تعداد نشریات | 44 |
تعداد شمارهها | 1,323 |
تعداد مقالات | 16,270 |
تعداد مشاهده مقاله | 52,953,373 |
تعداد دریافت فایل اصل مقاله | 15,624,199 |
مقایسه انحراف مکانی-زمانی محصولات زراعی تولیدی در ایران بر مبنای الگوی کشت بهینه کشور | ||
مکانیزاسیون کشاورزی | ||
مقاله 4، دوره 9، شماره 3، مهر 1403، صفحه 49-64 اصل مقاله (1.01 M) | ||
شناسه دیجیتال (DOI): 10.22034/jam.2024.63288.1291 | ||
نویسنده | ||
ایمان احمدی* | ||
مکانیک ماشینهای کشاورزی، گروه مهندسی تولید و ژنتیک گیاهی، دانشگاه آزاد اسلامی واحد اصفهان )خوراسگان( | ||
چکیده | ||
هدف از پژوهش حاضر توسعه نقشههای مکانی-زمانی محصولات زراعی تولید شده در استانهای کشور (در پنج گروه غلات، حبوبات، نباتات علوفهای، گیاهان صنعتی و سبزیجات) با استفاده از کتابخانه tmap نرم افزار RStudio است. دادههای خام مورد استفاده در این پژوهش از جداول آماری ارائه شده توسط مرکز آمار وزارت جهاد کشاورزی در مورد مقدار محصولات زراعی تولید شده در استانهای ایران در دوره زمانی 1395 تا 1399 به دست آمد. همچنین در این پژوهش مقایسه استانهای کشور با توجه به انحراف گروههای محصولات زراعی تولید شده از توصیه الگوی کشت، انجام شد. بر اساس نتایج بهدست آمده از نظر میزان انحراف پنج گروه محصولات زراعی از توصیه الگوی کشت، انحراف زیاد برای استانهای گیلان، البرز و یزد و سپس استانهای بوشهر، تهران و فم ثبت شد. از نظر عددی، میانگین انحرافات برای استانهای گیلان، البرز و یزد به ترتیب %5/72، %72 و %95/70 بود. از سوی دیگر میانگین انحراف مطلق مقدار محصولات تولیدی گروه غلات و سبزیجات از توصیه الگوی کشت به ترتیب %9/5 و %7/11 بود، در حالیکه مقادیر مربوط به گروههای حبوبات، نباتات علوفهای و گیاهان صنعتی به ترتیب %2/30، %36 و %2/41 به دست آمد. همچنین انجام خوشهبندی استانهای کشور با روشهای K-میانگین و K-میانه نشان داد که با افزایش تعداد خوشهها نتایج به دست آمده از این دو روش خوشهبندی به هم نزدیک می شوند. در نهایت در صورت وجود خوشهها با تقارن مرکزی و با تعویض متقابل الگوی کشت میتوان تولید محصولات زراعی را در جهت انطباق با الگوی کشت تغییر داد. | ||
کلیدواژهها | ||
الگوی کشت گیاهان زراعی؛ خوشهبندی؛ نرم افزار RStudio؛ نقشه مکانی-زمانی | ||
مراجع | ||
Ahmadi, I. (2023). A spatiotemporal analysis of the continent-wide contribution of agriculture in CO2-eq production from 1990 to 2019 using the t-map package of R software. Journal of nature and spatial sciences, 3(2), 17–24. https://doi.org/10.30495/jonass.2023.1974762.1060.
Anonymous. (2019). Optimal cultivation pattern; A prerequisite for sustainable agriculture and food security, Report serial number: 25016740. Infrastructure studies office of the Islamic Council Research Center, Tehran (In Farsi).
Batko, K., Ślęzak, A. (2022). The use of Big Data Analytics in healthcare. J Big Data. 9, 3. https://doi.org/10.1186/s40537-021-00553-4.
Cooper, J., Noon, M., Jones, C., Kahn, E. and Arbuckle, P. (2013). Big data in life cycle assessment. J. Ind. Ecol. 17 (6), 796–799. https://doi.org/10.1111/jiec.12069.
Dashti, Gh., & Ghaderinejad, P. (2013). Cropping Pattern of Agronomy Products in View of Relative Advantage in Ilam Province. Journal of Agricultural Economics and Development. 27(3), 195-203. (In Persian). https://doi.org/10.22067/jead2.v0i0.29538.
FarajiSabokbar, H., Rezvani, M.R., Jamshidi, F, & Tahmasi, B. (2021a). Analysis of spatio-temporal pattern of Cereals cultivation in Iran. Journal of Physical Development Planning, 6(2), 125-142. (In Persian). https://doi.org/10.30473/psp.2021.55669.2377.
FarajiSabokbar, H., Rezvani, M.R., Jamshidi, F, & Tahmasi, B. (2021b). Analysis of spatio-temporal pattern of cereals production in Iran. Journal of Geography and Spatial Systems, 2(1), 16-36. (In Persian).
FarajiSabokbar, H., Rezvani, M.R., Jamshidi, F, & Tahmasi, B. (2021c). Spatio-Temporal Pattern Analysis of Cereal Yield in Iran. Studies of Nomads Area Plannig, 1(1), 33-46. (In Persian). https://dor.isc.ac/dor/20.1001.1.28210530.1400.1.1.4.2.
Frelat, R., Lopez-Ridaura, S., Giller, K. E., Herrero, M., Douxchamps, S., Andersson Djurfeldt, A., Erenstein, O., Henderson, B., Kassie, M., Paul, B. K., Rigolot, C., Ritzema, R. S., Rodriguez, D., van Asten, P. J. and van Wijk, M. T. (2016). Drivers of household food availability in sub-Saharan Africa based on big data from small farms. Proc. Natl. Acad. Sci. 113(2), 458-463. https://doi.org/10.1073/pnas.1518384112.
Guleria, D., Kaur, G. (2021), Bibliometric analysis of ecopreneurship using VOSviewer and RStudio Bibliometrix, 1989–2019, Library Hi Tech, Vol. 39 No. 4, pp. 1001-1024. https://doi.org/10.1108/LHT-09-2020-0218.
Kamilaris, A., Kartakoullis, A. and Prenafeta-Boldú F. X. (2017). A review on the practice of big data analysis in agriculture. Comput. Electron. Agric. 143, 23-37. https://doi.org/10.1016/j.compag.2017.09.037.
Kempenaar, C., Lokhorst, C., Bleumer, E. J. B., Veerkamp, R. F., Been, Th., Evert, F. K. van, Boogaardt, M. J., Ge, L., Wolfert, J., Verdouw, C. N., Bekkum, M. A. van, Feldbrugge, L., Verhoosel, J. P. C., Waaij, B. D. van der, Persie, M. van, and Noorbergen, H. (2016). Big data analysis for smart farming: results of TO2 project in theme food security, vol. 655 Wageningen University & Research.
Koocheki, A., Nassiri Mahallati, M., Zarea Fizabadi, A., & Jahanbin, G. (2004). Diversity of cropping systems in Iran. Pajouhesh & Sazandegi, 63, 70-83. (In Persian).
Smith, P., 2013. Delivering food security without increasing pressure on land. Glob. Food Secur. 2, 18–23. https://doi.org/10.1016/j.gfs.2012.11.008.
Soltani, A., Alimagham, S.M., Nehbandani, A., Torabi, B., Zeinali, E., Zand, E., Ghassemi, S., Vadez, V., Sinclair, T.R., & van Ittersum, M.K. (2020). Modeling plant production at country level as affected by availability and productivity of land and water. Agric. Syst., 183. Article 102859. https://doi.org/10.1016/j.agsy.2020.102859.
Tesfaye, K., Sonder, Kai., Caims, J., Magorokosho, C., Tarekegn, A., Kassie, Girma T., Getaneh, F., Abdoulaye, T., Abate, T. and Erenstein, O. (2016). Targeting drought-tolerant maize varieties in southern Africa: a geospatial crop modeling approach using big data. International Food and Agribusiness Management Review. 19(A), 1–18.
Waga, D. and Rabah, K. (2014). Environmental conditions’ big data management and cloud computing analytics for sustainable agriculture. World J. Comput. Appl. Technol. 2(3), 73–81. https://doi.org/10.13189/wjcat.2014.020303.
Ye, S., Ren, S., Song, C., Cheng, C., Shen, S., Yang, J., & Zhu, D. (2022). Spatial patterns of county-level arable land productive-capacity and its coordination with land-use intensity in mainland China. Agric. Ecosyst. Environ., 326, Article 107757. https://doi.org/10.1016/j.agee.2021.107757 | ||
آمار تعداد مشاهده مقاله: 126 تعداد دریافت فایل اصل مقاله: 47 |