تعیین نسبت بهینه اختلاط آب چاه و پساب شهری برای بیشینه‌سازی عملکرد ذرت علوفه‌ای با استفاده از الگوریتم ژنتیک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد آبیاری و زهکشی، گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی، ساری، ایران.

2 استادیار، گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی، ساری، ایران.

3 دانشیار، گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی، ساری، ایران.

4 دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز ایران.

10.22092/jwra.2026.371395.1101

چکیده

این پژوهش با هدف تعیین ترکیب بهینه پارامترهای کیفی آب برای حداکثرسازی عملکرد ذرت علوفه­ای با استفاده از الگوریتم ژنتیک انجام شد. در این مطالعه، تعداد 45 داده‌ عملکرد ذرت علوفه­ای حاصل از پنج تیمار در سه تکرار طی سه سال زراعی در استان مازندران جمع‌آوری گردید. پارامترهای کیفی آب شامل: هدایت الکتریکی (EC)، سدیم (Na+)، کلسیم (Ca2+)، منیزیم (Mg2+) و نسبت جذب سدیم (SAR) اندازه‌گیری شد. پس از توسعه سه مدل رگرسیونی مختلف، مدل تعاملات به عنوان مدل برتر با ضریب تعیین تعدیل‌شده 0/99 انتخاب گردید. بهینه‌سازی پارامترها با استفاده از الگوریتم ژنتیک با جمعیت اولیه ۵۰ کروموزوم انجام شد. نتایج بهینه‌سازی نشان داد که ترکیب بهینه پارامترها شامل هدایت الکتریکی dSm-1  1/18، سدیم میلی اکوالانت در لیتر 1/65، نسبت جذب سدیم 1/04، کلسیم میلی اکوالانت در لیتر 2/86 و منیزیم  میلی اکوالانت در لیتر 41/60 می‌باشد. نتایج نشان داد که بین تیمار 75% پساب شهری تصفیه­شده و 100%پساب شهری تصفیه­شده منطقه‌ای بهینه وجود دارد که با تنظیم دقیق‌­تر نسبت‌های یونی می‌توان به آن دست یافت. این ترکیب بهینه منجر به عملکرد پیش‌بینی‌شده 9/26 تن در هکتار گردید که این امر سبب بهبود ۱۰% نسبت به عملکرد بهترین تیمار موجود و3/27% نسبت به میانگین عملکرد ذرت علوفه­ای شد. بررسی نتایج نشان داد که مدل توسعه‌یافته از دقت پیش‌بینی بسیار بالایی برخوردار بوده و الگوریتم ژنتیک ابزار کارآمدی برای بهینه‌سازی چندپارامتری کیفیت آب آبیاری است. این رویکرد می‌تواند در مدیریت عملیاتی مزارع ذرت برای دستیابی به عملکرد بهینه مورد استفاده قرار گیرد.

کلیدواژه‌ها

عنوان مقاله [English]

Optimizing Well Water and Wastewater Blending Ratios for Maximizing Forage Maize Yield Using Genetic Algorithm

نویسندگان [English]

  • Narjes Shakeri-Parkoohi 1
  • Mohammad Mirnaseri 2
  • Mojtaba KhoshRavesh 3
  • Reza Delir-Hasan nia 4
1 M.Sc. Student of Irrigation and Drainage, Department of Water Engineering, Faculty of Agricultural Engineering, University of Agricultural Sciences and Natural Resources, Sari, Iran.
2 Assistant Prof., Department of Water Engineering, Faculty of Agricultural Engineering, University of Agricultural Sciences and Natural Resources, Sari, Iran.
3 Associate Prof., Department of Water Engineering, Faculty of Agricultural Engineering, University of Agricultural Sciences and Natural Resources, Sari, Iran.
4 Associate Prof., Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran.
چکیده [English]

This study aimed to determine the optimal combination of water quality parameters for maximizing forage maize yield using Genetic Algorithm. This study collected 45 forage maize yield data points from five treatments in three replications over three cropping years in Mazandaran Province, Iran. Water quality parameters including electrical conductivity (EC), sodium (Na⁺), calcium (Ca²⁺), magnesium (Mg²⁺), and sodium adsorption ratio (SAR) were measured. After developing three different regression models, the interactions model was selected as the superior model with an adjusted R² of 0.99. Parameter optimization was performed using Genetic Algorithm with an initial population of 50 chromosomes. The optimization results revealed that optimal parameter combination consisted of 1.18 dSm-1 electrical conductivity, 1.65 meq/L sodium, 1.04 sodium adsorption ratio, 2.86 meq/L calcium, and 41.60 meq/L magnesium. In fact, this study demonstrated that an optimal region exists between 75% and 100% treated wastewater, which can be achieved through more precise adjustment of ionic ratios. This optimal combination resulted in a predicted fresh biomass yield of 26.9 t.ha⁻¹, representing a 10% improvement over the best existing treatment and a 27.3% improvement over the mean forage maize yield. The developed model demonstrates high predictive accuracy, and Genetic Algorithm proves to be an efficient tool for multi-parameter optimization of irrigation water quality for forage production. This approach can be implemented in operational management of forage maize fields to achieve optimal biomass yield.

کلیدواژه‌ها [English]

  • Multi-objective optimization
  • Non-linear regression model
  • Irrigation water quality
  • Meta-heuristic algorithm
  • Sustainable water management

مراجع

  1. آمارنامه کشاورزی، 1399. آمارنامه کشاورزی (سال زراعی 98-1397) جلد اول: محصولات زراعی. چاپ اول. تهران: وزارت جهاد کشاورزی، معاونت برنامه‌ریزی و اقتصادی، مرکز فناوری اطلاعات و ارتباطات.
  2. پورغلام آمیجی، مسعود و خوش­روش، مجتبی، 1401. اثر آبیاری با پساب تصفیه‌شده مغناطیسی بر جذب برخی فلزات سنگین در کشت ذرت. تحقیقات آب‌وخاک ایران، 53(5)، صص 1079-1091.

 DOI: 10.22059/ijswr.2022.340774.669237

  1. خوش‌روش، مجتبی و پورغلام آمیجی، مسعود، 1401. اثر تنش آبی بر عملکرد و اجزای عملکرد توت‌فرنگی با استفاده از آب مغناطیسی­شده. پژوهش آب در کشاورزی، 36(4)، صص 441-453.

 DOI: 10.22092/jwra.2022.359733.941

خوش­سیما، مرتضی و نوری، حمیده، 1398. اثر شوری آب آبیاری بر عملکرد و صفات زراعی سه­هیبرید ذرت (Zea mays L.)  با استفاده از آبیاری قطره‌ای نواری، تحقیقات آب‌وخاک ایران، 50(8)، صص 2037-2049. DOI: 10.22059/ijswr.2019.271808.668073

  1. ذاکری­نیا، مهدی و عبدالهی، سینا، 1402. شبیه­سازی تأثیر آبیاری با آب شور- سدیمی بر تغییرات نفوذپذیری خاک با مدل‌های نفوذ فیلیپ و کاستیاکوف. رویکردهای نوین در مهندسی آب و محیط‌زیست، 2(1)، صص 1-10. DOI: 22034/nawee.2023.346062.1003
  2. عباسی، پدرام، بابازاده، حسین، یارقلی، بهمن و باخدا، حسین، 1400. اثر استفاده از پساب شهری بر عملکرد و اجزای عملکرد ذرت تحت مدیریت کم آبیاری (مطالعه موردی: شهرستان مرودشت). نشریه آبیاری و زهکشی ایران، 15(2)، صص 402-413. https://dor.isc.ac/dor/20.1001.1.20087942.1400.15.2.15.7
  3. کریمی، بختیار، عبدی، چنور و فتحی تیلکو، زینب، 1397. تأثیر آبیاری با پساب شهری تصفیه‌شده بر عملکرد و برخی ویژگی‌های رشد گوجه‌فرنگی و ذرت در شرایط گلخانه‌ای. دانش آب‌وخاک، 28(4)، صص 19-29.
  4. Assouline, S., Russo, D., Silber, A. and Or, D., 2015. Balancing water scarcity and quality for sustainable irrigated agriculture. Water Resources Research, 51(5), pp. 3419–3436. DOI: 1002/2015WR017071
  5. Ayers, R. S. and Westcot, D. W., 1985. Water quality for agriculture. FAO Irrigation and Drainage Paper 29. Rome: Food and Agriculture Organization of the United Nations.

DOI: 10.25607/OBP-1790

  1. Burnham, K. P. and Anderson, D. R., 2002. Model selection and multimodel inference: a practical information-theoretic approach. 2nd edn. New York: Springer-Verlag.
  2. Cakmak, I. and Yazici, A. M., 2010. Magnesium: A forgotten element in crop production. Better Crops, 94(2), pp. 23–25.
  3. Cosgrove, W. J. and Loucks, D. P., 2015. Water management: Current and future challenges and research directions. Water Resources Research, 51(6), pp. 4823–4839. DOI: 1002/2014WR016869
  4. Deb, K., 2001. Multi-objective optimization using evolutionary algorithms. Chichester: John Wiley & Sons. DOI: 1002/0471722102
  5. , 2020. The State of Food and Agriculture 2020: Overcoming water challenges in agriculture. Rome: FAO. Available

at: https://openknowledge.fao.org/handle/20.500.14283/cb1447en.

  1. Fereidooni, M. J., Farajee, H. and Owliaei, H. R., 2013. Effect of treated urban sewage and nitrogen on yield and grain quality of sweet corn and some soil characteristics in Yasouj region. Water and Soil Science, 23(3), pp. 43-56.
  2. Gorji, T., Yildirim, M. and Sert, E., 2020. Evaluation of the water quality criteria for irrigation. Agricultural Water Management, 240, 106289.

DOI: 10.1016/j.agwat.2020.106289

  1. Holland, J. H., 1992. Genetic algorithms. Scientific American, 267(1), pp. 66–73.

DOI: 10.1038/scientificamerican0792-66

  1. Isayenkov, S. V. and Maathuis, F. J. M., 2019. Plant salinity stress: Many unanswered questions remain. Frontiers in Plant Science, 10, 80. DOI: 3389/fpls.2019.00080
  2. Li, Y., Li, H. and Li, Y., 2021. A review of multi-objective optimization in agricultural water management: Current status and future directions. Agricultural Water Management, 243, 106501. DOI: 1016/j.agwat.2020.106501
  3. Maas, E. V. and Hoffman, G. J., 1977. Crop salt tolerance—current assessment. Journal of the Irrigation and Drainage Division, 103(2), pp. 115–134.

DOI: 10.1061/JRCEA4.0001137

  1. Malash, N., Flowers, T. J. and Ragab, R., 2008. Effect of irrigation systems and water management practices using saline and non-saline water on tomato production. Agricultural Water Management, 95(2), pp. 182-192.

DOI: 10.1016/j.agwat.2007.10.005

  1. Minhas, P. S., Ramos, T. B., Ben-Gal, A. and Pereira, L. S., 2020. Coping with salinity in irrigated agriculture: Crop evapotranspiration and water management issues. Agricultural Water Management, 227, 105832. DOI: 1016/j.agwat.2019.105832
  2. Mirjalili, S., 2019. Evolutionary algorithms and neural networks: Theory and applications. Cham: Springer.
  3. Mousavi, R. S., Galavi, M. and Eskandari, H., 2013. Effects of treated municipal wastewater on fluctuation trend of leaf area index and quality of maize (Zea mays). Water Science & Technology, 67(4), pp. 797–802. DOI: 2166/wst.2012.624
  4. Noory, H., Liaghat, A. and Parsinejad, M., 2011. Crop yield prediction using genetic algorithms and remote sensing data. Agricultural Water Management, 98(9), pp. 1497–1507. DOI: 1016/j.agwat.2011.04.004
  5. Raju, K. S. and Kumar, D. N., 2004. Irrigation planning using genetic algorithms. Water Resources Management, 18(2), pp. 163–176.

DOI: 10.1023/B:WARM.0000024738.72486.b2

  1. Rho, H., Van Epps, V., Wegley, N., Doty, S. L. and Kim, S. H., 2021. Salinity stress tolerance and sodium exclusion in plants: A review. Frontiers in Plant Science, 12, 660409. DOI: 3389/fpls.2021.660409
  2. Rusan, M. J. M., Hinnawi, S. and Rousan, L., 2007. Long term effect of wastewater irrigation of forage crops on soil and plant quality parameters. Desalination, 215, pp. 143-152.
  3. Sepaskhah, A. R. and Tabarzad, A. A., 2006. Soil and water salinity in crop production. Agricultural Water Management, 83(1-2), pp. 152-160.

DOI: 10.1016/j.agwat.2005.10.004

  1. Van Zelm, E., Zhang, Y. and Testerink, C., 2020. Salt tolerance mechanisms of plants. Annual Review of Plant Biology, 71, pp. 403–433. DOI: 1146/annurev-arplant-050718-100005
  2. Vance, C. P., Uhde Stone, C. and Allan, D. L., 2003. Phosphorus acquisition and use: critical adaptations by plants. New Phytologist, 157(3), pp. 423-447. DOI: 1046/j.1469-8137.2003.00695.x
  3. Zheng, Y., Bai, Y., Yue, W. and Ding, C., 2022. Optimize the irrigation and fertilizer schedules by combining DSSAT and genetic algorithm. Environmental Science and Pollution Research, 29(36), pp. 52473-52482. DOI: 1007/s11356-022-19525-z
پژوهش آب در کشاورزی
دوره 39، شماره 4
اسفند 1404
صفحه 321-340

فایل ها

هم رسانی

ارجاع به این مقاله

آمار