عنوان پایان‌نامه
توسعه سامانه پشتیبانی تصمیم بر پایه داده‌های هواشناسی (دما و رطوبت) و مدل‌های خیسی سطح برگ جهت پیش‌آگاهی شیوع بیماری بلایت (Blight) سیب زمینی
- رشته تحصیلی
- مهندسی کشاورزی - هواشناسی کشاورزی
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6390
- تاریخ دفاع
- ۲۵ خرداد ۱۳۹۴
- دانشجو
- وحید ورشاویان
- استاد راهنما
- نوذر قهرمان
- چکیده
- نیاز روزافزون بشر به مواد غذایی اهمیت مدیریت تولید به‌منظور امنیت غذایی را برای هر جامعه بیش‌ازپیش آشکار می‌سازد. امروزه سامانه‌های پشتیبان تصمیم در جهت اتخاذ تصمیم‌های صحیح و به‌موقع به مدد کاربران خود آمده اند. در این میان سامانه‌های پیش‌آگاهی بیماری‌های گیاهی در سراسر دنیا توسط کشاورزان و مدیران به‌طور گسترده مورد استفاده قرار می‌گیرند. محصولات استراتژیک معمولا به دلیل کشت گسترده در هر منطقه و نیاز همیشگی بازار مصرف همواره با چالش‌های مدیریتی و محیطی روبرو بوده اند. سیب‌زمینی یکی از این محصولات استراتژیک و از پرمصرف‌ترین محصولات کشاورزی در سطح دنیا است. این گیاه مانند سایر محصولات مورد هجوم آفات و عوامل بیماری‌زا ازجمله قارچ‌ها قرار می‌گیرد. بیماری لکه موجی (Early blight) در سیب زمینی توسط قارچ Alternaria solani به وجود می‌آید. این بیماری در شرایط رطوبت زیاد هوا و یا وجود آب روی برگ به‌خوبی گسترش می‌یابد. اسپورهای قارچ توسط باد و باران به برگ‌های سالم منتقل می‌شوند. رطوبت بالا و دمای بین 18 تا 25 درجه سانتی‌گراد، شبنم، بارندگی و آبیاری بارانی احتمال بروز و گسترش آن را تشدید می کند. این تحقیق با هدف توسعه سامانه پشتیبانی تصمیم بر پایه داده‌های هواشناسی و مدل‌های خیسی سطح برگ جهت پیش‌آگاهی همه گیری بیماری لکه موجی سیب‌زمینی در سال های زراعی 92-1391 و 93-1392 در مزرعه تحقیقاتی دانشگاه رازی کرمانشاه انجام شد. ازآنجا که مقادیر دما، رطوبت و میزان تداوم خیسی برگ جهت انتشار قارچ عامل بیماری به شرایط محل رشد گیاه وابسته است؛ و منطقا اطلاعات ایستگاه سینوپتیک یا اقلیم‌شناسی خارج از مزرعه دقیقا با داده های خرداقلیمی مزرعه مطابقت ندارد؛ لذا اطلاعات هواشناسی در داخل کانوپی جمع‌آوری و رابطه بین نتایج حاصل از مدل های پیش آگاهی با داده‌های کانوپی و ایستگاه مقایسه گردید. مقادیر آستانه‌های آب‌وهوایی مؤثر بر همه گیری بیماری برای منطقه مطالعاتی مورد آزمون و ارزیابی قرار گرفت. از آنجا که تداوم خیسی سطح برگ نقش تعیین‌کننده ای در انتشار اکثر بیماری‌های قارچی دارد؛ اندازه‌گیری هایی به منظور ارزیابی دو دسته مدل های تجربی و فیزیکی برآورد خیسی سطح برگ با استفاده از محاسبه خیسی سطح برگ انجام شد. همچنین با توجه به تاثیر شیوه و زمان آبیاری در وضعیت رطوبتی و خیسی برگ ها مقادیر ارتفاع آب پاشش شده اندازه گیری گردید. بنابر این و با هدف ارزیابی شرایط آب‌وهوایی مساعد همه گیری بیماری لکه موجی سیب‌زمینی جهت انتشار در منطقه موردمطالعه، پس از کشت سیب‌زمینی، پایش علائم بیماری در مزرعه و تغییرات جمعیتی اسپور قارچ عامل بیماری انجام شد. همچنین در بخش نهایی مطالعه دو مدل پیش‌آگاهی لکه موجی سیب‌زمینی، یعنی مدل درجه-روز و مدل پی، با داده‌های هواشناسی درون مزرعه و نزدیک‌ترین ایستگاه هواشناسی نسبت به مزرعه آزمایشی ارزیابی گردید. در ادامه همبستگی بین جمعیت اسپورهای موجود در هوا و متغیرهای هواشناسی بررسی شد. نتایج بررسی‌ها نشان داد که مدل تجربی خیسی سطح برگ با آستانه بهینه 75% برای منطقه مورد مطالعه، نسبت به مدل های آستانه ثابت 87% و مدل فیزیکی بهترین برآورد را دارد. اگر چه همه مدل ها دارای کم برآورد بودند. خیسی سطح برگ در اثر آبیاری بارانی به ازای هر ساعت آبیاری، معادل 6 میلی‌متر بارندگی تعیین شد که می تواند به عنوان سنجه ای از خیسی در مدل های مربوطه مد نظر باشد. همبستگی بین جمعیت اسپور قارچ عامل بیماری لکه موجی در هوا با دمای بیشینه و دمای کمینه در سطح 1% و با رطوبت نسبی در سطح 5% معنی‌دار بود. در این بررسی بین داده‌های جمعیت اسپور و بارش رابطه معنی‌داری مشاهده نشد. هر دو مدل پیش‌آگاهی بیماری لکه موجی سیب‌زمینی یعنی روش درجه روز و روش روزهای فنولوژیک با آستانه های شیوع پیش فرض (به ترتیب 625 و 300) طی دو سال بررسی به‌خوبی زمان ابتلای مزرعه به بیماری را تخمین زدند. در مورد منشا داده‌های هواشناسی نیز نتایج هر دو مدل پیش‌آگاهی هم با داده‌های ایستگاه خودکار مزرعه و هم با داده‌های نزدیک‌ترین ایستگاه سینوپتیک رضایت‌بخش بود. بر این اساس، یک نرم افزار تحت وب به نام سامانه پشتیبان تصمیم لکه موجی سیب زمینی (PEBDSS) حاوی دو مدل پیش‌آگاهی برای بیماری لکه موجی سیب‌زمینی در غرب کشور طراحی و ارائه گردید که در آن کاربران می توانند با ارتباط بر خط (online) داده های هواشناسی مورد نیاز را از سایت سازمان هواشناسی دریافت و مدل های پیش آگاهی را در ایستگاه مورد نظر محاسبه و ریسک همه گیری بیماری را به صورت گرافیکی مشاهده نمایند. این سامانه قابلیت تعمیم به سایر محصولات و بیماری ها را دارد.
- Abstract
- Human increasing need to food is more evident production management importance for food security in every society. The decision support systems have come to help their users for accurate and timely decisions. In this case plant diseases prognosis systems are used widely by farmers and managers around the world. Strategic crops usually because of widely cultivation in every area and need for the consumer market has always faced challenges and environmental management. Potato is one of the strategic products and the most widely consumed crops in the world. This crop, like other plant threatened by pests and pathogens such as fungi. Early blight disease caused by Alternaria solani spreads well in abundance of humidity and the presence of water on the leaves. The early symptoms of disease is appearance of brown to black spots appear as concentric embowed rings. The fungal spores are distributed by wind and rain to healthy leaves. High humidity and temperatures between 18 and 25 °C, dew, rain and sprinkler irrigation increases its spread. This research was carried out to establishment of a decision support system (DSS) based on weather data and leaf wetness models for early warning of potato Early Blight disease in Kermanshah at 2011-2012 and 2013-2014 crop year. Since the values of temperature, humidity and leave wetness continuity to spread the pathogen related to its situ growth (the canopy), synoptic station or Climatology seemed out of the field data probably will not be able to provide an accurate prediction. The meteorological data collected in the canopy and the relationship between the results of prognosis models were compared with the station and canopy data. Weather thresholds affecting the disease epidemic evaluated for Kermanshah. Because leaf wetness continuity is decisive role in the spread of the fungal disease, measurements in order to find the best model for leaf area wetness, was performed to be used in forecasting models. Since the method and time of irrigation have an influence on humidity and leaf wetness condition, this effect was measured in this model. Therefore, with the aim of assessing climatic conditions favorable for potato early blight disease epidemic to spread in the studied area, to determine the relationship between meteorological data in the canopy and the standard synoptic stations close to the farm, provide model to estimate leaf wetness continuity using meteorological data in the potatoes experimental fields in Kermanshah, comparison and evaluation of existing climatic models regarding prognosis potato early blight disease epidemic as a major cause damage and reduce this plant in the country, after planting potato attempted to monitor the leaf wetness duration, symptoms of disease in the field and demographic changes responsible fungal spores for the disease. Also were measured the amount of water poured on the canopy by sprinkler irrigation. On the other side, two early blight potato prognosis models, GDD and P-days, was conducted with infield meteorological data and the nearest regional weather station. Then the correlation between the population of spores in the air and meteorological variables were examined. The results showed that Experimental model of leaf wetness with a threshold of 75% is the best estimate Compared to the fixed threshold model (87%) and the physical model in studied area. Although all models have been underestimated. Leaf wetness by sprinkler irrigation was measured equal to 6 millimeters of rainfall per hour. there is significant relation between the spore population in the air and maximum and minimum temperature (p= 0.01) and relative humidity (p=0.05). There was no significant relationship between the population spores data and rain in this study. Both potato early blight disease prognosis models, GDD and P-days, with default values (625 and 300 respectively) developing the well estimated the outbreak of disease over two years. About the origin of the meteorological data, results of both prognosis models was satisfactory with field automatic station data and the nearest station data. Finally, a web based software called potato early blight decision support system (PEBDSS) Includes two prognosis models for potato early blight disease designed and presented in the West of Iran.
