تعداد نشریات | 44 |
تعداد شمارهها | 1,322 |
تعداد مقالات | 16,231 |
تعداد مشاهده مقاله | 52,875,983 |
تعداد دریافت فایل اصل مقاله | 15,549,320 |
بهینهسازی شرایط تغذیهای و محیطی برای آزادسازی پتاسیم از ایلایت توسط Aspergillus niger و Pseudomonas fluorescens | ||
دانش آب و خاک | ||
مقاله 5، دوره 32، شماره 1، فروردین 1401، صفحه 53-70 اصل مقاله (1.83 M) | ||
شناسه دیجیتال (DOI): 10.22034/ws.2022.12428 | ||
نویسندگان | ||
ساناز اشرفی سعیدلو1؛ عباس صمدی* 2؛ میرحسن رسولی صدقیانی2؛ ابراهیم سپهر2؛ محسن برین3 | ||
1دانشجوی دکتری گروه علــوم خاک، دانشکده کشاورزی، دانشگاه ارومیه | ||
2استاد گروه علــوم خاک، دانشکده کشاورزی، دانشگاه ارومیه | ||
3استادیار گروه علــوم خاک، دانشکده کشاورزی، دانشگاه ارومیه | ||
چکیده | ||
پژوهش حاضر با هدف ارزیابی اثر منابع مختلف کربن بر قابلیت انحلال پتاسیم توسط باکتری Pseudomonas fluorescens و قارچ Aspergillus niger و مدلسازی اثر سطوح مختلف متغیرهای زمان انکوباسیون، pH و منبع کربن بر انحلالپذیری پتاسیم با استفاده از طرح مرکب مرکزی انجام شد. در مرحلهی اول، بر مبنای طرح پلاکت – برمن، تعداد 12 آزمایش با ترکیب سطوح مختلف تعریف شده و تأثیر منابع مختلف کربن شامل گلوکز، ساکارز و فروکتوز در دو سطح 1+ (10 گرم در لیتر) و 1- (5 گرم در لیتر) بر انحلال پتاسیم موجود در ایلایت مورد بررسی قرار گرفت. در مرحله دوم، پس از گزینش منبع کربن مهم و تأثیرگذار، دامنههای متفاوتی از متغیرهای مستقل شامل زمان انکوباسیون، pH و منبع کربن در نظر گرفته شده و بر اساس مقادیر کدبندی شده متغیرهای مستقل، طراحی آزمایش صورت پذیرفت. نتایج نشان داد تأثیر منابع کربن بر رهاسازی K توسط باکتری و قارچ معنیدار نبود و لذا ﻫﺮ ﮐﺪام از آنﻫﺎ ﻣﯽﺗﻮاﻧﻨﺪ ﺑﻪﻋﻨﻮان ﺟﺎﯾﮕﺰﯾﻦ ﯾﮑﺪﯾﮕﺮ در ﻣﺤﯿﻂﮐﺸﺖ اﺳﺘﻔﺎده ﺷﻮﻧﺪ. بر مبنای نتایج تحلیل آماری ضرایب مدل طرح مرکب مرکزی، pH اثر مثبت و افزایندهای بر افزایش رهاسازی پتاسیم محلول داشت (0001/0>P). بهطوریکه بیشترین آزادسازی پتاسیم توسط باکتری و قارچ بهترتیب برابر با 75/109 و 3/170 میلیگرم در لیتر، در سطوح مرکزی زمان و منبع کربن، و 36/10 = pH مشاهده شد. بر اساس مقدار ضریب تبیین مدل طرح مرکب مرکزی، بهترتیب 91 و 8/87 درصد از تغییرات پتاسیم محلول در حضور باکتری و قارچ توسط این مدل قابل تبیین بود. | ||
کلیدواژهها | ||
"بهینه سازی"؛ "ایلایت"؛ "میکروارگانیسم های حل کننده"؛ "پتاسیم"؛ "منبع کربن" | ||
مراجع | ||
Agam N and Berliner PR, 2006. Dew formation and water vapor adsorbtion in semi-arid environments-A review. Journal of Arid Environments 65: 572-590.
Al-Shammari ET, Mohammadi K, Keivani A, Ab Hamid SH, Akib S, Shamshirband S and Petkovic D, 2016.
Prediction of daily dew point temperature using a model combining the support vector machine with firefly
Algorithm. Journal of Irrigation and Drainage Engineering 142 (5).040160131-9.
Amirmojahedi M, Mohammadi K, Shamshirband S, Seyed Danesh A, Mostafaeipour A and Kamsin A, 2016. A hybrid computational intelligence method for predicting dew point temperature. Journal of Environmental Earth Sciences 75:415-426.
Antonopoulos VZ, Papamichail DM, Aschonitis VG and Antonopoulos AV, 2019. Solar radiation estimation methods using ANN and empirical models. Computers and Electronics in Agriculture 160:160-167.
Dong J, Wu L, Liu X, Li Z, Gao Y, Zhang Y and Yang Q , 2020. Estimation of daily dew point temperature by using bat algorithm optimization based extreme learning machine. Applied Thermal Engineering 165: 114569.
Deka PC, Patil AP, Kumar PY and Naganna RS, 2018. Estimation of dew point temperature using SVM and ELM for humid and semi-arid regions of India. Journal of Hydraulic Engineering 24:190-197.
Fathollahzadeh Attar N, Khalili K, Behmanesh J and Khanmohammadi N, 2018. On the reliability of soft computing methods in the estimation of dew point temperature: The case of arid regions of Iran. Journal of Computers and Electronics in Agriculture 153: 334-336.
Friedman JH,1991. Multivariate adaptive regression splines. The Annals of Statistics 19:1–67.
Gornicki K and Winiczenko R, 2017. Evaluation of models for the dew point temperature determination. Technical Sciences 20(3): 241-257.
Hill AJ, DawsonTE, Shelef O and Rachmilevitch S, 2015. The role of dew in Negev Desert plants. Oecologia 178(2): 317-327.
Isazadeh M and Rezaei Banafshe M, 2017. Evaluating of the artificial neural network and support vector mechine performance in determining daily evaporation values (Case study: Tabriz and Maragheh Meteorological Stations). Natural Geographical Research 49:151-168.
Lawrence MG, 2005. The relationship between relative humidity and the dew point temperature in moist air. Pp.225-233, American Meteorological Society.
Mehdizadeh S, Behmanesh J and Khalili K, 2017. Application of gene expression programming to predict daily dew point temperature. Applied Thermal Engineering 112: 1097-1107.
Mahmood R and Hubbard KG, 2005. Assessing bias in evapotranspiration and soil moisture estimate due to the use of modeled solar radiation and dew point temperature data. Agricultural and Forest Meteorology 25(2): 71-84.
Rabinson PR, 2000. Temporal trends in United States dew point temperature. Journal of Climatology 20: 985-1002.
Sabziparvar AA and Khattar B, 2015. Evaluated the artificial neural networks and Irmak Empirical Model in estimation net daily solar radiation in cold and semi arid area (Case study: Hamadan). Water and Soil Science- University of Tabriz 25: 37-50. (In Persian with English abstract).
Shank DB, Hoogenboom G and Mcclendon RW, 2008. Dew point temperature prediction using artificial neural networks. Journal of Applied Meteorology and Climatology 47: 1757-1769
Shafei A, Ebrahimi H and Golkar Hamzehi HR, 2011. Determination of the optimum tillage pattern of crop using linear programming (Bashrouieh city). The First Conference of Meteorology and Agricultural Water Management, Nov.21-22, Tehran University, Tehran. (In Persian with English abstract).
Sharifi SF, Rezaverdinejad V and Nourani V, 2016. Estimation of daily global solar radiation using wavelet regression, ANN, GEP and empirical models: A comparative study of selected temperature-based approaches. Journal of Atmospheric and Solar-Terrestrial Physics 149: 131- 145
Shiri J, Kim S and Kisi O, 2014. Estimation of daily dew point temperature using soft computing techniques. Hydrology Research 45:165-181.
Williams MD, Goodrick SL, Grundstein A and Shepherd M, 2015. Comparison of dew point temperature estimation methods in Southwestern Georgia. Journal of Physical Geography 36: 255-267.
| ||
آمار تعداد مشاهده مقاله: 488 تعداد دریافت فایل اصل مقاله: 268 |