پایش عملکرد گندم و چغندرقند در استان خراسان: 1- تجزیه و تحلیل روش‌های پیش‌بینی عملکرد پتانسیل

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشگاه فردوسی مشهد

چکیده

پیش‌بینی عملکرد پتانسیل در شرایط بدون محدودیت آب و عناصر غذایی و عاری از آفات، بیماری‌ها و علف‌های هرز اولین قدم در تخمین خلاء عملکرد محصولات زراعی است. عدم دسترسی به داده‌های کامل و دقیق محدودیت اصلی در استفاده از مدل‌های شبیه‌سازی برای برآورد عملکرد پتانسیل است و در این‌صورت استفاده از مدل‌های ساده شده جایگزین مناسبی محسوب می‌شود، البته پیش از استفاده از این مدل‌های ساده اطمینان از قدرت پیش‌بینی آنها در مقایسه با مدل‌های شبیه‌سازی ضروری ‌می‌باشد. در این پژوهش عملکرد پتانسیل گندم و چغندرقند در سه منطقه از استان خراسان رضوی (تربت حیدریه، مشهد و نیشابور) با استفاده از سه روش ساده محاسباتی و نیز با دو مدل شبیه‌سازی برآورد و دقت روش‌ها مورد مقایسه قرار گرفته است. محاسبات ساده بر اساس روش فائو (FAO)، مدل تغییر یافته فائو (FAO-M) و روشی مبتنی بر کارآیی مصرف نور (RUE) انجام شد که در آنها عملکرد پتانسیل به‌وسیله دو معادله و با استفاده از میانگین ماهانه داده‌های آب و هوایی برآورد می‌شود. عملکرد پتانسیل دو محصول در همان مناطق توسط مدل‌های LINTUL و SUCROS که بر اساس داده‌های روزانه آب و هوایی اجرا می‌شوند و قبلاً برای مطالعات در مقیاس منطقه‌ای واسنجی شده بودند نیز پیش‌بینی شد و قدرت پیش‌بینی 5 روش بر اساس شاخص‌های آماری مورد مقایسه قرار گرفت. میانگین عملکرد مشاهده شده گندم در سه منطقه تحت بررسی 18/7 تن در هکتار بود و در 5 روش تحت بررسی میانگین عملکرد پتانسیل گندم سه منطقه بین 92/6 تا 63/7 تن در هکتار پیش‌بینی شد. بر این اساس خطای پیش‌بینی در مورد مدل‌های شبیه‌سازی 39/1 و برای سه روش ساده کمتر از 5 درصد (64/4 %) به‌دست آمد. باوجودی‌که مقدار نسبی جذر میانگین مربعات خطا (RMSEn) برای سه روش ساده بیشتر از مدل‌های شبیه‌سازی بود ولی بین 11/7 تا 16/10 درصد و در محدوده مطلوب قرار داشت. به‌علاوه کارآیی مدل‌سازی (ME) نیز مثبت و به‌جز در روش RUE بالاتر از 60/0 بود. میانگین عملکردهای انداره‌گیری شده چغندرقند 5/82 تن در هکتار بود در حالی‌که میانگین عملکرد پتانسیل پیش‌بینی شده به روش‌های مختلف در محدوه 91-89 تن در هکتار قرار داشت. دقت پیش‌بینی عملکرد چغندر به‌وسیله روش‌های ساده کمتر از مدل‌های شبیه‌سازی بود ولی قابلیت پیش‌بینی آنها بر اساس شاخص‌های آماری قابل قبول محسوب شد به‌طوری‌که RMSEn محاسبه شده برای این روش‌ها از 5/11 درصد تجاوزر نکرد. در تعیین اعتبار متقابل روش‌های ساده با مدل‌های شبیه‌سازی نیز همبستگی معنی‌داری بین عملکردهای پیش‌بینی شده توسط روش‌های ساده و مدل‌های پیچیده به‌دست آمد که نشان‌دهنده انطباق مطلوب آنهاست. نتایج این تحقیق نشان داد که با استفاده از روش‌های محاسباتی ساده و حداقل داده‌های آب و هوایی می‌توان عملکرد پتانسیل محصولات زراعی را با دقت فابل قبولی برآورد کرد. چنین روش‌هایی در صورت عدم دسترسی به مدل‌های شبیه‌سازی که به‌طور دقیق واسنجی شده باشند و در اختیار نداشتن داده‌های کامل آب و هوایی روزانه جهت تخمین خلاء عملکرد در مقیاس منطقه‌ای و نیز در پهنه‌بندی‌های اگرواکولوژیک مفید خواهند بود.

کلیدواژه‌ها


1. Batchelor, W. D., Basso, B., and Paz, J. O. 2002. Examples of strategies to analyze spatial and temporal yield variability using crop models. European Journal of Agronomy 18: 141-158.
2. Bell, M. A., and Fischer, R. A. 1994. Using yield prediction models to assess yield gains: a case study for wheat. Field Crops Research 36: 161-166.
3. Bhatia, V. S., Singh, P., Wani, S. P, Chauhan, G. S., Kesava Rao, A. V. R., Mishra, A. K., and Srinivas, K. 2008. Analysis of potential yields and yield gaps of rain fed soybean in India using CROPGRO-Soybean model. Agricultural and Forest Meteorology 148: 1252-1265.
4. Boogaard, H. L., Van Diepen, C. A., Rouitter, R. P., Cabrera, J. C. M. A., and Van Laar, H. H. 1998. WOFOST 7.1 User guidefor the WOFOST 7.1 crop growth simulation model and WOFOST Control Center 5.1. Techn. Doc. 52, Alterra, WUR, Wageningen, The Netherlands, pp. 144.
5. Boote, K. J., Jones, J. W., and Pickering, N. G. 1996. Potential uses and limitations of crop models. Agronomy Journal 88: 704-716.
6. Brooks, R. J., Semenov, M. A., and Jamieson, P. D. 2001. Simplifying Sirius: sensitivity analysis and development of a meta-model for wheat yield prediction. European Journal of Agronomy 14: 43-60.
7. Brooks, R. J., and Tobias, A. M. 1996. Choosing the best model: Level of detail, complexity and model performance. Mathematical and Computer Modeling 24 (4): 1-14.
8. Brooks, R. J., and Tobias, A. M. 1999. Methods and benefits of simplification in simulation. In: Al-Dabass, D., Cheng, R.C.H. (Eds.), UK Sim 99 Fourth National Conference of the U.K. Simulation Society, 7-9 April 1999. UK Simulation Society, St Catharines College, Cambridge, pp. 88-92.
9. Caldiz, D. O., Haverkort, A. J., and Struik, P. C. 2002. Analysis of a complex crop production system in interdependent agro-ecological zones: a methodological approach for potatoes in Argentina. Agricultural Systems 73: 297-311.
10. Cassman, K. G., Dobermann, A., Walters, D. T., and Yang, H. S. 2003. Meeting cereal demand while protecting natural resources and improving environmental quality. Annal Review of Environmental Resources 28: 315-358.
11. Deryng, D., Sacks, W. J., Barford, C. C., and Ramankutty, N. 2011. Simulating the effects of climate and agricultural management practices on global crop yield. Global Biogeochemical Cycling, 25: 18.
12. De Wit, A. J. W., Boogaard, H. L., and van Deipen, C. A. 2005. Spatial resolution of precipitation and radiation: the effect on regional crop yield forecasts. Agricultural and Forest Meteorology 135: 156-168.
13. Efron, B., and Gong. G. 1983. A leisurely look at the bootstrap, the jackknife, and cross‐validation. The American Statistician 37 (1): 36-48.
14. FAO, 1978. Report on the Agro ecological Zones Project. Vol. 1.Methodology and results for Africa. World Soil Resources Report 48/1. FAO, Rome, 158cpp.
15. FAO, 1981. Report on the Agro ecological Zones Project. Vol. 3.Methodology and results for South and Central America. World Soil Resources Report 48/3. FAO, Rome, 251 pp.
16. Gardner, R. H. 1998. Pattern, process and analysis of spatial scales. In: Peterson, D.L., Parker, V.T. (eds.). Ecological Scale: Theory and applications. Columbia State University Press, New York.
17. Gommez, R. 2000. Crop-yield weather modeling. FAO-WMO Roving Seminar, Lecture notes and exercises, FAO, Rome.
18. Goudiraan, J., and van Laar, H. H. 1993. Modeling Crop Growth Processes. Kluwer Academic Press, The Netherlands.
19. Goudriaan, J. 1996. Predicting crop yields under global change. In: Walker, B.H., Steffen, W.L. (Eds.), Global Change and Terrestrial Ecosystems. International Geosphere-Biosphere Programme Book Series 2.CambridgeUniversity Press, Cambridge, UK, pp. 260-274.
20. Hoogenboom, G. 2000. Contribution of agro meteorology to the simulation of crop production and its applications. Agricultural and Forest Meteorology 103: 137-157.
21. Jagtap, S. S., and Jones, J. W. 2002. Adaptation and evaluation of the CROPGRO-soybean model to predict regional yield and production. Agriculture Ecosystems and Environment 93: 73-85.
22. Jamieson, P. D., Porter, J. R., and Wilson, D. R. 1991. A test of the computer simulation model ARCWHEAT1 on wheat crops grown in New Zealand. Fields Crops Research 27: 337-350.
23. Jamieson, P. D., Porter, J. R., Goudriaan, J., Ritchie, J. T., Keulen, H., and van Stol, W. 1998. A comparison of the models AFRCWHEAT2, CERES-Wheat, Sirius, SUCROS2 and SWHEAT with measurements from wheat grown under drought. Field Crops Research 55: 23-44.
24. Kravchenko, A. N., and Bullock, D. G. 2000.Correlation of corn and soybean grain yield with topography and soil. Agronomy Journal, 92: 73-85.
25. Kiniry, J. R., Bean, B., Xie, Y., and Chen, P. 2004. Maize yield potential: critical processes and simulation modeling in a high-yielding environment. Agricultural Systems 82: 45-56.
26. Koocheki, A., Nassiri Mahallati, M., Soltani, A., Sharifi, H., and Ghorbani, R. 2006. Effects of climate change on growth criteria and yield of sunflower and chickpea crops in Iran. Climate Research 30: 247-253.
27. Koocheki, A., and Nassiri Mahallati, M. 2016. Effects of climate change on agricultural production of Iran: II. Predicting productivity of field crops and adaptation strategies. Iranian Journal of Field Crops Research 14: 1-20. (in Persian with English abstract).
28. Koocheki, A., and Nassiri Mahallati, M. 2007. Impacts of climate change and CO2 concentration on wheat yield in Iran and adaptation strategies. Iranian Journal of Field Crops Research 6 (1): 139-153. (in Persian with English abstract).
29. Kropff, M. J. Bouma, J., and Jones, J. W. 2001. Systems approaches for the design of sustainable agro-ecosystems. Agricultural Systems 70: 369-393.
30. Licker, R., Johnston, M., Foley, J. A., Barford, C., Kucharik, C. J., Monfreda, C., and Ramankutty, N. 2010. Mind the gap: how do climate and agricultural management explain the ‘yield gap’ of croplands around the world? Global Ecological Biogeography 19: 769-782.
31. Loague, K., and Green, R. E. 1991. Statistical and graphical methods for evaluating solute transport models: overview and application. Journal Contaminant Hydrology 7: 51-73.
32. Lobell, D. B., Cassman, K. G., and Field, C. B. 2009. Crop yield gaps: their importance, magnitudes, and causes. Annual Review of Environmental Resources 34: 179-204.
33. Mondani, F. 2012. Simulating the effect of climate change on wild oat and sunn pest damage on wheat under Mashhad weather conditions. PhD thesis, Ferdowsi University of Mashhad.
34. Muchow, R. C., and Kropff, M. J. 1997. Assessing the potential yield of tropical crops: role of field experimentation and simulation. In: Kropff, M. J., Teng, P. S., Aggarwal, P. K., Bouma, J., Bouman, B. A. M., Jones, J. W., Van Laar, H.H. (Eds.), Applications of Systems Approaches at the Field Level. Vol. 2. Kluwer Academic Publishers, Dordrecht, the Netherlands, pp. 101-112.
35. Nassiri Mahallati, M., Koocheki, A., and Jahan, M. 2011 .Radiation absorption and use efficiency in relay intercropping and double cropping of winter wheat and maize. Iranian Journal of Field Crops Research 8 (6): 878-890. (in Persian with English abstract).
36. Nassiri Mahallati, M., Koocheki, A. Kamali, G. A., and Shahandeh, H. 2006. Potential impact of climate change on rainfed wheat production in Iran. Archives in Agronomy and Soil Science 52: 113-124.
37. Nassiri Mahallati, M., and Koocheki, A. 2017.Trend analysis of nitrogen use and productivity in cereal production systems of Iran. Journal of Agroecology 9: 360-378. (in Persian with English abstract).
38. Neumann, K., Verberg, P. H., Stehfest, E., and Muller, C. 2010. The yield gap of global grain production: a spatial analysis. Agricultural Systems 103: 316-326.
39. Nonhebel, S. 1997. Harvesting the sun’s energy using agro ecosystems. DLO Research Institute for Agrobiology and Soil Fertility, Wageningen, the Netherlands. 96 pp.
40. Nonhebel, S. 1994. The effects of use of average instead of daily weather data in crop growth simulation-models. Agricultural Systems 44: 377-396.
41. O’Connell, M. G., O’Leary, G. J., Whitfield, D. M., and Connor, D. J. 2004. Interception of photo synthetically active radiation and radiation use efficiency of wheat, field pea and mustard in a semi-arid environment. Field Crops Research 85: 111-124.
42. Parsa, S. 2008. Modeling spatial and temporal variation of sugar beet (Beta vulgaris L.) yield in Khorasan province. PhD thesis. Ferdowsi University of Mashhad.
43. Priya, S., and Shibasaki, R. 2001.National spatial crop yield simulation using GIS-based crop production model. Ecological Modeling 135: 113-129.
44. Richter, G. M., Jaggard, K. W., and Mitchell, R. A. C. 2001. Modeling radiation interception and radiation use efficiency for sugar beet under variable climatic stress. Agricultural and Forest Meteorology 109: 13-25
45. Soltani, A., Khooie, F. R., Ghassemi-Golezani, K., and Moghaddam, M. 2001.A simulation study of chickpea crop response to limited irrigation in a semiarid environment. Agricultural Water Management 49: 225-237.
46. Soltani, A., Meinke, H., De Voil, P. 2004. Assessing linear interpolation to generate daily radiation and temperature data for use in crop simulations. European Journal of Agronomy 21: 133-148.
47. Stehfest, E., Heistermann, M., Priess, J. A., Ojima, D. S., and Alcamo, J. 2007. Simulation of global crop production with the ecosystem model Day Cent. Ecological Modeling 204: 345-361.
48. van Bussel, L. G. J., Müller, C., Van Keulen, H., Ewert, F., and Leffelaar, P. A. 2011. The effect of temporal aggregation of weather input data on crop growth models’ results. Agricultural and Forest Meteorology 151: 607-619.
49. van Delden, A. 2001 Yielding ability and weed suppression of potato and wheat under organic nitrogen management. PhD Thesis, WageningenUniversity, TheNetherlands, ISBN 90 5808 519_/8, pp. 197.
50. van Ittersum, M. K., Cassman, K. G., Grassini, P., Wolf, J., Tittonell, P., and Hochman, Z. 2013. Yield gap analysis with local to global relevance-A review. Field Crops Research 143: 4-17.
51. van Ittersum, M. K., Leffelaar, P. A., van Keulen, H., Kropff, M. J., Bastiaans, L., and Goudriaan, J. 2003. On approaches and applications of the Wageningen crop models. European Journal of Agronomy 18: 201-234.
52. van Laar, H. H., Goudriaan, J., and Van Keulen, H. 1997. SUCROS97: Simulation of crop growth for potential andwater-limited production situations. C.T. de Wit Graduate School for Production Ecology and Resource Conservation, Wageningen, The Netherlands, pp. 52.
53. van Wart, J., Kersebaum, Ch., Peng, Sh., Milner, M., and Cassman, K. G. 2013. Estimating crop yield potential at regional to national scales. Field Crops Research 143: 34-43.
54. Viglizzo, E. F., Podomingo, A. J., Castro, M. G., Lertora, F. A., and Bernardos, J. N. 2004. Scale-dependent controls on ecological functions in agroecosystems of Argentina. Agriculture, Ecosystem and Environment 101: 39:51.
55. Versteeg, M. N., and van Keulen, H. 1986. Potential crop production prediction by some simple calculation methods, as compared with computer simulations. Agricultural Systems 19: 249-272.
56. Wilmot, C. J. 1982. Some comments on the evaluation of model performance. Bulletin of American Meteorological Society 64: 1309-1313.
57. Wit, A. J. W., Boogaard, H. L., and Diepen, C. A. 2005. Spatial resolution of precipitation and radiation: the effect on regional crop yield forecasts. Agricultural and Forest Meteorology 135: 156-168.
CAPTCHA Image