واسنجی و تعیین اعتبار مدل SSM-iCrop 2 برای پیش‌بینی رشد و عملکرد عدس (Lens culinaris Medik.)

نوع مقاله : مقاله پژوهشی

نویسندگان

زینب امانی

فرزاد مندنی

مختار قبادی

گروه تولیدات گیاهی و ژنتیک، دانشگاه رازی، کرمانشاه، ایران

10.22067/jcesc.2025.94482.1417

چکیده

پژوهش حاضر به‌منظور تخمین پارامترهای مدل SSM-iCrop2 و ارزیابی کارآیی آن در پیش‌بینی رشد و نمو عدس (Lens culinaris Medik.) انجام شد. به‌منظور جمع­آوری داده‌‌های لازم برای واسنجی و ارزیابی مدل، آزمایش­هایی به‌صورت اسپلیت فاکتوریل در قالب طرح پایه بلوک‌­های کامل تصادفی با سه تکرار در مزرعه تحقیقاتی پردیس کشاورزی و منابع طبیعی دانشگاه رازی و شهرستان ازنا طی سال­های زراعی 1400 و 1401 اجرا گردید. تیمار­ها شامل رژیم آبیاری (بدون آبیاری، یک بار آبیاری در مرحله گل‌دهی و دو بار آبیاری در مراحل گل‌دهی و پُر شدن دانه) به‌عنوان عامل اصلی، تاریخ کشت (27 بهمن، 9 اسفند، 21 اسفند برای کرمانشاه و 6، 16 و 24 اسفند برای ازنا) و رقم (بیله سوار، کیمیا و گچساران) به‌عنوان فاکتور فرعی بود. نتایج واسنجی مدل حاکی از دقت مناسب مقادیر پارامترهای گیاهی به‌کار‌رفته در ساختار مدل بود که منجر به پیش‌­بینی بسیار دقیق ویژگی‌های رشد و عملکرد شد. نتایج ارزیابی‌­ها نشان از دقت قابل قبول SSM-iCrop2 در شبیه‌­سازی روند تغییرات مراحل نموی و عملکرد دانه ارقام در تیمارهای مورد بررسی داشت. مقدار RMSE مرحله نموی روز از کاشت تا رسیدگی فیزیولوژیک در کرمانشاه برای ارقام بیله سوار، کیمیا و گچساران به‌ترتیب 5.2، 5.2 و 4.3 روز و در ازنا به‌ترتیب 12.9، 12.5 و 11.8 روز بود. مقدار RMSE عملکرد دانه در کرمانشاه از 4.1 تا 15.2 و ازنا از چهار تا هفت گرم در مترمربع بود. بنابراین می‌توان از مدلSSM-iCrop2  برای بررسی وضعیت مدیریت زراعی و تجزیه و تحلیل رشد و عملکرد عدس در شرایط کرمانشاه و ازنا استفاده کرد.

کلیدواژه‌ها

پارامترسازی

شبیه‌سازی

عملکرد دانه

مراحل نموی

موضوعات

• مدل‌سازی گیاهی

---

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Abraham, (2015). Lentil (Lens culinaris Medikus) current status and future prospect of production in Ethiopia. Advance in Plant and Agriculture Resrearch, 2(2)00040.
2. Akbari, S., & Soltani, E. (2017). Parameterization and evaluation of simple model for simulation of growth and yield of soybean in Tehran climatic condition. Journal of Crops Improvement, 19, 751–764. (in Persian with English abstract). https://doi.org/10.22059/jci.2017.60477
3. Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). FAO Irrigation and drainage paper No. 56. Rome: food and agriculture organization of the United Nations, 56(97), e156.
4. Amiri, S. R., Deihimfard, R., & Soltani, A. (2016). A single supplementary irrigation can boost chickpea grain yield and water use efficiency in arid and semiarid conditions: A modeling study. Agronomy Journal, 108(6), 2406-2416. https://doi.org/10.2134/agronj2016.02.0087.
5. Baradaran-Hazaveh, F., Babazadeh, H., Amiri, E., & Ebrahimi, H. (2022). Evaluation of DSSAT model in estimating cowpea water productivity and yield at different levels of applied water. Journal of Water Research in Agriculture (Soil and Water Science), 35(4), 323-336. (in Persian with English abstract). https://doi.org/10.22092/jwra.2022.355847.890.
6. Benayad, A., & Aboussaleh, Y. (2021). Mineral composition of lentils: Physiological functions, antinutritional effects, and bioavailability enhancement. Journal of Food Quality, 2021(1), 5515654. https://doi.org/10.1155/2021/5515654.
7. Erskine, W., Muehlbauer, F. J., & Short, R. W. (1990). Stages of development in lentil. Experimental Agriculture, 26(3), 297-302. https://doi.org/10.1017/S0014479700018457
8. Erskine, W., Sarker, A., & Kumar, S. (2011). Crops that feed the world 3. Investing in lentil improvement toward a food secure world. Food Security, 3, 127-139. https://doi.org/10.1007/s12571-011-0124-5.
9. FAO, Climate-smart Agriculture Sourcebook, Food and Agriculture Organization of the United Nations (FAO), Rome, Italy.2023. https://doi.org/10.4060/cc8166en.
10. Fourcaud, T., Zhang, X., Stokes, A., Lambers, H., & Korner, C. (2008). Plant growth modelling and application: The increasing importance of plant architecture in growth models. Annals of Botany, 101(8), 1053-1063. https://doi.org/10.1093/aob/mcn050.
11. Ghamarnia, H., Palash, M., & Ghamarnia, H. (2023). Estimation and introduction of the best coefficients of monthly evaporation pan for calculations of water requirement) Case study Kermanshah province). Water and Irrigation Management, 12(4), 747-761. http://doi.org/10.22059/jwim.2022.344535.1001
12. Ghanem, M. E., Marrou, H., Biradar, C., & Sinclair, T. R. (2015). Production potential of lentil (Lens culinaris Medik.) in East Africa. Agricultural Systems, 137, 24–38. https://doi.org/10.1016/j.agsy.2015.03.005.
13. Hajarpour, A., Soltani, A., Zeinali, E., & Sayyedi, F. (2013). Simulating the impact of climate change on production of chickpea in rainfed and irrigated condition of Kermanshah. Journal of Plant Production, 20(2), 235-252. https://dor.isc.ac/dor/20.1001.1.23222050.1392.20.2.12.7.
14. Hajishabani, H., Mondani, F., & Bagheri, A. (2020). Simulation Effects of Sowing Date on Growth and Yield of Rainfed Chickpea (Cicer arientinum ) by CROPGRO- CHICKPEA MODEL. Iranian Journal of Field Crops Research, 18(2). 197-212. (in Persian with English abstract). https://doi.org/10.22067/gsc.v18i2.82684.
15. Hsiao, T. C., Heng, L., Steduto, P., Rojas‐Lara, B., Raes, D., & Fereres, E. (2009). AquaCrop—the FAO crop model to simulate yield response to water: III. Parameterization and testing for maize. Agronomy Journal, 101(3), 448-459. https://doi.org/10.2134/agronj2008.0218s
16. Manschadi, A. M., Palka, M., Fuchs, W., Neubauer, T., Eitzinger, J., Oberforster, M., & Soltani, A. (2022). Performance of the SSM-iCrop model for predicting growth and nitrogen dynamics in winter wheat. European Journal of Agronomy, 135, 126487. https://doi.org/10.1016/j.eja.2022.126487
17. Marrou, H., Sinclair, T. R., & Metral, R. (2014). Assessment of irrigation scenarios to improve performances of Lingot bean (Phaseolusvulgaris) in southwest France. European Journal of Agronomy, 59, 22-28. https://doi.org/10.1016/j.eja.2014.05.006.
18. Ministry of Agriculture of Iran. (2023). (in Persian). Retrieved from https://www.maj.ir/.
19. Mohammadi, S., Zeinali, E., Soltami., & Torabi, B. (2022). Parameterization and evaluation of SSM_iCrop2 model to simulate the growth and yield of bean (Phaseolus vulgaris) in Iran. Iranian Journal of Pulses Research, 13(1), 37-54. (in Persian with English abstract). https://doi.org/10.22067/ijpr.v13i1.2103-1004.
20. Nehbandani, A., & Soltani, A. (2016). Simulate the effect of climate change on development, irrigation requirements and soybean yield in Gorgan. Journal of Watter and Soil, 30(1), 77-87. (in Persian with English abstract). https://doi.org/10.22067/jsw.v30i1.37529.
21. Nehbandani,, Soltani, A., Nourbakhsh, F., & Dadrasi, A. (2020). Estimating crop model parameters for simulating soybean production in Iran conditions. Oilseeds & Fats Crop and Lipids, 27, 58. https://doi.org/10.1051/ocl/2020057.
22. Oduro-Yeboah, C., Sulaiman, R., Uebersax, M. A., & Dolan, K. D. (2023). A review of lentil (Lens culinaris Medik) value chain: Postharvest handling, processing, and processed products. Legume Science, 5(2), e171. https://doi.org/10.1002/leg3.171
23. Rahban, S., Torabi, B., Soltani, A., & Zeinali, E. (2022). Determining yield gap and potential for improved production of irrigated canola in Iran. Journal of Crops Improvement, 24(2), 393-406. (in Persian with English abstract).
24. Saremi, M., Farhadi, B., Maleki, A., & Farasati, M. (2015). Determination the crop coefficient and water requirement of lentil, using water balance method (case study: Khorram Abad). Iranian Journal Pulses Research, 6(2), 87-97. (in Persian with English abstract). https://doi.org/10.22067/ijpr.v1394i2.38241
25. Sehgal, A., Sita, K., Rehman, A., Farooq, M., Kumar, S., Yadav, R., Nayyar, H., Singh, S., & Siddique, K. H. (2021). Lentil. In Crop Physiology Case Histories for Major Crops, 408-428. Elsevier. https://doi.org/10.1016/B978-0-12-819194-1.00013-X.
26. Sinclair, T. R. (1986). Water and nitrogen limitations in soybean grain production I. model development. Field Crop Research, 15(2), 125–141. https://doi.org/10.1016/0378-4290(86)90082-1.
27. Soltani, A., Alimagham, S. M., Nehbandani, A., Torabi, B., Zeinali, E., Dadrasi, A., & Sinclair, T. R. (2020). SSM-iCrop2: A simple model for diverse crop species over large areas. Agricultural Systems, 182, 102855. https://doi.org/10.1016/j.agsy.2020.102855
28. Soltani, A., Hammer, G. L., Torabi, B., Robertson, M. J., & Zeinali, E. (2006). Modeling chickpea growth and development: phenological development. Field Crops Research, 99(1), 1-13. https://doi.org/10.1016/j.fcr.2006.02.004
29. Soltani, A., Maddah, V., & Sinclair, T. R. (2013). SSM-Wheat: A simulation model for wheat development, growth and yield. International Journal of Plant Production, 7(4), 711-740. https://doi.org/10.22069/ijpp.2013.1266.
30. Soltani, A., & Sinclair, T. R. (2012). A simple model for chickpea development, growth and yield. Field Crops Research, 124(2), 252-260. https://doi.org/10.1016/j.fcr.2011.06.021.
31. Torabi,, Ebrahimi, N., Soltani, A., & Zeinali, E. (2020). Parameterization and evaluation of SSM iCrop model for prediction of growth and development of faba bean in climatic conditions of Gorgan. Journal of Crops Improvement, 22(4), 531-542. (in Persian with English abstract). https://doi.org/10.22059/jci.2020.273742.2148.
32. Willmott, C. J. (1982). Some comments on the evaluation of model performance. Bulletin of the American Meteorological Society, 63(11), 1309-1313. https://doi.org/10.1175/1520-0477(1982)063%3C1309:SCOTEO%3E2.0.CO;2.