مطالعه ارتباط مکانی رشد و عملکرد گندم زمستانه با علف‌های هرز با استفاده از روش‌های زمین آماری و سنجش از دور

پژوهش های حفاظت گیاهان ایران

مقاله 10، دوره 34، شماره 2 - شماره پیاپی 48، تیر 1399، صفحه 259-271   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jpp.v34i2.85286

نویسندگان

مژده مرادی کل بلندی¹؛ حسن مکاریان^{* 2}؛ مهدی برادران فیروزآبادی²؛ حمیدرضا اصغری³

¹دانشگاه صنعتی شاهرود

²صنعتی شاهرود

³شاهرود

چکیده

به منظور بررسی همبستگی توزیع مکانی رشد و عملکرد گندم زمستانه با علف­های هرز با استفاده از روش­های زمین آماری و سنجش از دور، آزمایشی در سطح یک مزرعه گندم واقع در دانشکده کشاورزی دانشگاه صنعتی شاهرود در سال زراعی 97-1396 انجام شد. بدین منظور عملکرد بیولوژیک و دانه گندم منطبق بر محل اندازه‌گیری تراکم و زیست توده علف های هرز در 110 نقطه در سطح مزرعه در محل تقاطع سیستم شبکه‌ای 8 × 8 متر اندازه‌گیری و ثبت شد. به منظور بررسی عملکرد بیولوژیک و دانه گندم با استفاده از سنجش از دور نیز عکس هوایی با کوادکوپتر از ارتفاع 120 متری از سطح مزرعه تهیه شد و سپس ارزش عددی پیکسل های تصویر هوایی استخراج و مورد تجزیه و تحلیل قرار گرفت. نتایج نشان داد جمعیت و زیست توده علف­های هرز با عملکرد بیولوژیک گندم همبستگی مکانی منفی 89/75 و 50/62 درصدی و با عملکرد دانه گندم همبستگی مکانی منفی 9/91 و 25/56 درصدی نشان داد. داده‌های حاصل از عکس هوایی نیز همبستگی مکانی قوی 23/88 و 12/78 درصدی به‌ترتیب با عملکرد بیولوژیک و دانه گندم نشان داد. براساس نتایج این پژوهش روش­های زمین آماری و داده‌های تصویر هوایی به خوبی نشان داد که توزیع ناهمگون تراکم و زیست توده علف­های هرز در سطح مزرعه می‌تواند سبب توزیع مکانی ناهمگون عملکرد بیولوژیک و دانه گندم گردد.

کلیدواژه‌ها

تصویر هوایی؛ توزیع مکانی؛ نقشه عملکرد؛ ناهمگونی رشد

مراجع

1- Ahmad Z., Khan S. M., Abd_Allah E.F., Alqarawi A.A., and Hashem A. 2016. Weed species composition and distribution pattern in the maize crop under the influence of edaphic factors and farming practices: A case study from Mardan, Pakistan. Saudi Journal of Biological Sciences 23(6): 741-748.‏

2- Berni J.A., Zarco-Tejada P.A., Suarez L., and Fereres E. 2009. Thermal and narrowband aerial vehicle. IEEE Transactions on Geoscience and Remote Sensing 47(3): 722-738.

3- Bigwood D.B., and Inouye D.W. 1988. Spatial pattern analysis of seed banks: an improved method and optimized sampling. Ecology 69: 497-507.

4- Calvino P., and Sadras V. 2002. On-farm assessment of constraints to wheat yield in the south-eastern Pampas. Field Crop Research 74: 1-11.

5- Cambell J.B. 2002. Introduction to Remote Sensing. 3rd ed. New York. Gulford. 622.

6- Cardina J., Sparrow D. H., and McCoy E.L. 1996. Spatial relationships between seed bank and seedling populations of common lambsquarters (Chenopodium album) and annual grasses. Weed Science 44: 298-308.

7- Clay S. A., Kreutner B., Clay D. E., Reese C., Kleinjan J., and Forcella F. 2006. Spatial distribution, temporal stability, and yield loss estimates for annual grasses and common ragweed (Ambrosia artimisiifolia) in a corn /soybean production field over nine years. Weed Science 54: 380-390.

8- Colbach N., Forcella F., and Jonson G.A. 2000. Spatial and temporal stability of weed factors on the weed flora in crops in the Gadalyvir. Valley 30: 375-382.

9- Goudy H.J., Bennett K.A., Brown R.B., and Tardif F.J. 2001. Evaluation of site-specific weed management using a direct- injection sprayer. Weed Science 49: 359-366.

10- Isaaks E.H., and Srivastava R.M. 1989. An Introduction to Applied Geostatistics. Oxford University Press. New York. 561p.

11- Jiang P., and Telen K.D. 2004. Effect of soil and topographic properties on crop yield in a north- central corn soybean cropping system. Agronomy Journal 96: 252-258.

12- Jurado-Exposito M., Lopez-Granados F., Garcia-Torres L., Garcia-Ferrer A. Sanches de La Orden M., and Atenciano S. 2003. Multi-species weed spatial variability and site-specific management maps in cultivated sunflower. Weed Science 51: 319 -328.

13- Kipp S., Mistele R., Baresel P., and Schmidhalter U. 2014. High-throughput phenotyping early plant vigor of winter wheat. European Journal of Agronomy 52: 271–278.

14- Lamb D.W., Weedon D., and Rew L.J. 1999. Evaluating the accuracy of mapping weeds in seedling crops using airborne digital imaging: Avena spp. in seedling triticale. Weed Research 39: 481-492.

15- Lass L. W., Carson H. W., and Callihan R.H. 1996. Detection of Yellow Starthistle (Centaurea solstitialis) and Common St. Johnswort (Hypericum perforatum) with Multispectral Digital Imagery. Weed Technology 10(3): 466-474.

16- Lowenberg DeBoer J., and Erickson K. 2000. Precision Farming Profitability Purdue. University, Ag Communications, West Lafayette in USA 132.

17- Lu J., Miao Y., Huang Y., Shi W., Hu X., Wang X., and Wan J. 2015. Evaluating an unmanned aerial vehicle-based remote sensing system for estimation of rice nitrogen status. 4th International Conference on Agro-Geoinformatics, Istanbul, 20-24 July 2015, 198-203.

18- Makarian H., and Hosseini R. S. 2011. Spatial distribution of weed and its effect on wheat (Triticum aestivum L.) biomass. Journal of Agriculture Science 3(4): 31-47. (In Persian with English abstract)

19- Makarian H. 2008. Investigation of spatial and temporal dynamic of weed seed bank and seedling populations and its effect on saffron (Crocus sativus L.) leaf dry weight under different weed management conditions. Ph.D. Thesis in weed science. Ferdowsi University of Mashhad: 193pp.

20- Mohammadi J. 2002. Spatial variability of soil fertility, wheat yield and weed density in a one-hectare field in Shahre Kord. Journal of Agricultural Science and Technology 4: 83-92.

21- Montazeri M., Zand A., and Baghestani M.A. 2004. Weeds and Control Them in Iran Wheat Fields. Agriculture Education Press. 85 pp. (In Persian with English abstract)

22- Nassiri Mahallati M., Koocheki A., and Jahani M. 2016. Estimating Within Field Variability of Wheat Yield Using Spatial Variables: An Approach to Precision Agriculture. Journal of Agroecology 3: 329-345. (In Persian with English abstract)

23- Nordmeyer H. 2006. Patchy weed distribution and site-specific weed control in winter cereals. Precision Agriculture 7: 219-231.

24- Rasmussen J., Nielsen J., Garcia-Ruiz F., Christensen S., and Streibig J. 2013. Potential uses of small unmanned aircraft system (UAS) in weed research. Weed Research 53: 242-248.

25- Sankaran S., Khot L.R., Espinoza C.Z., Jarolmasjed S., Sathuvalli V.R., Vandemark G.J. 2015. Low-altitude, high-resolution aerial imaging systems for row and field crop phenotyping: A review. European Journal of Agronomy 70: 112–123.

26- Sawasawa H.L.A. 2003. Crop yield estimation: integration RS, GIS and management factors. ITC, International Institute for Geo-information science and earth observation Enscheda, The Netherlands.

27- Shahbaziyan N., Dadi A., and Irannejad H. 2007. Response of winter wheat yield to rotation with wheat, fallow, soybean and alfalfa and application of manure in Qazvin province in Iran. Journal of Agriculture Science 13: 125-135. (In Persian with English abstract)

28- Singh R. 2012. Weed management in irrigated wheat (Triticum aestivum) with special reference to buttercup weed (Ranunculus spp.) in north-west Himalayas. Indian Journal of Agricultural Sciences 82: 706-710.

29- Stribig J. C., Rasmussen J., Andujar D., Anderson C., Berge T. W. 2014. Sensor- based assessment of herbicide effects. Weed Research 54(3): 223-233.

30- Taugourdeau S., Le Maire G., Avelino J., Jones J.R., Ramirez L.G., Jara Quesada M., and Roupsard O. 2014. Leaf area index as an indicator of ecosystem services and management practices: An application for coffee agroforestry. Agriculture, Ecosystems & Environment 192: 19-37.

31- Torres-Sanchez J., Lopez-Granados F., De Castro and A.I., Penä-Barragan J.M. 2013. Configuration and specifications of an unmanned aerial vehicle (UAV) for early site specific weed management. PLoS One 8(3), Published: March 6 2013.

32- Torres-Sanchez J., Pena J.M., de Castro A.I., and Lopez-Granados F. 2014. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV. Computer and Electronic in Agriculture 103: 104–113.

33- Wang L., Chen F., Zhang F., and Mi G. 2010. Two strategies for achieving higher yield under phosphorus deficiency in winter wheat grown in field conditions. Field Crops Research 118: 36-42.

34- Zhou X., Zhng H., Xu X., and He J. 2017. Predicting grain yield in rice using multi-temporal vegetation indices from UAV- based multispectral and digital imagery. Journal of Photogrammetry and Remote Sensing 130: 246-255.