مدیریت آب در کشاورزی

مدیریت آب در کشاورزی

بررسی سامانه های پشتیبان تصمیم گیری در مدیریت آبیاری در سطح بین المللی (مطالعه موردی؛ IrriSAT، IrriWatch و Manna)

نوع مقاله : مقاله مروری

نویسندگان
سید حسن طباطبایی 1
غزل دهقانی سانیج 2
1 دکتری تخصصی مهندسی آب، گروه مدیریت و مهندسی آب دانشگاه تربیت مدرس
2 دانشگاه بوعلی سینا- همدان
چکیده
کاهش دسترسی به منابع آبی، آینده ی بخش کشاورزی را با خطرات جدی روبرو کرده است. بهبود برنامه ریزی آبیاری با ارتقا بهره وری و کارایی مصرف آب یا به عبارت دیگر محصول برابر به ازای مصرف کمتر آب می‌تواند به طور موثری اثرات کم آبی در کشاورزی آبی را جبران نماید. یکی از روش های بسیار مناسب در اصلاح مدیریت و برنامه‌ریزی آبیاری استفاده از حسگرهای اندازه گیری رطوبت است. با این وجود در مواقعی که سطح اراضی وسیع است، استفاده از حسگرها، مستلزم هزینه سرمایه گذاری بسیار قابل توجهی است. نظر به نحوه مدیریت عمده ی اراضی کشاورزی کشور از یکسو و شرایط اقتصادی کشاورزان از سوی دیگر، امکان استفاده از روش های آبیاری هوشمند مبتنی بر حسگرهای رطوبتی خاک که عموماً از هزینه قابل توجهی برخوردارند به آسانی میسر نیست. در این پژوهش سه سامانه IrriSAT، Manna و IrriWatch که سه نمونه موفق از سامانه‌های کمک به تصمیم گیری در بخش آبیاری معرفی و پشتوانه‌های تئوریک و قابلیت‌های آن‌ها ارائه شده است. این سامانه‌ها از فناوری‌های سنجش از دوری استفاده می‌کنند و برای ارائه خدمات خود نیازی به حسگر های کارگذاری شده در سطح مزرعه ندارند. اطلاعاتی که می‌بایست توسط کاربر مشخص شود، منطق برآورد تبخیر-تعرق و توصیه آبیاری، هزینه ارائه خدمات و نحوه تعامل با کاربر در این سامانه‌ها متفاوت است. در این پژوهش تلاش شده است تا ویژگی‌های مورد اشاره سامانه‌های مذکور به کارشناسان حوزه آبیاری هوشمند معرفی شود.
کلیدواژه‌ها
آبیاری هوشمند
برنامه‌‌ریزی آبیاری
فناوری‌های نوین در آبیاری
کشاورزی دقیق

عنوان مقاله English

Evaluation of decision support systems in irrigation management at the international level (Case study; IrriSAT, IrriWatch and Manna)

نویسندگان English

Seyed Hasan Tabatabaii 1
Ghazal Dehghanisanij 2
1 PhD in Water Engineering, Department of Water Engineering and Management, Tarbiat Modares University
2 Bu-Ali Sina University
چکیده English

The reductionin water resources availability has faced serious risks to the future of the agricultural sector. Improving irrigation planning by enhanced water productivity and efficiency—other words, achieving the same product with less water consumption can effectively compensate for the effects of water scarcity in irrigated agriculture. One of the most appropriate methods for improving irrigation management and planning is the use of moisture sensors. However, when large areas of land are involved,, the use of sensors requires a considerable investment. Considering the management of the country's agricultural lands on the one hand and the economic conditions of farmers on the other, it is not easy to use smart irrigation methods based on soil moisture sensors, which generally have a significant cost. In this research, three systems— IrriSAT, Manna, and IrriWatch systems- are introduced as successful examples of decision- support systems in the irrigation sector, with a presentation of their theoretical foundations and capabilities. These systems useremote sensing technologies and do not require in-field sensors for their services The information that should be specified by the user,the logic ofevapotranspiration estimation, irrigation recommendations,service cost , and userinteraction methods differ across these systems.   This research attempts to introduce the aforementioned features of smart irrigation systems to experts in the field.

کلیدواژه‌ها English

Innovative Irrigation Technologies
Irrigation Scheduling
Precision Agriculture
Smart Irrigation
جمشیدی، ب. و دهقانی سانیج، ح. 1399. کلان داده‌های مبتنی بر اینترنت اشیا از چشم‌انداز کشاورزی هوشمند. فصلنامه رشد فناوری. 16(63): 12-22.
حسینی، س م.، چیذری، م. و بردبار، م. 1389. بررسی زیربناهای امکان کاربرد کشاورزی دقیق از دیدگاه کارشناسان جهاد کشاورزی استان فارس، علوم ترویج و آموزش کشاورزی ایران. 6(2): 35-46
شیرخانی، م.، پزشکی‌‌راد، غ. و صدیقی، ح. 1395. ارزیابی میزان آگاهی کارشناسان کشاورزی استان تهران نسبت به کشاورزی دقیق. مجله تحقیقات اقتصاد و توسعه کشاورزی ایران. 2-47(3): 657-672
Breazeale, D. 2007. A precision agriculture fertilization program for alfalfa hay production: Will it pay for itself?. University of Nevada Cooperative Extension.‏
Beeri, O., Netzer, Y., Munitz, S., Mintz, D. F., Pelta, R., Shilo, T., Horesh, A., Mey-tal, S. 2020. Kc and LAI estimations using optical and SAR remote sensing imagery for vineyards plots. Remote Sensing. 12(21): 3478.‏
Davis, G., Casady, W.W. and Massey, R.E. 1998. Precision agriculture: An introduction. Extension publications (MU).
Deng, H., Jing, X. and Shen, Z. 2022a. Internet technology and green productivity in agriculture. Environmental Science and Pollution Research. 29(54): 81441-81451.‏
Deng, F., Jia, S., Ye, M. and Li, Z. 2022b. Coordinated development of high-quality agricultural transformation and technological innovation: a case study of main grain-producing areas, China. Environmental Science and Pollution Research, 29(23): 35150-35164.‏
Domínguez-Nino, J.M., Oliver-Manera, J., Girona, J. and Casadesús, J. 2020. Differential irrigation scheduling by an automated algorithm of water balance tuned by capacitance-type soil moisture sensors. Agricultural Water Management. 228, p.105880.
Du, X., Wang, X. and Hatzenbuehler, P. 2023. Digital technology in agriculture: a review of issues, applications and methodologies. China Agricultural Economic Review. 15(1): 95-108.‏
Fountas, S., Espejo-Garcia, B., Kasimati, A., Mylonas, N. and Darra, N. 2020. The future of digital agriculture: technologies and opportunities. IT professional. 22(1): 24-28.
‏Gamal, Y., Soltan, A., Said, L. A., Madian, A. H. and Radwan, A. G. 2023. Smart Irrigation Systems: Overview. IEEE Access.
Hornbuckle, J., Montgomery, J., Vleeshouwer, J., Hoogers, R. and Ballester, C. 2016a. Using the Irrisat App to improve on-farm water management. In Irrigation Australia International Conference, Melbourne Convention & Exhibition Centre.
Hornbuckle, J., Montgomery, J. and Vleeshouwer. 2016b. A quick guide to the use of the cloud based IrriSAT app Supporting materials for IrriSAT workshops.
IrriSAT. 2023. https://www.irrisat.com/en/irrisat-water-user-association
IrriWatch‏. 2023. https://irriwatch.com/
‏Kisekka, I., Peddinti, S. R., Kustas, W. P., McElrone, A. J., Bambach-Ortiz, N., McKee, L., Bastiaanssen, W. 2022. Spatial–temporal modeling of root zone soil moisture dynamics in a vineyard using machine learning and remote sensing. Irrigation science, 40(4-5):761-777.‏
Kyaw, K. M., Rittima, A., Phankamolsil, Y., Tabucanon, A. S., Sawangphol, W., Kraisangka, J., Talaluxmana, Y., Vudhivanich, V. 2020. Tracing Crop Water Demand in the Lower Ping River Basin, Thailand using Cloud–Based IrriSAT Application. In Proceedings of the 22nd IAHR–APD Congress (pp. 14-17).‏
Manna. 2023. https://manna-irrigation.com/
Majsztrik, J. C., Price, E. W., King, D. M. 2013. Environmental Benefits of Wireless Sensor-based Irrigation Networks: Case-study Projections and Potential Adoption Rates. HortTechnology, 23(6): 783-793.
Montesano, F.F., Van Iersel, M.W. and Parente, A. 2016. Timer versus moisture sensor-based irrigation control of soilless lettuce: Effects on yield, quality and water use efficiency. Horticultural Science. 43(2): pp:67-75.
Montesano, F.F., Van Iersel, M.W., Boari, F., Cantore, V., D’Amato, G. and Parente, A. 2018. Sensor-based irrigation management of soilless basil using a new smart irrigation system: Effects of set-point on plant physiological responses and crop performance. Agricultural water management. 203:20-29.
Soulis, K. X., Elmaloglou, S. 2018. Optimum soil water content sensors placement for surface drip irrigation scheduling in layered soils. Computers and electronics in agriculture. 152:1-8.‏
Saggi, M. K. and Jain, S. 2022. A survey towards decision support system on smart irrigation scheduling using machine learning approaches. Archives of computational methods in engineering, 29(6), 4455-4478.‏
Shan, G., Sun, Y., Zhou, H., Lammers, P. S., Grantz, D. A., Xue, X., Wang, Z. 2019. A horizontal mobile dielectric sensor to assess dynamic soil water content and flows: Direct measurements under drip irrigation compared with HYDRUS-2D model simulation. Biosystems Engineering, 179, 13-21.‏
Trout, TJ. and Johnson, LF. 2007. Estimating crop water use from remotely sensed NDVI, Crop Models and Reference ET, USCID Fourth International Conference on Irrigation and Drainage, The Role of Irrigation and Drainage in a sustainable Future, Eds. Clemmens, A.J., Anderson, S.S., Sacramento, California, October 3-6.
Zhou, W., Xu, Z., Ross, D., Dignan, J., Fan, Y., Huang, Y., Wang, G., Bagtzoglou, A.C., Lei, Y. and Li, B. 2019. Towards water-saving irrigation methodology: Field test of soil moisture profiling using flat thin mm-sized soil moisture sensors (MSMSs). Sensors and Actuators B: Chemical, 298, p.126857.