مروری بر استراتژی‌های مدیریت هوشمند آبیاری و تأثیر آنها بر صرفه‌جویی در مصرف آب و عملکرد محصول

چکیده:

مدیریت مناسب آب آبیاری توجه زیادی را به خود جلب کرده است، زیرا تضمین امنیت آب و غذا در سراسر جهان بسیار مهم است. یک سیستم آبیاری هوشمند برای استفاده منطقی از آب در مزارع کشاورزی و برای به حداکثر رساندن عملکرد محصول استفاده می­شود. بنابراین تقاضای زیاد برای منابع آبی کاهش می­یابد و اثرات نامطلوب زیست محیطی آبیاری کاهش می­یابد. در این پژوهش روش­های مختلف آبیاری برای کاهش آبیاری بیش از حد نیاز گیاه، با ارزیابی رطوبت خاک یا شاخص تنش آبی محصول توسعه داده شد. هدف این مقاله بررسی فن‌آوری‌های آبیاری مرسوم و هوشمند و بحث درباره تأثیر آن‌ها بر صرفه‌جویی در مصرف آب، عملکرد و کیفیت محصول است. تجزیه و تحلیل مطالعات انجام شده، نشان داد که کارایی مصرف آب بر اساس سنسورهای رطوبت خاک به مقدار آستانه رطوبت حجمی تعیین شده توسط کشاورزان بستگی دارد. نتایج  نشان می­دهد که کنترل‌کننده‌های سنسور رطوبت، کنترل‌کننده‌های تبخیر و تعرق و حسگرهای باران به ترتیب ۲۰ تا ۹۲، تا ۷۱ درصد و ۷ تا ۵۰ درصد مصرف آب را کاهش می­دهند و در عین حال رشد و کیفیت محصول را حفظ می‌کنند. سیستم مبتنی بر حسگر نوری توانایی بهتری برای ارزیابی تنوع محصول و خاک در مزرعه نسبت به اندازه‌گیری‌ها به صورت میدانی در محل نشان داد. روش مرسوم کم آبیاری کنترل شده با صرفه­جویی در مصرف آب تا ۱۳ درصد، عملکرد محصول را به کمتر از ۲۵ درصد کاهش می­دهد.

کلید واژه ­ها:

کم آبیاری، کنترل­کننده ­های تبخیر و تعرق، اینترنت اشیا، حسگرهای نوری، سنسورهای باران، آبیاری هوشمند، سنسورهای رطوبت خاک

۱- مقدمه

تقاضای جهانی برای غذا به دلیل رشد سریع جمعیت، که مستلزم فشار بیشتر بر منابع آب است، در حال افزایش است (García et al.,2018). آب عمدتاً در بخش کشاورزی مصرف می‌شود و تقریباً ۷۰ درصد از برداشت‌های آب جهانی برای آبیاری استفاده می‌شود (Simionesei et al., 2020). در اقلیم­های خشک و نیمه خشک، بحران آب یکی از مشکلات عمده­ای است که بخش کشاورزی با آن مواجه است (Nazari et al., 2018). این موضوع به این دلیل مطرح می­شود که کشاورزان بدون در نظر گرفتن نیاز آبی محصول، آبیاری منظم را به تمام قسمت­های مزرعه عرضه می­کنند. آبیاری بیش از حد یا کم آبیاری بخشی از یک مزرعه که ممکن است باعث تنش نامطلوب آبی بر محصولات شود، یک مشکل است (Abioye et al., 2020b). بنابراین، مدیریت صحیح آب آبیاری برای تضمین امنیت آب در سراسر جهان بسیار مهم است (Nazari et al., 2018). یک سیستم آبیاری دقیق یا هوشمند یک روش صرفه­جویی پایدار در آب برای حداکثر کردن عملکرد محصول و کاهش اثرات نامطلوب زیست محیطی ناشی از آبیاری است (Mason et al., 2019). تفاوت بین تقاضا و عرضه آب در کشاورزی موضوعی تلقی می­شود که باید با استفاده از فناوری های پیشرفته برای بهینه­سازی مصرف آب آبیاری حل شود (Pereira et al., 2020).

چندین تکنیک برنامه­ریزی آبیاری در مقیاس بزرگ توسط محققان مختلف توسعه یافته و آزمایش شده است (شکل۱). از جمله کنترل کننده­های سنسور رطوبت خاک (SMS)، کنترل کننده­های تبخیر و تعرق (ET) و سنسورهای باران (RS). به طور کلی، پیامک داده‌های محتوای رطوبت خاک (SMS) را تخمین زده و ارائه می‌کند که می‌تواند توسط یک کنترل‌کننده روی یک آستانه مشخص تنظیم شود. از این رو، زمانی که SMC  از آستانه تعیین شده فراتر رود، آبیاری به طور خودکار متوقف می­شود (McCready et al., 2009). RS (سنسورهای باران) برای توقف آبیاری پس از عمق معینی از بارندگی ساخته شده­اند. کنترل‌کننده‌های مستقل یا کنترل‌کننده‌های آبیاری برنامه‌ریزی‌شده دستی، کنترل‌کننده‌های مبتنی بر زمانی که داده‌های آب‌وهوای ارائه می‌کنند، و کنترل‌کننده‌های مبتنی بر سیگنال که داده‌های آب‌وهوای بلادرنگ دریافت‌شده توسط سیستم‌های محل را تخمین می‌زنند، کنترل‌کننده‌های اصلی ET برای مدیریت آبیاری در دهه‌های اخیر بوده‌اند (Migliaccio et al., 2010)

شکل ۱: تعداد مقالات در مورد سیستم های آبیاری هوشمند (تحلیل داده ها در ۱۰ فوریه ۲۰۲۲)

به همین ترتیب، استفاده از حسگرهای نوری مانند پهپادها و وسایل نقلیه هوایی بدون سرنشین (UAV) به عنوان مدیریت آبیاری مبتنی بر گیاه برای دستیابی به آبیاری دقیق در کشاورزی اخیرا توجه قابل توجهی را به خود جلب کرده است (Gao et al., 2021). اصل این تکنیک این است که داده‌های تاج پوشش محصول به‌دست‌آمده از داده‌های پهپاد برای پیش‌بینی شاخص تنش آبی محصول (CWSI) استفاده می‌شود (Peres & Cancelliere.,2021).

اینترنت اشیا (IoT)، مفهومی که کمتر به سیم و ابزارهای سیار تعبیه شده از طریق اینترنت می پیوندد (Gulati & Thakur, 2018; Mousavi et al., 2021a). نقش حیاتی در بسیاری از زمینه­ها، به ویژه در بخش کشاورزی ایفا می­کند(Richa et al., 2021). ترکیب اینترنت اشیا با حسگرهای فوق برای اتصال آن­ها به پلتفرم­های داده برای ارائه داده­های بلادرنگ و ارائه تصمیمات آگاهانه­تر، راه­حل­های آبیاری هوشمند را امکان­پذیر می­کند (Mousavi et al., 2021b). در نتیجه، اینترنت اشیا عملیات آبیاری محصولات را تسهیل می­کند که در آن می­توان منابع آب را کنترل و نظارت کرد تا ضمن کاهش ضایعات و کاهش هزینه­های عملیاتی، تقاضا را برآورده کند.

مدیریت آبیاری و افزایش بهره‌وری آب محصول با استفاده از تکنیک‌های کم‌آبیاری مرسوم (DI) نیز در دهه‌های اخیر مورد توجه تحقیقاتی فزاینده‌ای بوده است (Rathore et al., 2021). اصل این فرآیند مبتنی بر استفاده از حجم آب کمتر از نیازهای گیاه است (Kovalenko et al., 2021). به این ترتیب، راندمان مصرف آب افزایش می­یابد، در حالی که عملکرد محصول را می­توان بالاتر از مقدار پذیرفته شده حفظ کرد (Razzaghi et al., 2020). تکنیک­های آبیاری فوق­الذکر (شکل ۲) در این مقاله مشخص شده است و اثرات آن­ها بر اقتصاد آب، رشد و کیفیت محصول مورد بحث قرار گرفته است. با بهترین دانش ما، استراتژی­های کنترل پیشرفته برای آبیاری دقیق قبلاً برجسته شده است (Abioye et al., 2020b; Bwambale et al., 2022). با این حال، تأثیر آن­ها بر صرفه­جویی در آب، رشد محصول و کیفیت محصول در مقایسه با روش­های معمولی در جای دیگر مورد توجه قرار نگرفته است. انتظار می­رود این مقاله به عنوان یک مرجع مفید برای محققان و کشاورزان برای انتخاب استراتژی مدیریت آبیاری مناسب با توجه به داده­های صرفه­جویی در مصرف آب ارائه شده و به دست آمده از تحقیقات قبلی باشد.

۲- استراتژی­های هوشمند برای آبیاری دقیق

به طور کلی، چهار استراتژی آبیاری هوشمند شامل RS، SMS، کنترل‌کننده‌های مبتنی بر ET و حسگرهای نوری در بازار موجود است تا از هدر رفتن آب در طول آبیاری در مزرعه جلوگیری شود. در این بخش، تأثیر این تکنیک­ها بر صرفه­ جویی در مصرف آب و کیفیت محصول برجسته می­شود.

شکل ۲: بررسی تکنیک­های هوشمند و مرسوم مورد استفاده برای مدیریت آبیاری

۱-۲- مدیریت آبیاری مبتنی بر رطوبت خاک

تعادل آب در خاک و نیاز به آبیاری محصول را می­توان با اندازه­گیری SMC تخمین زد ( Qin et al., 2021). مطالعات متعددی در مورد پایش آبیاری بر اساس سنجش رطوبت خاک گزارش شده است (Blessy, 2021; Hamouda et al., 2021; Wang et al., 2021). به طور معمول، فرآیند برنامه­ریزی شامل استفاده از داده­های حسگر برای نظارت بر روش­های آبیاری زمان­بندی شده است. بنابراین، اگر SMC از تنظیم آستانه قابل تنظیم فراتر رود، رویداد دور زده می­شود (Dukes, 2005). گزارش شده است که عملکرد بسیار بهتری در تخمین هفتگی آبیاری درخت مرکبات هنگام ترکیب داده‌های حسگر خاک با اطلاعات آب و هوا به دست آمده است (Navarro-Hellín et al., 2016). در این قسمت سیستم­های مختلف آبیاری هوشمند مورد استفاده به عنوان پیامک بررسی می­شود.

یک فناوری شناسایی فرکانس رادیویی ارزان قیمت (RFID) که داده‌ها را به گیرنده منتقل می‌کند، به صورت بی‌سیم به دو سنسور دمای خاک و سه سنسور رطوبت Watermark برای سنجش در زمان واقعی متصل شد و برای برنامه‌ریزی آبیاری پنبه استفاده شد. گیرنده واقع در مرکز به یک کامپیوتر و گره­های حسگرهای خاک و (RFID) نصب شده در مزرعه متصل شد. نتایج نشان داد که کشش آب خاک از نقاط قابل تنظیم تجاوز نمی­کند. با این حال، سیستم آبیاری سنترپیوت فوراً به نیازهای آب در زمان واقعی محصولات پاسخ نداد. برای رفع اشکالات فنی ذکر شده در بالا، استفاده از یک آرایه حسگر هوشمند در ترکیب با یک سیستم آبیاری با نرخ متغیر پیشنهاد شد (Vellidis et al., 2008). یک رطوبت سنج مورد استفاده با امکان ارسال پیام کوتاه، متصل به Arduino Uno (Chengdu Ashining Technology Co., Ltd. China) همراه با یک سنسور دما، برای نظارت بر تامین آب مطابق با اندازه­گیری سنسور استفاده شد. بنابراین، اگر سطح رطوبت خاک کمتر از مقدار تنظیم شده به عنوان حد آستانه باشد، آردوینو منبع آب به خاک را فعال می­کند و کشاورز می‌توانست از طریق یک سرور ابری به داده‌های گوشی هوشمند خود دسترسی داشته باشد (Kothawade et al., 2016). این سیستم­های مبتنی بر اینترنت اشیا همراه با سنسورهای رطوبت یا RS برای آبیاری هوشمند محصولات مختلف مانند گندم  (Jha et al., 2017) و لوبیا استفاده شده است. از الگوریتم رگرسیون برای تخمین مقدار آب مورد نیاز برای آبیاری بعدی استفاده شد (Kumar et al., 2017).

در مطالعه دیگری، از یک ربات بی‌سیم Raspberry Pi 2 Model B (شرکت شنژن جکینگ الکترونیک چین) برای اجرای وظایف مختلفی مانند سمپاشی آفت‌کش‌ها، سنجش رطوبت، و روشن و خاموش کردن موتورهای الکتریکی استفاده شد. برای تصویربرداری از زمین زراعی و بررسی رویدادهای زنده رخ داده در مزرعه، یک دوربین نیز به Raspberry متصل شد (Krishna et al., 2017).

اخیرا، برای افزایش استفاده از آب برای آبیاری شاه بلوط،SMC  در مرحله رویشی ردیابی شد. برای ارتقای وضعیت خوب آب درخت، برنامه­ریزی آبیاری زمانی فعال شد که سنسور در عمق ۳۰-۶۰ سانتی متری خاک بالای ۱۰۰۰۰۰ پاسکال را نشان دهد (Mota et al., 2018). سیستم­های فوق به طور موثر پارامترهای حس شده را پایش کردند. با این حال، کارایی مصرف آب ارزیابی نشده است. یک سیستم خودکار آبیاری مزرعه بر اساس اینترنت اشیا با استفاده از سنسورهای خاک، دما و رطوبت ثابت کرد که ۹۲ درصد کارآمدتر از روش‌های سنتی است، زیرا کل آب مورد نیاز برای یک مزرعه ۶۰۰ مترمربعی با روش آبیاری سنتی برابر ۳۴۱ مترمکعب و برای آبیاری خودکار برابر ۲۹ مترمکعب برای یک دوره ۲ ماهه بود (Rajalakshmi & Mahalakshmi, 2016). در کار دیگری، آبیاری قطره‌ای مبتنی بر SMS، ۲۰ درصد آب کمتری نسبت به آبیاری قطره‌ای دستی برای موز مصرف می‌کند (Panigrahi et al., 2019). در یک تحقیق جداگانه (Grabow et al., 2013)، ۳۹ درصد صرفه جویی در آب در مقایسه با روش آبیاری مبتنی بر تایمر به دست آمد. اخیراً، روش SMS برای آبیاری باغ‌های گلابی، باعث صرفه‌جویی ۵۰ درصدی در مصرف آب آبیاری شده و در عین حال تولید محصول و کیفیت خوب را حفظ می‌کند (Hamouda et al., 2021). در مطالعه­ای که توسط Rajaram و Sundareswaran  در سال ۲۰۲۰ انجام شد، از SMS برای آبیاری دقیق گیاهان برنجال استفاده شد که در آن مقدار آب مورد نیاز بر اساس دما و رطوبت به دست آمده از ردیاب­ها محاسبه شد. نتایج نشان داد که ۵۳ درصد در مصرف آب صرفه جویی شده است.

آستانه رطوبت حجمی (VMC) یک عامل کلیدی در تنظیم صحیح برنامه آبیاری با استفاده از SMS است. در مطالعه انجام شده توسط McCready et al. (2009), Acclima Digital TDT RS500 (Acclima Inc., Meridian, ID) and LawnLogic LL1004 (Alpine Automation, Inc., Aurora, CO) برای آبیاری هوشمند چمن سنت آگوستین استفاده شد. سه آستانه متفاوت VMC توسط سیستم‌های حسگر (کم، متوسط و زیاد) تنظیم شد. سیستم سنسور تنظیم آستانه متوسط می­تواند ۷۴ درصد آب را ذخیره کند و گیاه با کیفیت خوبی را تولید کند. با توجه به تحقیقات تجربی انجام شده در مورد آبیاری هوشمند گردو، با استفاده از نرم‌افزاری که در سیستم‌های مبتنی بر  IOSیا اندروید کار می‌کرد، می‌توان حجم آب لازم را به تفکیک محصول بسته به مرحله رشد از داده‌های رطوبت خاک تعریف کرد. در این سیستم، فرآیندهای بسته شدن و باز کردن با توجه به نیاز آب فصلی انجام شد (Is¸ık et al., 2017).

در یک سیستم آبیاری قطره‌ای خودکار در یک آزمایش کشت گوجه‌فرنگی گلخانه‌ای، یک پیام کوتاه بی‌سیم در پروفیل خاک ۰ تا ۱۰۰ سانتی‌متری نصب شد. در این سیستم، از ویژگی‌های مکانی و زمانی توزیع رطوبت خاک برای تقریب عمق جذب آب دینامیکی گیاه استفاده شد و سپس داده‌های برآورد شده با استفاده از تنظیم‌کننده آبیاری مرکزی برای رسیدن به عمق آبیاری دقیق در هر طرح آبیاری به‌دست آمد. راندمان مصرف آب آبیاری گوجه فرنگی به ۴۱.۲۳ کیلوگرم بر متر مکعب رسید که در مقایسه با آنچه که با استفاده از یک طرح آبیاری معمولی (۳۱.۵۸ کیلوگرم بر متر مکعب) به دست آمد، افزایش آشکاری بود(Liao et al., 2021).

از سوی دیگر، بهره‌برداری از فناوری شبکه بی‌سیم ZigBee در آبیاری هوشمند برای مقابله با نظارت بر SMC  توجه تحقیقات قابل توجهی را به خود جلب کرده است (Saraf & Gawali, 2017). در این سیستم یک گره با حسگرهایی وجود دارد که دما، رطوبت و رطوبت خاک را تعیین می­کند و این مقادیر را با مقادیر تعیین شده مقایسه می­کند. سیستم بی­سیم، که برای ردیابی مداوم دریچه­های پمپ آب برنامه­ریزی شده است، با استفاده از رویکرد ZigBee ایجاد شده است (Rasin et al., 2009).

در مطالعه­ای که در الجزایر انجام شد، سیستم آبیاری از راه دور با استفاده از یک شبکه حسگر بی­سیم LoWPAN6  شرکت (Renesas Electronics USA) مدیریت می­شود که به شبکه ZigBee با اینترنت می­پیوندد. در این سیستم، مقادیر رطوبت خاک به‌دست ‌آمده از پیامک را می‌توان از طریق شبکه مش ZigBee به دروازه هوشمند منتقل کرد و سپس از طریق شبکه ارتباطی داده‌های تلفن همراه به وب سرویس فرستاد تا داده‌ها را ارزیابی کرده و بر اساس داده‌های به‌دست‌آمده عمل کند (Khelifa et al., 2015). به طور مشابه، فناوری ارتباط بی‌سیم ZigBee برای نظارت بر رطوبت، دما و مواد مغذی خاک مرکبات بر اساس سیستم اینترنت اشیا، که در آن محتوای آب در عمق‌های ۲۰، ۴۰ و ۶۰ سانتی‌متر کنترل می‌شد، با موفقیت مورد استفاده قرار گرفت. این سیستم می­تواند ۲۰ درصد منابع آب و کود را ذخیره کند (Zhang et al., 2017).

برای غلبه بر محدودیت‌های سیستم آبپاش ثابت، مدلی از استراتژی ZigBee شرکت فناوری (Chengdu Ashining Technology Co., Ltd. China) ، مبتنی بر ماشین آبیاری بارانی تطبیقی (شکل ۳) اخیرا توسعه داده شده­است (Bodunde et al., 2019). ماژول ZigBee XBee که به عنوان فرستنده، میکروکنترلر و سنسور رطوبت پیکربندی شده است، روی منطقه آبیاری قرار داده شد.  این سیستم می­تواند به کشاورز هشدار دهد تا گیاهان را به صورت دستی آبیاری کند. ترکیب اینترنت اشیا با این ربات طراحی شده یک فناوری امیدوارکننده در کشاورزی خواهد بود. فناوری ZigBee و الگوریتم پیش‌بینی رطوبت خاک نیز می‌تواند برای پیش‌بینی رطوبت خاک بر اساس داده‌های اندازه‌گیری شده از حسگرهای نصب شده در مزرعه و داده‌های پیش‌بینی آب‌وهوای به‌دست‌آمده از اینترنت استفاده شود. الگوریتم پیشنهادی دقت بالایی را با R2 برابر با ۰.۹۶ نشان داد (Goap et al., 2018).

شکل ۳: ربات آبیاری بارانی (Bodunde et al., 2019)

سیستم‌های منطق فازی در مطالعات مختلف مورد استفاده قرار گرفته‌اند، زیرا به کشاورزان کمک می‌کنند تا تصمیمات هوشمندانه‌ای را با توجه به نیازهای آبیاری اتخاذ کنند (Anand et al., 2015; Kia et al., 2009). به عنوان اثبات مفهوم، یک منطق فازی مبتنی بر سیستم کنترل با استفاده از اینترنت اشیا برای محاسبه پارامترهای ورودی مانند دما، رطوبت خاک و رطوبت برای تولید خروجی‌های وضعیت موتور پیشنهاد شد. این سیستم از نظر کارایی مصرف آب با روش­های آبیاری قطره­ای و آبیاری غرقابی دستی در یک دوره ۳ روزه مقایسه شد. نتایج نشان داد که سیستم هوشمند آب را در بازه زمانی ۷ ساعت پمپاژ می­کند، در حالی که دو روش دیگر آب را در بازه­های زمانی ۱۲ تا ۲۰ ساعت پمپاژ می­کنند (Krishnan et al., 2020). محدودیت اصلی آبیاری خودکار با استفاده از رویکردهای منطق فازی این است که آب مورد نیاز برای گیاهان دیگر می‌تواند متفاوت باشد، که از این رو تغییر ملایمی در مقادیر منطق فازی را ضروری می‌کند (Sudharshan et al., 2019).

همانطور که در بالا مشاهده شد، هیچ امکانات مناسبی برای پیش­بینی دقیق و مورد انتظار کشاورزان در مورد وضعیت سلامت گیاهان در صورت ادامه رشد در شرایط محیطی فعلی وجود ندارد. به همین دلیل، برای تعیین میزان مصرف آب محصول و بررسی میزان رشد و وضعیت سلامت گیاه برگ خردل رشد یافته در گلخانه، یک ایستگاه هواشناسی مبتنی بر اینترنت اشیا در گلخانه مستقر شد تا مقدار تبخیر و تعرق مرجع (ET0) محاسبه شود. دوربین به Raspberry Pi متصل شد. رطوبت خاک و داده‌های ET0 برای ترتیب آبیاری قطره‌ای با استفاده از ESPresso Lite V2 (Shenzhen Jeking Electronic Corp. China) و Raspberry Pi 3  به عنوان واحد کنترل و پردازش مورد بهره‌برداری قرار دادند. برای تعیین نمونه آبیاری سیستم، داده­های بلادرنگ VMC و ET0 برای توسعه الگوریتم تصمیم آبیاری تعبیه شده در Raspberry Pi ترکیب شدند (Abioye et al., 2020a). به طور مشابه، رطوبت، دما و pH خاک برای تعیین اینکه آیا محصولات به آبیاری نیاز دارند و برای پیش‌بینی سلامت گیاه با استفاده از الگوریتم‌های یادگیری ماشینی تجزیه و تحلیل شدند(Reghukumar & Vijayakumar, 2019).

ابزارهای زنجیره بلوک با ارائه مقیاس‌پذیری، حفظ حریم خصوصی و قابلیت اطمینان در سیستم‌های آبیاری هوشمند مبتنی بر اینترنت اشیا نقش حیاتی ایفا می‌کنند (Bodkhe et al., 2020; Lin et al., 2020). یک سیستم آبیاری پیشرفته با قابلیت پشتیبانی امنیتی بلاک چین و یک سیستم پشتیبانی تصمیم فازی همانطور که طراحی شده­است که کانال­های ارتباطی بین ابزارهای هوشمند را نشان می­دهد. حسگرها مانند حسگرهای رطوبت خاک، دما و رطوبت؛ محرک­ها و ذخیره­سازی ابری؛ و کاربران و شبکه­ها (شکل ۴) (Munir et al., 2019).

شکل ۴: مدل اینترنت اشیاء مبتنی بر بلاک چین برای سیستم های آبیاری هوشمند پیامک، سنسور رطوبت خاک (Munir et al., 2019)

۲-۲- مدیریت آبیاری مبتنی بر کنترلر ET

جدای از استفاده از  SMS برای نظارت بر آبیاری، تخمین‌های ET نیز برای برنامه‌ریزی آبیاری استفاده شده‌اند و به عنوان یک فناوری بالقوه صرفه‌جویی در مصرف آب در نظر گرفته می‌شوند (Davis & Dukes, 2009; Seagraves et al., 2010). این استراتژی به طور ایده­آل آبیاری را بر اساس الزامات ET محصول فراهم می­کند. تبخیر و تعرق محصول (ETc) تبخیر از سطح خاک و تعرق از طریق سایبان گیاهان است. ETc را می­توان به عنوان حاصل ضرب ET0 و ضریب محصول (Kc) اندازه­گیری کرد که به نوع محصول، محیط تولید و مرحله رشد بستگی دارد (Davis et al., 2007). نیاز آبی محصول (CWR) مقدار آب مورد نیاز برای جایگزینی ET  است. پارامترهای آب و هوا (به عنوان مثال، دما، رطوبت نسبی، و سرعت باد)، عوامل محصول (یعنی نوع محصول)، و عوامل مدیریتی و محیطی (به عنوان مثال، حاصلخیزی خاک) می­توانند بر نیاز آبی یک محصول خاص(ETcrop) تأثیر بگذارند (Kisekka etrop. al., 2010b). کنترل کننده­هایی که از اطلاعات آب و هوا برای تخمین ET استفاده می­کنند، به عنوان کنترل­کننده ET نامیده می­شوند (Isaya et al., 2009).

با توجه به روش‌هایی که اطلاعات ET0 دریافت می‌شود، کنترل‌کننده‌های ET به سه کلاس اصلی دسته‌بندی می‌شوند:

(۱) کنترل‌کننده‌های مستقل که متغیرهای آب و هوایی را از حسگره ای در محل تعیین می‌کنند و سپس ET0  را اندازه‌گیری می‌کنند،

(۲) کنترل‌کننده‌های مبتنی بر سیگنال که داده‌های ET0 را جمع‌آوری می‌کنند و اطلاعات باران از طریق ارتباطات بی­سیم از ایستگاه­های هواشناسی (سیگنال­های ماهواره­ای)،

(۳) کنترل­کننده­های مبتنی بر تاریخی که بر اطلاعات ماهانه ET0 تاریخی برای منطقه متکی هستند (شکل ۵) (Riley, 2005).

شکل ۵: شاخه­های کنترل کننده تبخیر و تعرق (ET) مورد استفاده در آبیاری هوشمند

شایان ذکر است که دقت تخمین ET0 می­تواند بر عملکرد کنترلرهای هوشمند مبتنی بر ET تأثیر بگذارد. به عنوان مثال، مشخص شد که تقریباً ۱۱٪ آب بیشتری توسط گروه مبتنی بر ET نسبت به گروه مبتنی بر تایمر به دلیل تخمین بیش از حد ET0 توسط کنترل‌کننده‌ها مصرف شده است (Grabow et al., 2013). به طور معمول، سه کنترل­کننده اصلی برای آبیاری هوشمند مبتنی بر ET استفاده شده است:

• Weathermatic (Weathermatic, Inc., Dallas, TX; stand-alone controller),
• Toro (Toro Company, Inc., Riverside, CA),
• Etwater (ETwater Systems LCC, Corte Madera, CA; signal-based controllers) (Davis & Dukes, 2012).

ادامه…