Economic Optimizing of Irrigation Scheduling of Selected Agricultural Crops in Zaveh Plain, Khorasan Razavi Province

Document Type : Research Paper

Authors

1 Assistant Prof., Agricultural Economic Department, University of Torbat Heydarieh.

2 MSc. student, Agricultural Economic Department, University of Torbat Heydarieh.

3 PhD, Water Engineering, University of Torbat Heydarieh.

Abstract

 
Most of the water in Iran is used in agricultural sector. In recent years, due to loss of attention to this scares production input and incorrect and excessive use, as well as the droughts, the water shortage issue has turned into a serious crisis. So, the planners should work to make a decision in order to minimizing water consumption and prevent the water  from wasted and misused by providing appropriate cropping pattern and also using advanced technologies of irrigation systems. In this study, the applied model is multi-objective genetic algorithms in MATLAB with nondominated sorting. For this study, for crop seasons 2011-12 to 2014-15, the data of cultivated areas, yield, price and the costs of productions of irrigated crops including wheat, barley, maize, alfalfa and sugar beet crops were obtained from Office of Agriculture in Zaveh plain, Khorasan-Razavi province. Also, the data of Regional Water Authority of Khorasan Razavi and the water supplied from Senobar Station was used. Some required data were obtained through consultation with experts. Comparing the results of the estimated cultivation areas with the actual statistics of cultivated areas for each crop in each year showed that the optimum cropping area of wheat and barley obtained from the model was lower than the actual cropped area. But, corn crop showed an increase in cultivation area which is highly desirable and increases the irrigation scheduling returns and sustainability of agriculture. Considering the importance of minimization of the deviation of the irrigation schedule presented by the experts and farmers, it is recommended that the irrigation scheduling plan for the farmers should take into account the viewpoints of both the farmers and the experts.

Keywords

References

  1. اسفهلان، م .1387. کاربرد الگوریتم­های تکاملی برای تحلیل مسائل آنتن و مایکروویو. دانشگاه تهران. پایان نامه کارشناسی ارشد.
  2. باریکانی، ا.، احمدیان، ا.، و ص. خلیلیان. 1390. بهره برداری بهینه پایدار از منابع آب زیرزمینی در بخش کشاورزی: مطالعه موردی زیر بخش زراعت دشت قزوین. اقتصاد و توسعه کشاورزی(علوم و صنایع کشاورزی). 25(2): 262-253.
  3. بی­نام. 1387. گزارشات داده­های علوم زمین. پایگاه اطلاعاتی داده­های علوم زمین: به آدرس: http://www.ngdir.ir.
  4. بی­نام1. 1393. گزارشات تولید محصولات کشاورزی شهرستان زاوه، مدیریت جهاد کشاورزی زاوه.
  5. بی­نام2. 1393. گزارشات راهبردی غذا و کشاورزی. مرکز تحقیقات راهبردی غذا و کشاورزی دانشگاه تهران.
  6. بی­نام3. 1393. گزارشات منابع آب ایران. شرکت مدیریت منابع آب ایران: به آدرس http://www.wrm.ir.
  7. پور ذاکر عربانی، س. 1385. مفاهیم هوش مصنوعی و شبکه­های عصبی مصنوعی و ژنتیک الگوریتم. چاپ اول انتشارات ندای سبز شمال.
  8. حجتی، ع.، فرید حسینی، ع.، قهرمان، ب.، و ا. علیزاده. 1392.  مقایسه کاربرد روش­های فراکاوشی در بهینه سازی سیستم­های چند هدفه منابع آب(مطالعه موردی: سد استور و پیر تقی در حوضه آبریز قزل اوزن). مهندسی آب و محیط زیست ایران.ا(2): 14-9.
  9. حسینی، س. ا.، و ع. باقری. 1392.  مدل­سازی پویایی سیستم منابع آب دشت مشهد برای تحلیل استراتژی­های توسعه پایدار. آب و فاضلاب. 24(4): 39-28.
  10. صنیعی آباده، م. و جبل عاملیان، ز. 1392. الگوریتم­های تکاملی و محاسبات زیستی. چاپ دوم نشر نیاز دانش. تهران.
  11. کیافر، ح.، صدرالدینی، ا.، اشرف، ع.، ناظمی، ح.، و ه. ثانی خانی. 1390. تخصیص بهینه آب در شبکه آبیاری و زهکشی صوفی چای در استان آذربایجان شرقی با استفاده از الگوریتم ژنتیک. مهندسی آبیاری و آب. 2(5): 61-52.
  12. نظری، م.، شیبانی، ک.، و ع.، مشگی. 1381. مدیریت آبیاری جهت افزایش عملکرد گندم. خشکی و خشک‌سالی کشاورزی، (6): 43-28.
  13. Casadeie, S., Pierleonia, A., Camicib, S., Broccac, L., and T, Moramarcod. 2014. Climate change and decision support systems for water resource management. Proceedings of the 12th international conference on computing and control for the water industry.
  14. George, J., and B, Yuan. 2003. Fuzzy sets and Fuzzy logic: Theory and Applications. Prentice Hall of India.
  15. Hag, Z. U., and A. Anwar. 2013. Application of genetic algorithm to sequential irrigation/ single machine scheduling problem. Irrigation Science. 1(4): 815-829.
  16. Hu, M. H., Huang, G., Sun, W., Li, Y., Ding, X. C., Zhang, X., and T, Li. 2014 Multi-objective ecological reservoir operation based on water quality response models and improved genetic algorithm: A case study in Three Gorges Reservoir, China. Engineering Application of Artificial Intelligence. 1(36): 332-346.
  17. Kuo, S. F., Gary, P. M., and C. W. Liu. 2000. Decision support for irrigation project planning using a genetic algorithm. Agriculture Water Management. 1(45): 243-266.
  18. Lawrence, D. 1991. Handbook of Genetic Algorithms. New york.Seidakhmetov,  M., Alzhanov, A. and P. Baineev. 2014. Mechanism of Tran’s boundary. Water Resources Management for Central Asia Countries. 4(1): 604 – 609.
  19. Wardlaw, R. B., and J. M. Barnes. 1999. Optimal allocation of irrigation water supplies in real time. Irrigation and Drainage Engineering. (6): 345-354.
Journal of Water Research in Agriculture
Volume 31, Issue 2
September 2017
Pages 277-286

Files

Share

How to cite

Statistics