نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد مهندسی مکانیزاسیون کشاورزی، گروه مهندسی مکانیک بیویسیستم دانشگاه شهرکرد

2 دانشیار گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران

3 و استادیار گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران

چکیده

برای مدیریت تردد و فشردگی خاک در مزرعه نیاز است تنش وارد شده به خاک در اثر عبور تایر ماشین تا سطحی کمتر از ظرفیت باربری خاک (تنش پیش‌تراکم، σpc) کنترل شود تا تردد ماشین باعث افزایش تراکم نگردد. تنش پیش‌تراکم تابعی است در درجۀ اول از رطوبت خاک و در درجۀ دوم از بافت خاک. هدف اصلی از این مطالعه، توسعۀ یک الگوریتم
تجربی- تحلیلی برای پیش‌بینی روز‌انۀ تنش پیش‌تراکم خاک در مزرعه‌ای در دانشگاه شهرکرد است. تحلیل‌های آماری نشان می‌دهد که با استفاده از متغیرهای هواشناسی هر سال شامل داده‌های بارش همان روز و روز قبل، دما، تابش و سرعت باد می‌توان تغییرات رطوبت خاک را به‌خوبی پیش‌بینی کرد (85/0 R2 = و % 3/3 (RMSE=. برای تعیین ارتباط بین رطوبت خاک و تنش پیش‌تراکم، نمونه‌های خاک در سه سطح چگالی ظاهری 15/1، 22/1 و Mg m-3 3/1 و چهار سطح رطوبتی 10، 15، 20 و 25 درصد وزنی در آزمایشگاه تهیه و روی آنها آزمون فشار گام به گام تک‌محوری محصور اجرا شد. تنش پیش‌تراکم از نقطۀ بیشینۀ انحنای منحنی لگاریتم تنش- نسبت پوکی با تحلیل تابع گمپرتز تخمین زده شد. با استفاده از مدل تحلیلی ایلبانا و ویتنی و با ارتباط تجربی بین شاخص مخروط و تنش پیش‌تراکم، پیش‌بینی تنش پیش‌تراکم از یک بافت خاک به کلیۀ بافت‌ها تعمیم داده شد. نتایج بررسی‌ها نشان می‌دهد که این مدل تحلیلی اثر رطوبت را  در تغییر تنش پیش‌تراکم به خوبی بیان می کند. الگوریتم طراحی شده در این مطالعه مd تواند در مدیریت و تردد ماشین و تعیین روزهای تردد‌پذیر هر سال زراعی استفاده شود.

کلیدواژه‌ها

Arvidsson, J. and Keller, T. 2004. Soil precompression stress: I. A survey of Swedish arable soils. Soil Till. Res. 77, 85-95.

Arvidsson, J., Sjoberg, E., van den Akker, Jon J. H. 2003. Subsoil compaction by heavy sugarbeet harvesters in southern Sweden: III. Risk assessment using a soil water model. Soil Till. Res.73, 77-87.

Campbell, D. J. and O’Sullivan, M. F. 1991. The Cone Penetrometer in Relation to Trafficability, Compaction and Tillage. In: K. A. Smith and C. E. Mullins (Eds.) Soil Analysis: Physical Methods. Marcel Defier. New York.

Casagrande, A. 1936. The determination of pre-consolidation load and its practical significance. Proceedings of the International Conference on Soil Mechanics and Foundation Engineering. June
22-26. Cambridge, MA. 3, 60-64.

Earl, R. 1997. Prediction of trafficability and workability from soil moisture deficit. Soil Till. Res. 40,
155-168.

Elbanna, E. B. and Witney, B. D. 1987. Cone penetration resistance equation as a function of the clay ratio, soil moisture content and specific weight. J. Terramech. 24(1): 41-56.

Fallah-Ghalhary, G. A., Mousavi-Baygi, M. and Habibi-Nokhandan, M. 2007. Seasonal rainfall forecasting based on synoptically pattern of sea level pressure and sea level pressure gradient by means of statistical models. Agric. Sci. Technol. J. 21, 95-104. (in Persian)

Fallahi, M., Varvani, H. and Golian, S. 2011. Predicting precipitation regression model tree for flood control. 5th conference on Watershed Management and Soil and Water Resources Management, Kerman, Iran. (in Persian)

Gholizadeh, M. H. and Darand, M. 2010. Forecasting monthly precipitation using artificial neural networks. A case study: Tehran.  Phys. Geog. Res. Quart. 42, 51-63. (in Persian)

Gompertz, B. 1825. On the nature of the function expressive of the law of human mortality, and on a new mode of determining the value of life contingencies. Phil. Trans. R. Soc. Lond. 115, 513-585.

Gregory, A. S., Whalley, W. R., Watts, C. W., Bird, N. R. A., Hallett, P. D. and Whitmore, A. P. 2006. Calculation of the compression index and precompression stress from soil compression test data. Soil Till. Res. 89, 45-57.

Gosav, S., Dinica, R. and Praisler, M. 2008. Choosing between GC-FTIR and GC-MS spectra for an efficient intelligent identification of illicit amphetamines. J. Mol. Struct. 887(1-3): 269-278.

Gut, S., Chervet, A., Stettler, M., Weisskopf, P., Sturny, W. G., Lamandé, M., Schjønning, P. and Keller, T. 2015. Seasonal dynamics in wheel load-carrying capacity of a loam soil in the Swiss Plateau. Soil Use. Manage. 31, 132-141.

Hall, T. Harold, E. B. and Charles, A. D. 1998. Precipitation forecasting using a neural network. Wea. Forecast. 14, 338-345.

Hamza, M. A. and Anderson, W. K. 2005. Soil compaction in cropping systems: A review of the nature, causes and possible solutions. Soil Till. Res. 82, 121-145.

Hemmat, A. and Adamchuk, V. I. 2008. Sensor systems for measuring soil compaction: Review and analysis. Comput. Electron. Agric. 63, 89-103.

Hemmat, A., Yaghoubi-Taskoh, M., Masoumi, A. and Mosaddeghi, M. R. 2014. Relationships between rut depth and soil mechanical properties in a calcareous soil with unstable structure. Biosyst. Eng.
118, 147-155.

Hoogmoed, W. B., Cadena-Zapata, M. and Perdok, U. D. 2003. Laboratory assessment of the workable range of soils in the tropical zone of Veracruz, Mexico. Soil Till. Res. 74, 169-178.

Horn, R. and Fleige, H. 2003. A method for assessing the impact of load on mechanical stability and on physical properties of soils. Soil Till. Res. 73, 89-99.

Hung, N. Q., Babel, M. S., Weesakul, S. and Tripathi, N. K. 2008. An artificial neural network model for rainfall forecasting in Bangkok, Thailand. Hydrol. Earth. Syst. Sc. 5, 183-218.

Koolen, A. J. 1982. Precompaction stress determination on precompacted soil. Proc. 9th Conference International on Soil Tillage Research Organization (ISTRO). Osijek, Yugoslavia.

Lebert, M. and Horn, R. 1991. A method to predict the mechanical strength of agricultural soils. Soil Till. Res. 19, 275-289.

Linker, R., Shmulevich, I., Kenny, A. and Shaviv, A. 2005. Soil identification and chemometrics for
direct determination of nitrate in soils using FTIR-ATR mid-infrared spectroscopy. Chemosphere. 61(5): 652-658.

Mosaddeghi, M. R., Hemmat, A., Hajabbasi, M. A. and Alexandrou, A. 2003. Pre-compression stress and its relation with the physical and mechanical properties of a structurally unstable soil in central Iran. Soil Till. Res. 70, 53-64.

Naderi-Boldaji, M., Hemmat, A. and Keller, T. 2017. The relationship between horizontal penetrometer resistance and soil pre-compaction stress. J. Agric. Eng. 40(2): 153-169. (in Persian)

Plamen, N., George, N. and Varmuza, K. 1999. Automatic classification of infrared spectra using a set of improved expert-based features. Analytica Chimica Acta. 388, 145-159.

Purbasirat, S. 2017. Prediction of some parameters affecting on agricultural practices using artificial neural network in Shahrekord Township. M. Sc. Thesis. Faculty of Agriculture. Shahrekord University. Shahrekord, Iran. (in Persian)

Rotz, C. A. and Harrigan, T. M. 2005. Predicting suitable days for field machinery operations in a whole farm simulation. Appl. Eng. Agric. 21(4): 563-571.

Saffih-Hdadi, K., Défossez, P., Richard, G., Cui, Y. J., Tang, A. M. and Chaplain, V. 2009. A method for predicting soil susceptibility to the compaction of surface layers as a function of water content and bulk density. Soil Till. Res. 105, 96-103.

Solamani, K. 2009. Rainfall-runoff prediction based on artificial neural network (A case study: Jarahi Watershed). American- Eurasian J. Agric. Environ. Sci. 5(6): 856-865.

Vogt, S. and Sacher, D. 2001. A neural network method for wind estimation using wind profiler data. Meteorol. Z. 10(6): 479-487.

Vero, S. E., Antille, D. L., Lalor, S. T. J. and Holden, N. M. 2014. Field evaluation of soil moisture deficit thresholds for limits to trafficability with slurry spreading equipment on grassland. Soil Use Manage. 30, 69-77.

Wang, Z. L. and Sheng, H. H. 2010. Rainfall prediction using generalized regression neural network: Case study Zhengzhou. International Conference on Computational and Information Sciences. Dec. 17-19. Chengdu, Sichuan, China.