی‌های هیدرولوژیک اهمیت بالایی دارد. با توجه به کمبود و پراکندگی ایستگاه‌های زمینی در حوضه دریاچه نمک، استفاده از داده‌های ماهواره‌ای با دقت مکانی مناسب، ضرورت می‌یابد. نوآوری اصلی این پژوهش، ارزیابی کارایی داده‌های بارش CHIRPS در مدل‌سازی بارش ماهانه با بهره‌گیری از طیفی متنوع از مدل‌های یادگیری ماشین و همچنین بررسی اثربخشی مدل‌های ترکیبی در افزایش دقت پیش‌بینی است. در این مطالعه، داده‌های بارش CHIRPS با تفکیک افقی °05/0 برای دوره 2000 تا 2024 استخراج و پس از اعتبارسنجی اولیه مورد استفاده قرار گرفت. در این پژوهش برای ارزیابی داده‌های بارش CHIRPS، طیفی از مدل‌های یادگیری ماشین شامل مدل‌های درختی، مدل‌های رگرسیونی، مدل‌های کرنلی، مدل‌های مبتنی بر فاصله و مدل‌های ترکیبی به‌منظور مدل‌سازی رفتار غیرخطی بارش ماهانه مورد استفاده قرار گرفتند. این تنوع رویکردها، امکان ارزیابی تطبیقی ساختارهای مختلف یادگیری و بررسی تأثیر معماری مدل بر دقت پیش‌بینی را فراهم می‌سازد. مدل M5Rules با بدست آوردن 80/0 =  NSEبهترین عملکرد را در مدل‌های منفرد داشت. همچنین برای بهبود دقت، بر پایه میانگین‌گیری ساده، ۱۰۵ مدل ترکیبی به‌صورت دو‌به‌دو تولید و ارزیابی شد و سپس برای پیداکردن بهترین وزن از روش bruteforce (جستجوی فراگیر برای وزن‌دهی بهینه) استفاده شد. نتایج نشان داد که؛ مدل‌های ترکیبی به‌طور کلی عملکرد بهتری نسبت به مدل‌های منفرد دارند. ترکیب Additive Regression–M5Rules بهترین عملکرد را نسبت به سایر ترکیب‌ها با 155/0 =MAE ، 05/0 =MSE و 88/0=  NSEارئه کرد. این یافته‌ها نشان می‌دهد که ترکیب داده‌های CHIRPS با مدل‌های ترکیبی یادگیری ماشین می‌تواند رویکردی کارآمد و قابل‌ اتکا برای پیش‌بینی بارش ماهانه در مناطق با شبکه ایستگاهی محدود باشد.

چکیده توزیع عمقی ویژگی‌های فیزیکوشیمیایی خاک از عوامل تعیین‌کننده حاصلخیزی و تاب‌آوری سیستم‌های زراعی است، با این حال در بسیاری از مطالعات، ارزیابی این تغییرات به مقایسه‌های سطحی و معنی‌داری آماری محدود شده‌است. پژوهش حاضر با رویکردی نوآورانه و فراتر از آزمون‌های کلاسیک، حساسیت عمقی متغیرهای حاصلخیزی خاک را در اراضی کشاورزی استان خراسان رضوی (328 نقطه) بررسی می‌کند. بدین منظور، نیم‌رخ خاک در دو عمق 30-0 و 60-30 سانتی‌متر با تلفیق تحلیل چندمتغیره و شاخص‌ اندازه اثر رتبه‌ای دووجهی با بازه‌های اطمینان 95 درصد ارزیابی شد. مجموعه‌ای از ویژگی‌ها شامل عناصر پرمصرف و کم‌مصرف، پ‌هاش خاک، هدایت الکتریکی، کربن آلی و بافت خاک اندازه‌گیری و اثر عمق بر ساختار کلی داده‌ها با استفاده از آزمون پرمانوا بررسی شد. نتایج نشان داد که عمق خاک اثر معنی­داری بر ترکیب ویژگی‌های خاک دارد و برخی متغیرها، به‌ویژه کربن آلی، فسفر و پتاسیم قابل جذب و منگنز، دارای اندازه اثر بزرگ و حساسیت عمقی بالا هستند؛ در مقابل، متغیرهایی مانند سدیم تغییرات عمقی ناچیزی نشان دادند. طبقه‌بندی متغیرها بر اساس شدت اثر و پایداری عمقی، آشکار ساخت که تجمع عناصر پرمصرف عمدتاً به لایه سطحی محدود شده و لایه‌های زیرین از نظر کیفیت حاصلخیزی در وضعیت ضعیف‌تری قرار دارند. این یافته‌ها ضمن برجسته‌کردن محدودیت‌ اتکای صرف به نمونه‌برداری سطحی، ضرورت گذار از مدیریت یکنواخت به سمت مدیریت عمق‌محور و هدفمند را نشان می‌دهد. به‌طور کلی، چارچوب تحلیلی ارائه‌شده در این مطالعه، با تأکید بر شدت واقعی و اهمیت عملی تغییرات عمقی، مبنایی کاربردی‌ برای طراحی برنامه‌های تغذیه‌ای مبتنی بر نیم‌رخ خاک، افزایش کارایی مصرف نهاده‌ها و ارتقای پایداری تولید در سیستم‌های زراعی را فراهم می‌کند.

چکیده شاخص استاندارد شده بارش- تبخیر و تعرق (SPEI)، از پُرکاربردترین شاخص‌های ارزیابی خشکسالی در سطح جهان به شمار می‌رود. این شاخص، از متغیر‌های بارش و دما (به منظور تخمین تبخیر و تعرق) به عنوان داده‌های ورودی خود برای ارزیابی خشکسالی استفاده می‌کند و به این ترتیب به عنوان یک شاخص دومتغیره خشکسالی شناخته می‌شود. محدودیت دسترسی به داده‌های ایستگاهی بلندمدت و یکنواخت در گستره‌هایی با پیچیدگی ناهمواری و تنوع اقلیمی زیاد (به مانند ایران)، چالش جدی برای پایش دقیق شرایط خشکسالی ایجاد می‌کند. در این راستا، پایگاه داده شبکه‌بندی شده جهانی از این شاخص (SPEIbase) مبتنی بر تلفیق داده‌های ماهواره‌ای، مدل‌های اقلیمی و داده‌های اندازه‌گیری شده، توسعه داده شده است. بنابراین، این پژوهش به بررسی سطح توافق بین SPEI و SPEIbase به‌عنوان ابزارهای ارزیابی خشکسالی در مقیاس‌های زمانی 1، 3، 6، 9 و 12 ماهه متمرکز است تا قابلیت اطمینان به جایگزینی آن را به‌دلیل وضوح زمانی و مکانی بالا و دسترسی سریع‌تر فراهم نماید. ارزیابی میزان هماهنگی و توافق بین SPEI و SPEIbase از طریق آزمون همبستگی خطی پیرسون، آزمون وزن‌دار کاپای کوهن و نمودار بلند- آلتمن انجام گرفته است. شاخص SPEI بر مبنای داده‌های بارش و دمای مقیاس ماهانه از 43 ایستگاه هواشناسی ایران در دوره 1986 تا 2023 و بر پایه برآورد تبخیر و تعرق پتانسیل مبتنی بر معادله تورنت‌ویت محاسبه شده است. شاخص SPEIbase نیز که بر مبنای مجموعه داده‌های سری زمانی اقلیمی نسخه 09/4 واحد تحقیقات اقلیمی و بر پایه برآورد تبخیر و تعرق پتانسیل مبتنی بر معادله پنمن- مانتیث فائو 56، محاسبه شده برای دوره مشابه استخراج شده است. یافته‌ها بیانگر ضریب همبستگی قوی و توافق زیاد بین SPEI و SPEIbase در اکثر مناطق ایران است. به‌طور کلی، میزان همبستگی از مقیاس‌های کوتاه‌تر (1 و 3 ماهه) به مقیاس‌های بلندتر (6، 9 و 12 ماهه) افزایش دارد. به‌عنوان یافته کلی، SPEIbase در بسیاری از مناطق ایران، به‌ویژه در نواحی کوهستانی، قابلیت جایگزینی برای داده‌های ایستگاهی را دارا می‌باشد.

چکیده اصلاح‌کننده‌های آلی خاک می‌توانند در بهبود ویژگی‌های فیزیکی و شیمیایی خاک و فراهمی آب برای گیاه مؤثر باشند. این پژوهش به‌منظور بررسی تأثیر کاربرد سطوح مختلف بیوچار و کمپوست تهیه شده از بقایای برداشت سبز نیشکر بر ویژگی‌های فیزیکی و شیمیایی خاک و فراهمی آب برای گیاه نیشکر در قالب طرح بلوک‌های کامل تصادفی با هفت تیمار شامل شاهد، کاربرد بیوچار در سه سطح 5 (B5)، 10 (B10) و 15 (B15) تن در هکتار و کاربرد کمپوست در سه سطح 15 (CO15)، 30 (CO15) و 45 (CO45) تن در هکتار و در سه تکرار انجام شد. نتایج نشان داد که کاربرد تیمارهای بیوچار (B10 و B15) و کمپوست (CO30 و CO45) سبب کاهش pH و چگالی ظاهری خاک و افزایش معنی­دار میانگین وزنی قطر خاکدانه، کربن آلی، فسفر و پتاسیم قابل دسترس خاک و فراهمی آب برای گیاه شدند. تفاوت معنی­داری میان تأثیر تیمارهای B10، B15 و CO45 بر pH، کربن آلی و فراهمی فسفر در خاک مشاهده نشد، در حالی‌که تأثیر تیمارهای بیوچار B10 و B15 در افزایش فراهمی پتاسیم در خاک، بهبود ویژگی‌های فیزیکی خاک و افزایش فراهمی آب برای گیاه به­طور معنی­داری بیش­تر از تیمار CO45 بود. به‌طور کلی، می‌توان نتیجه‌گیری کرد که سطح 10 تن در هکتار بیوچار و سطح 45 تن در هکتار کمپوست، مقدار مناسب کاربرد آن‌ها به‌منظور بهبود ویژگی‌های شیمیایی خاک در خاک‌های آهکی مزارع نیشکر بود. همچنین کاربرد بیوچار در سطح 10 تن در هکتار به­عنوان مناسب‌ترین تیمار جهت بهبود ویژگی­های فیزیکی خاک و افزایش فراهمی آب برای گیاه نیشکر بود.