دانشگاه تبریز
فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
پایگاه استنادی علوم جهان اسلام (ISC)

 آمار

تعداد نشریات45
تعداد شماره‌ها1,538
تعداد مقالات18,755
تعداد مشاهده مقاله62,186,901
تعداد دریافت فایل اصل مقاله22,537,903
شکوهی, طاهره, پازند, مجید. (1405). بهینه‌سازی سود در کنترل علف‌های هرز ذرت با استفاده از آترازین تحت عدم قطعیت بازه‌ای. سامانه مدیریت نشریات علمی, 13(2), 87-104. doi: 10.22034/ecoj.2026.68399.3444
طاهره شکوهی; مجید پازند. "بهینه‌سازی سود در کنترل علف‌های هرز ذرت با استفاده از آترازین تحت عدم قطعیت بازه‌ای". سامانه مدیریت نشریات علمی, 13, 2, 1405, 87-104. doi: 10.22034/ecoj.2026.68399.3444
شکوهی, طاهره, پازند, مجید. (1405). 'بهینه‌سازی سود در کنترل علف‌های هرز ذرت با استفاده از آترازین تحت عدم قطعیت بازه‌ای', سامانه مدیریت نشریات علمی, 13(2), pp. 87-104. doi: 10.22034/ecoj.2026.68399.3444
شکوهی, طاهره, پازند, مجید. بهینه‌سازی سود در کنترل علف‌های هرز ذرت با استفاده از آترازین تحت عدم قطعیت بازه‌ای. سامانه مدیریت نشریات علمی, 1405; 13(2): 87-104. doi: 10.22034/ecoj.2026.68399.3444

بهینه‌سازی سود در کنترل علف‌های هرز ذرت با استفاده از آترازین تحت عدم قطعیت بازه‌ای

نظریه های کاربردی اقتصاد
مقاله 4، دوره 13، شماره 2 - شماره پیاپی 49، خرداد 1405، صفحه 87-104    اصل مقاله (891.83 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22034/ecoj.2026.68399.3444
نویسندگان
طاهره شکوهی* 1؛ مجید پازند2
1استادیار، گروه ریاضی کاربردی، مجتمع آموزش عالی سراوان، دانشگاه سراوان، سیستان و بلوچستان، ایران
2استادیار، گروه اقتصاد، مجتمع آموزش عالی سراوان، دانشگاه سراوان، سیستان و بلوچستان، ایران
چکیده
این پژوهش با هدف بهینه‌سازی سود در کنترل علف‌های هرز ذرت تحت عدم قطعیت از نوع بازه‌ای در راستای افزایش عملکرد ذرت تمرکز دارد. ما به دنبال یافتن یک تعادل بهینه بین محصول و علف هرز برای حداکثرسازی منفعت اقتصادی تولیدکننده هستیم. برای دستیابی به این هدف، ابتدا یک تابع دز-پاسخ برای علف‌کش‌ها و پویایی جمعیت علف هرز (مانند علف هرز مهاجم دودندانه) مدل‌سازی شد. سپس، با در نظر گرفتن عواملی مانند روش کاشت، شرایط آب و هوایی و آفات، بازده نهایی محصول محاسبه شد. این مسئله به عنوان یک مسئله کنترل بهینه با تابع سود بازه‌ای از طریق سیستمهای برنامه ریزی پویا فرمول‌بندی شده است. سیستمهای پویا، تکنیکی برای استفاده از اصول مهندسی بازخورد و کنترل در شبیه سازی است، که ما را قادر به فهم الگوهـای پیچیـده موجود در روابط علت و معلـولی سیسـتم‌هـا  مـی‌سـازد.  نتایج شبیه‌سازی با استفاده از علف‌کش آترازین نشان داد که اعمال دزهای بهینه علف‌کش منجر به کاهش پایدار بانک بذر و افزایش قابل توجه سودآوری در طول زمان می‌شود .جواب‌های بهینه بر اساس رابطه ترتیبی LU نشان داده شده است، که مفهوم جدیدی از رابطه مرتبه جزئی برای فضای بازه‌ای با استفاده از توابع مقید محدب مرتبط با بازه‌ها می‌باشد. در این پژوهش  استفاده از مدل برنامه ریزی پویا  مدیریت هوشمندانه علف‌های هرز، بهره‌وری و سود اقتصادی بلندمدت را به‌طور چشمگیری بهبود می‌بخشد، از این رو می‌تواند بعنوان ابزاری کارآمد برای تصمیم‌گیری‌های پایدار در کشاورزی و مدیریت عدم قطعیت‌های اقتصادی ‌باشد.
کلیدواژه‌ها
برنامه‌ریزی پویا؛ عدم قطعیت بازه‌ای؛ علف‌های هرز؛ کنترل بهینه
مراجع
  1. Ahmadi, A. (1999). Determination of critical period of weed control on tomato. M.Sc. Thesis, Dept. of Agronomy and Plant Breeding, Pardis Abouraihan, Tehran University, Iran, 100p (In Persian).
  2. Asa, C. G. (2018). Pengaruh Kesadaran Iklan, Kesadaran Merek, Citra Merek dan Ekuitas Merek Mamahke Jogja dengan Produk Kue di Media Sosial Terhadap Keputusan Pembelian Konsumen.‏
  3. Cousens, R. (1985). A simple model relating yield loss to weed density. Annals of applied biology, 107(2), 239-252.‏
  4. Bellman, R. I. C. H. A. R. D. (1957). Dynamic programming, princeton univ. Press Princeton, New Jersey, 39.‏
  5. Jones, R. E., & Cacho, O. J. (2000). A dynamic optimisation model of weed control.‏
  6. Kennedy, J. O. (Ed.). (2012). Dynamic programming: applications to agriculture and natural resources. Springer Science & Business Media.‏
  7. Kim, D. S., Marshall, E. J. P., Brain, P., & Caseley, J. C. (2006). Modelling the effects of sub‐lethal doses of herbicide and nitrogen fertilizer on crop–weed competition. Weed Research, 46(6), 492-502.‏
  8. Lacerda, A. L. D. S., & Victoria Filho, R. (2004). Dose-response curves in weed species with the use of herbicide glyphosate. Bragantia, 63, 73-79.‏
  9. Leal, U. A., Maqui, G., Silva, G. N., & Lodwick, W. (2022). Single-Level Differentiability for Interval-valued Functions. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics, 9(1).‏
  10. Leal, U., Lodwick, W., Silva, G., & Maqui-Huaman, G. G. (2021). Interval optimal control for uncertain problems. Fuzzy Sets and Systems, 402, 142-154.‏
  11. Merotto Jr, A., Jasieniuk, M., Osuna, M. D., Vidotto, F., Ferrero, A., & Fischer, A. J. (2009). Cross-resistance to herbicides of five ALS-inhibiting groups and sequencing of the ALS gene in Cyperus difformis L. Journal of agricultural and food chemistry, 57(4), 1389-1398.‏
  12. Pandey, S., & Medd, R. W. (1990). Integration of seed and plant kill tactics for control of wild oats: an economic evaluation. Agricultural Systems, 34(1), 65-76.‏
  13. Pontryagin, L. S. (2018). Mathematical theory of optimal processes. Routledge.‏
  14. Trefethen, L. N., & Bau, D. (2022). Numerical linear algebra. Society for Industrial and Applied Mathematics.‏
  15. Santín-Montanyá, I. (2011). The bioassay technique in the study of the herbicide effects. Herbicides, Theory and Applications. Rijeka: InTech, p431-454.‏
  16. Seefeldt, S. S., Jensen, J. E., & Fuerst, E. P. (1995). Log-logistic analysis of herbicide dose-response relationships. Weed technology, 9(2), 218-227.‏
آمار
تعداد مشاهده مقاله: 324
تعداد دریافت فایل اصل مقاله: 295


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب