آمار
| تعداد نشریات | 44 |
| تعداد شماره‌ها | 1,323 |
| تعداد مقالات | 16,270 |
| تعداد مشاهده مقاله | 52,953,335 |
| تعداد دریافت فایل اصل مقاله | 15,624,174 |
ارزیابی زراعی مدل WOFOST در برآورد عملکرد برنج در اراضی شالیزاری شهرستان شفت با استفاده از تحلیل‌های مکانی سامانه اطلاعات جغرافیایی(GIS) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| دانش کشاورزی وتولید پایدار | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| دوره 31، شماره 1، اردیبهشت 1400، صفحه 193-207 اصل مقاله (882.15 K) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نوع مقاله: مقاله پژوهشی | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| شناسه دیجیتال (DOI): 10.22034/saps.2021.12807 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نویسندگان | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| حدیث یاقوتی1؛ ابراهیم پذیرا2؛ ابراهیم امیری* 3 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1فیزیک و حفاظت خاک، دانشکده کشاورزی و منابع طبیعی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 2گروه خاکشناسی، دانشکده کشاورزی و منابع طبیعی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 3گروه مهندس آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده اهداف: تحقیق حاضر جهت کمیسازی عملکرد برنج در شهرستان شفت، واقع در استان گیلان اجرا شد و نقشه پهنهبندی زراعی تولید از طریق رهیافت سامانه اطلاعات جغرافیایی (GIS) تهیه گردید. مواد و روشها: اطلاعات مزرعهای 100 نقطه شالیزارهای منطقه در دو سال زراعی (1391 و 1392) برای شبیهسازی توسط مدل WOFOST اندازهگیری شد. دادههای موجود برای دو دسته ارقام محلی و پرمحصول در منطقه، مورد سنجش قرار گرفت. یافتهها: نتایج مدل اختلاف معنیداری بین مقادیر مشاهده شده عملکرد دانه برنج با مقادیر شبیهسازی نشان نداد (Sig <0.05). مقدار ضریب تبیین (R2) برای هر دو دسته ارقام حدود 80/0 بهدست آمد، و ریشه میانگین مربعات خطای نرمال شده (NRMSE) به ترتیب برای ارقام محلی و پرمحصول 13 و 7 درصد حاصل شد. ارزیابی نتایج آماری حاکی از مشابهت مطلوب دادههای واقعی و برآورد شده است. همچنین شاخصهای آماری نشان میدهد مدل در برآورد عملکرد شالیزارهای با ارقام محلی از خطای کمتری نسبت به ارقام پرمحصول برخوردار است. در مطالعاتی که در مقیاس بزرگ انجام میگیرد، خطای برآورد بیشتر ناشی از اختلاف در مدیریت زراعی میباشد. توزیع مکانی عملکرد دارای شدت و نوساناتی در سطح محدوده مورد مطالعه بوده است، که میتواند در پاسخ به مقادیر مختلف نهادهها، تأخیر در تاریخ کاشت، بارندگیهای خارج از فصل و تنوع در خاک و وضعیت فیزیوگرافی اراضی باشد. نتیجهگیری: بنابراین بهکارگیری مدلهای شبیهسازی در دستیابی به تولید پایدار برنج و صرفهجویی اقتصادی نهادههای کشاورزی در منطقه میتواند کارگشا باشد و دورنمایی از شرایط تولید در اختیار کشاورزان و مدیران قرار دهد. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| کلیدواژه‌ها | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| برنج؛ پرمحصول؛ پهنه بندی زراعی؛ محلی؛ GIS؛ IDW؛ WOFOST | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اصل مقاله | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
مقدمه رشد و توسعه پایدار کشاورزی در گرو سلامت و امنیت غذایی است و این مهم در سایه تأکید بر حفظ، احیاء و بهره‌برداری متعادل از منابع پایه یعنی آب و خاک، پوشش گیاهی، محیط زیست و هوا تحقق مییابد. کشت برنج با تأمین دو سوم از نیاز کشور جایگاه ویژهای در اقتصاد دارد، به طوری که در سال 2016 سطح زیر کشت آن 560000 هکتار و مقدار تولید دو میلیون و 300 هزار تن بودهاست (فائو 2018). چالش حفاظت از پایداری زراعت برنج همگام با رقابت برای منابع آبی، کاهش عملکرد دانه و افزایش هزینه تولید به واسطه وابستگی به نهادههای ورودی رو به فزونی است (باغی تبار و همکاران 2019). لذا عوامل موثر بر عملکرد برنج از جمله، عوامل ژنتیکی (اله قلیپور و همکاران 2014)، خاک (آقایی پور و همکاران 2018)، شرایط تغذیهای (شکری واحد و همکاران 2018، موسوی و همکاران 2015)، اقلیم (کاظم زاده و همکاران 2017)، آبیاری (باغی تبار و همکاران 2019) و شیوه های مدیریت (علیزاده و همکاران 2016، وحدتیراد و همکاران 2016) در مناطق شالیزاری ایران مورد ارزیابی قرار گرفتهاست. در سالهای اخیر مدلهای گیاهی برای پیشبینی عملکرد، نیازهای گیاهی، ارزیابی اقلیم در شرایط مدیریتی و محدودیتی مختلف و درک بهتر پاسخ محصول در این شرایط به کار میروند (سیدجلالی و همکاران 2016، رسوپ و همکاران 2012). در واقع مدلسازی اجازه میدهد تعامل پیچیده بین این عوامل مورد بررسی قرار گیرد (دویت و همکاران 2019). در این میان مدل WOFOST بهعنوان ابزاری برای ارزیابی عملکرد، به مدت 25 سال است که روی محصولات زراعی و باغی بسیاری به کار گرفته شدهاست. همانند همه مدلهای ریاضی شبیهسازی، WOFOST[1] سادهسازی واقعیت است و در چارچوب مطالعات جهانی امنیت غذا و پتانسیل جهانی تولید غذا، توسط مرکز جهانی مطالعات غذایی در همکاری با دانشگاه واگنینگن[2] هلند و مرکز بیولوژیکی کشاورزی و حاصلخیزی خاک واگنینگن ایجاد گردیده است (بوگارد و همکاران 1998). کارایی بالای مدل WOFOST برای محصولاتی نظیر گندم، جو، سویا و ذرت مورد تأیید بسیاری از محققین قرار گرفته است (ثگلار و همکاران 2019، شاهین رخسار و همکاران 2016، احمدی و همکاران 2014، بافکار و همکاران 2012). کارشناسان در سالهای اخیر، به مدلسازی تخمین عملکرد و استفاده از آن برای پیشبینی عملکرد مزارع به منظور برنامهریزی دقیق و آیندهنگرتر توجه نشان دادهاند. در خصوص شبیهسازی برنج، ون زیا و همکاران (2006) در چین رشد پتانسیل برنج را با استفاده از مدل WOFOST شبیهسازی و اعتبار سنجی نمودند. برای واسنجی مدل از دادههای سال 2003 و برای اعتبارسنجی از دادههای سال 2004 استفاده شد. نتایج حاکی از نزدیکی دادههای برآورد شده برای شبیهسازی پتانسیل رشد با دادههای واقعی بوده است. در ایران نیز امیری و همکاران (2011) مدل رشد گیاهی WOFOST را برای برنج، در شرایط مدیریت آبیاری ارزیابی کردند. نتایج ارزیابی آماری و گرافیکی نشان داد مدل در شبیهسازی بیوماس کل و بیوماس پانیکول از دقت مناسبی برخوردار است. در همین راستا و جهت شبیهسازی عملکرد دو رقم برنج محلی استان گیلان، سعادتی و همکاران (2012) از مدل WOFOST، تحت رژیمهای مختلف آبیاری استفاده کردند. یافتهها حاکی از آن است که مدل WOFOST در شبیهسازی فرآیند رشد و تأثیر آب بر عملکرد و بهرهوری در مناطق مرطوب دارای کارایی مطلوبی است. کمی نمودن عملکرد محصول از طریق مدلهای شبیهسازی نیازمند نظارت جامع بر مزارع در واکنش به روشهای مدیریتی و تحت شرایط متغیرهای محیطی است. ادغام مدلهای گیاهی با دادههای جغرافیایی در GIS، در دورههای زمانی مختلف کاربران را قادر میسازد، نتایج عملکرد مدل را در سطح منطقه مورد ارزیابی قرار دهند (رسوپ و همکاران 2012). سیستم پایش رشد گیاهی CGMS[3] (ون دیپن و همکاران، 2004) جهت پیشبینی عملکرد محصولات کشاورزی قبل از برداشت، توسط موسسه JRCایتالیا تهیه گردیده است (بارث و همکاران، 2007) و این همراهی در سیستم اطلاعات جغرافیایی امکان تهیه نقشه های تخمین عملکرد از طریق روشهای درونیابی[4] را فراهم میکند (سوزو و همکاران 2016). نتایج پژوهش وو و همکاران (2006) در چین با هدف استفاده از مدل WOFOST برای تعیین عملکرد پتانسیل گندم تحت شرایط محدودیت آب نشان داد، در مناطق شمالی بارندگی عامل محدود کننده عملکرد بوده است. ایشان همچنین از روش وزندهی معکوس فاصله (IDW)[5] جهت پهنهبندی توان تولیدی منطقه بهرهبردند. همچنین کومی بوتنگ و یاکوبو (2010) با تلفیق GIS و دادههای GPS به پیشبینی عملکرد نخل روغنی پرداختند. ارائه نقشه توزیع عملکرد با روش درونیابی IDW، بیانگر مطابقت نواسانات عملکرد با عوامل مکانی مورد نظر بود. مطالعه دیگری در سطح اروپا، برای ترسیم نقشه برآورد عملکرد گندم به کمک مدل WOFOST در قالب سیستم CGMS انجام شد و بر لزوم واسنجی مدل پیش از اجرا در سطح وسیع تأکید گردید (بوگارد و همکاران 2013). سرگردی و همکاران (2013) در اصفهان تغییرات زمانی- مکانی نیاز آبی گندم و ذرت علوفهای مدل WOFOST را در فضای جغرافیایی مورد بررسی قرار دادند. خروجی مدل، بیانگر آن است که تغییرات زمانی در نیاز آبی محصول، بیش از تغییرات مکانی میباشد. همچنین مطالعات سوزو و همکاران (2016) در تخمین عملکرد محصولات زراعی نشانگر برتری روش وزندهی معکوس فاصله بر کریجینگ میباشد. به منظور پهنهبندی سیستمهای زراعی تولید گندم در بروجن، طایی و همکاران (2013) طرحی را در شرایط پتانسیل و محدودیت آبیاری به اجرا درآوردند و در آن از مدل WOFOST که قبلاً واسنجی شده بود برای شبیهسازی میزان عملکرد در محیط GIS استفاده کردند. یافتهها نشان از کارآیی مطلوب مدل جهت تحلیل سیستم زراعی منطقه داشت. در خصوص گیاه برنج تحقیقاتی با استفاده از سایر مدلهای شبیهسازی در سطح وسیع انجام پذیرفتهاست (رضایی و همکاران 2015، مختاری و همکاران 2013). با عنایت به نیازمندیهای دمایی و فیزیکی برنج، بهرهگیری از قابلیت فنآوری GIS همراه با مدلهای شبیهسازی همچون WOFOST، در شرایط استان گیلان ضروری به نظر میرسد. لذا امکان شناسایی مناطق مستعد کشت، محدودیتها و توانمندیهای تولید در مطالعات پهنهبندی برنج فراهم خواهدشد. هدف از این تحقیق در سطح شهرستان شفت ترسیم نقشههای عملکرد دانه به منظور برآورد و شبیهسازی عملکرد دانه در مناطق فاقد اطلاعات مشاهدهای میباشد.
مواد و روشها منطقه مورد مطالعه و دادههای میدانی شهرستان شفت در جنوب غربی استان گیلان، بین عرضهای جغرافیایی ´56 °36 تا ´18 °37 شمالی و طول جغرافیایی ´10 °49 تا ´31 °49 شرقی، در شمال ایرن واقع شده است. مساحت منطقه مورد مطالعه حدود 14 هزار هکتار از مجموع مساحت شهرستان میباشد که زیر کشت برنج قرار دارد. اقلیم این منطقه معتدل و مرطوب بوده و فعالیت عمده کشاورزی در بخش جلگهای و کوهپایهای، زراعت برنج میباشد (شکل 1).
شکل 1- موقعیت مزارع پایش شده در سطح شهرستان شفت
داده مزرعه ای اطلاعات 100 نقطه شالیزار، نحوه مدیریت زراعی، نوع رقم، ضدعفونی بذر، زمان کاشت، مسائل مربوط به برداشت (کود و مبارزه با آفات و بیماریها)، تعداد و میزان آبیاری، شیوههای آبیاری (سنتی و مدرن) و زمان و ادوات برداشت در دو سال زراعی 1391 و 1392، اندازهگیری شد. لازم به ذکر است ارقام برنج مزارع منطقه به دو دسته، ارقام محلی (بومی) شامل هاشمی، علیکاظمی و ارقام پرمحصول (اصلاح شده) مانند خزر و گوهر تقسیم میشوند. البته ارقام محلی حدود دو سوم از اراضی شالیزاری را به خود اختصاص میدهد. در پژوهش حاضر سعی شد تا ضمن توزیع مناسب موقعیت مزارع در سطح منطقه، نسبت ارقام در جامعه آماری حفظ گردد (جدول1). طول دوره کشت برنج در منطقه برای ارقام مختلف بین 120 تا 150 روز میباشد، و شالیزارها طی 90 روز از ابتدای کاشت میباید غرقاب باشند، این زمان در شمال ایران مصادف با نیمه دوم فروردین تا نیمه دوم تیر است. جدول 2، وضعیت بارندگی و دمای هوای منطقه را در بازه زمانی کشت برنج نشان میدهد، لازم به ذکر است برای آبیاری اراضی از کانال آببری فومن استفاده میشود.
مدل شبیهسازی WOFOST این مدل براساس چرخه کربن و پیچیده میباشد، ساختار و روش محاسبات در منابع مختلف ارائه شدهاست (بوگارد و همکاران 1998، امیری و همکاران 2011). مدل WOFOST اجازه شبیهسازی پویا فنولوژیکی از جوانه زنی تا رسیدگی را براساس خصوصیات ژنتیکی محصول و شرایط محیطی فراهم میکند. این برنامه ماده خشک گیاه را بهعنوان تابعی از تشعشع، دما و خصوصیتهای گیاه در مراحل زمانی یک روز شبیهسازی میکند. اصول محاسبه تولید ماده خشک، میزان سرعت ناخالص جذب CO2 توسط پوشش گیاهی است، که به انرژی تابشی جذب شده بستگی دارد و تابعی از تشعشع روزانه، سطح برگ گیاه و ضریب خاموشی نور در پوشش گیاهی است (تودورویس و همکاران 2009).
جدول1-معرفی شاخصهای آماری عملکرد دانه ارقام برنج در اراضی شالیزاری (کیلوگرم در هکتار)
جدول2-میانگین دما )درجهسلسیوس) و بارش تجمعی (میلیمتر) ماهانه در بازه زمانی کشت برنج
در این تحقیق از نسخه 7.1 مدل WOFOST برای شبیهسازی عملکرد دانه برنج استفاده شد. اطلاعات ورودی مورد نیاز برای اجرای مدل در چندین بخش (اطلاعات کلی، گیاه، هواشناسی، خاک، موادغذایی) توصیف میشوند. برای شبیهسازی با مدل WOFOST، لازم است که دادههای مورد نیاز، تحت فایلهای خاصی سازماندهی و به مدل ارائه شوند. این فایلها هر کدام جنبه خاصی از رشد و نمو گیاه و یا شرایط محیطی را نشان میدهند. اطلاعات هواشناسی مورد نیاز، از ایستگاه سینوپتیک مرکز تحقیقات هواشناسی کشاورزی رشت، در دو سال مورد نظر (1392-1391) دریافت گردید، که شامل بارندگی، درجه حرارت حداکثر، درجه حرارت حداقل، تشعشع روزانه (ساعات آفتابی)، سرعت باد در ارتفاع دو متری، رطوبت نسبی و فشاربخار صبحگاهی هوا در طول دوره رشد به صورت روزانه میباشد. همچنین اطلاعات مدیریت زراعی شامل رقم محصول (اطلاعات ژنتیکی)، تاریخ کاشت و فعالیتهای مدیریتی نظیر زمان و مقدار آبیاری در قالب فایل اطلاعات گیاهی برای هر یک از مزارع تهیه گردید.فایل خاکشناسی از دادههای آزمون خاک و اطلاعات مزرعه شامل رطوبت در نقاط ظرفیت زراعی[6]، پژمردگی دائم[7]، اشباع[8] و رطوبت بحرانی[9] و هدایت هیدرولیکی اشباع[10] در محدوده توسعه ریشه وارد مدل گردید. هرچند استفاده از مدلهای شبیهسازی رشد گیاه مفید است، ولی اجرای آنها مستلزم انجام آزمایشهای متعددی در قالب واسنجی و سپس تعمیم به کل مزرعه میباشد. از اینرو، استفاده از مدلهایی که بتواند در مقیاسهای بزرگ عملکرد محصول را با دقت قابل قبولی برآورد کند، اجتناب ناپذیر است (صدوقی و همکاران 2017). تلفیق با GIS و روش درونیابی مدل WOFOST به عنوان شبیهساز رشد گیاه در سیستم اطلاعات جغرفیایی بهکار گرفته میشود، و از این طریق میتوان مدل شبیهسازی را در کل منطقه اجرا نمود و تغییرات مکانی رشد گیاه را که در اثر تغییرات بیوفیزیکی ایجاد میشود، بررسی کرد (سرگردی و همکاران 2013). براساس مختصات جغرافیایی نقاط نمونهبرداری ثبت شده با GPS، لایه وکتور نقطهای در محیط ArcGIS 10.3 ساخته شد و این لایه همراه با شماره، حاوی اطلاعات خاکشناسی و عملکرد میباشد. مقادیر عملکرد برآورد شده از مدل WOFOST نیاز به تعمیم از طریق توابع درونیابی در سطح منطقه شالیزاری دارد. در روشهای مبتنی بر درونیابی، ارزش عددی مکانهایی که دارای ارزش ناشناختهاند، بهوسیله دادههای شناخته شده مکانهای مجاور شناخته میشوند (محمدی احمد محمودی و همکاران 2015). روش درونیابی IDW بر این فرض استوار است که تاثیر پدیده مورد نظر با افزایش مسافت کاهش مییابد. در این روش، از فاصله به عنوان وزن متغیر معلوم برای پیشبینی نقاط اندازهگیری نشده استفاده میشود (جوهستون و همکاران 2001). سپس به منظور ارزیابی عملکرد مدل WOFOST، به مقایسه نتایج و دادههای مشاهدات مزرعهای با نرم افزار SPSS پرداخته شد. در صحتیابی نتایج حاصل از مدل در برابر مقادیر مشاهدهای سطح مزرعه از آزمون تی (P(t)) استفاده گردید. برای بررسی بهتر کارایی مدل در تخمین عملکرد، علاوه بر ترسیم نمودارهای اندازهگیری شده در مقابل مقادیر برآورد شده، از شاخصهای آماری زیر استفاده شد. معادلههای این شاخصها به شرح زیر است:
-درصد خطای نسبی (Er) Eri = [رابطه 1] - ریشه میانگین مربعات خطا (RMSE) RMSE = [رابطه 2] - ریشه میانگین مربعات خطای نرمال شده (NRMSE) NRMSE = [رابطه 3] -ضریب تبیین (R2) R2 = [رابطه 4]
در این روابط Pi مقادیر برآورد یا همانندسازی‌شده، Oi مقادیر مشاهدهای (اندازه‌گیری‌شده)، Ō میانگین مقادیر اندازهگیری شده (مشاهده‌شده)، n تعداد نمونه‌ها (رقمهای مشاهده، محاسبه و یا برآورد شده) است. همچنین ضریب (R2) معیار پراکنش بین مقادیر پیشبینی و اندازهگیری شده است. براساس تعریف، قدرت پیشبینی مدل در صورتی که مقدار NRMSE کمتر از 10% باشد عالی، اگر بین 10 تا 20 درصد باشد، خوب و اگر بین 20 تا 30 درصد باشد، متوسط ارزیابی میگردد، مقادیر بالاتر از 30% از توانایی ضعیف مدل حکایت دارد (جوهستون و همکاران 2001).
نتایج و بحث واسنجی مدل برای استفاده از مدلهای گیاهی، واسنجی مدل در هر منطقه ضروری است. با توجه به اینکه در اغلب مطالعات مزرعهای اندازهگیری تمامی پارامترهای گیاهی میسر نیست، لذا از فایل گیاهی تهیه شده توسط امیری و همکاران (2011) که برای مدل، در استان گیلان تنظیم گردیده، استفاده شد. همچنین مدل با استفاده از دادههای اندازهگیری شده سطح وسیع در سال 1391، برای ارقام بومی و پرمحصول منطقه واسنجی شد، اطلاعات در جدول 3 ارائه شده است.
جدول3 - واسنجی مدل شبیهسازی عملکرد برنج برای ارقام بومی و پرمحصول شالیزارهای شفت (1391)
با توجه به ضرایب تبیین به دست آمده (جدول 3)، به نظر میرسد مدل WOFOST به دلیل داشتن ضریب تبیین 73/0 برای پیشبینی عملکرد دانه ارقام محلی بهتر عمل میکند. ضریب تبیین معیار همبستگی قابل قبول مقادیر دانه پیش بینی و اندازهگیری شده میباشد. برای آزمون قدرت پیشبینی مدل، از شاخص RMSE، استفاده شد. جدول 3 و شکل 2، به ترتیب معادله خط 1:1 و RMSE مدلهای بومی و پرمحصول را نشان میدهد. اعتبارسنجی مدل WOFOST ارزیابی مدل WOFOST با دادههای سال 1392 انجام گرفت. مقادیر عملکرد دانه مشاهده شده برای ارقام محلی و پرمحصول به ترتیب در محدوده 3812 و 4935 کیلوگرم در هکتار است. نتایج حاصل از آزمون Paird t-test دودامنهای نشان داد بین مقادیر مشاهده شده عملکرد با مقادیر شبیه سازی شده تفاوت معنی داری وجود ندارد (P>0.05). مقدار میانگین مربعات خطا برای هر متغیر در محدوده مطلوب قرار داشت و از 13 درصد تجاوز نکرد (جوهستون و همکاران 2001). ضریب تبیین نیز همبستگی بالایی بین مقادیر شبیه سازی شده با مقادیر واقعی نشان میدهد (Sig<0.05). نتایج پژوهش امیری و همکاران (2011) با ضریب تبیین عملکرد دانه در محدوده 98/0-95/0 و طایی و همکاران (2013) با ضریب تبیین 72/0 برای دانه گندم، مشابه نتایج تحقیق حاضر بود.
جدول 4- نتایج اعتبارسنجی مدل در شبیهسازی عملکرد برنج برای دو رقم بومی و پرمحصول شالیزارهای شفت (1392)
شکل 3- مقایسه مقادیر عملکرد واقعی و شبیهسازی شده با مدل WOFOST در سال 1392. برای ارقام بومی(A) و ارقام پرمحصول (B)
سعادتی و همکاران (2012) در ارزیابی نتایج مدل از NRMSE استفاده نمودند، که بین 14-5 درصد گزارش شد و با نتایج تحقیق حاضر مطابقت دارد. مدل WOFOST در بسیاری از مطالعات و در مناطق مختلف برای ارزیابی میزان تولید و شبیه سازی رشد غلات با موفقیت مورد استفاده قرار گرفته است (ثگلار و همکاران 2019، احمدی و همکاران 2014، شاهین رخسار و همکاران 2016). تحقیقات ون زیا و همکاران (2006) و امیری و همکاران (2011) در پیشبینی عملکرد برنج بر توانایی این مدل صحه میگذارد. نکتهای که حائز اهمیت است، عملکرد مدل در اعتبارسنجی از واسنجی بهتر ارزیابی گردید، زیرا مدل در واسنجی برای شرایط منطقه تعریف میشود. این مطلب با تحقیقات بوگارد و همکاران (2013) مبنی بر واسنجی مدلهای شبیهسازی پیش از اجرا در سطح وسیع مطابقت دارد. چنانکه ضریب تبیین مجموعه دادههای سال دوم برای ارقام محلی 82/0 و ارقام پرمحصول 80/0 بود که نسبت به سال اول (ارقام محلی 73/0 و ارقام پرمحصول 67/0) به مراتب مطلوبتر میباشد. همچنین با در نظر گرفتن آمارههای مختلفی که محاسبه شد، مشخص گردید مدل برای تخمین عملکرد ارقام محلی در منطقه مورد مطالعه کارایی بهتری دارد. همانطور که تودورویس و همکاران (2009) نیز در تحقیقات خود اشاره کردند، استفاده از این تعداد پارامترهای ورودی میتواند دقت نتایج شبیهسازی را افزایش دهد، ضمن اینکه لازم است مراحل واسنجی و اعتبارسنجی مدل در منطقه انجام پذیرد. شکل 3 نتایج ارزیابی آماری وگرافیکی مدل WOFOST در تخمین عملکرد برنج منطقه را نشان میدهد.
آنگونه که از شکل 4 و رابطه خطا با مقدار عملکرد واقعی به نظر میرسد، شیب خط در معادله رگرسیونی موید این مورد است که مدل از اعتبار بالایی برای ارزیابی صفت عملکرد دانه برخوردار میباشد. میزان دامنه خطای برآورد عملکرد در شالیزارهای با ارقام پرمحصول 20 درصد، و برای ارقام محلی زیاد بوده و تا 60 درصد میرسد این مطلب در شبیهسازی ارقام میتواند تاثیرگذار باشد. لذا میباید عوامل خطا شناسایی و نسبت به کاهش اثر آن تلاش نمود. با بررسی ساختار مکانی دادههای موجود، به منظور برآورد مقادیر عملکرد برنج در نقاط نمونهبرداری نشده از روش وزندهی معکوس فاصله (IDW) استفاده گردید. توان کاربردی در این روش 2 و تعداد نقاط همسایگی 12 لحاظ گردید. نتایج حاصل از اجرای مدل که در قالب نقشه برنج در محیط GIS تولید شد از نظر توزیع مکانی دارای شدت و نوساناتی در سطح محدوده مورد مطالعه بوده است. شکل (A-5) نمایی از گستره عملکرد واقعی را نشان میدهد، در شمال و غرب شهرستان عملکرد بالاتری نسبت به سایر مناطق وجود دارد و عملکردهای بیش از 5000 کیلوگرم در هکتار برنج در نقاطی محدود در حاشیه شمال، شرق و غرب دیده میشود. نقشه حاصل از مدل (شکل B-5) بیانگر توسعه مساحت عملکردهای بیش از 4000 کیلوگرم در هکتار (رده سوم و چهارم) میباشد. علیرغم اینکه رودخانهها در نیمه شرقی قرار دارند، علت عملکرد پایینتر را میتوان به مشکلات ناشی از طغیان رودخانه، آبگرفتگی و پیامدهای پس از آن نسبت داد. در حالیکه اراضی سایر قسمتها به جهت وجود شبکه آبیاری کمتر تحت نوسانات آبی قرار گرفتهاند.
شکل 5- پهنهبندی عملکرد واقعی(A) و شبیه سازی شده در محدودیت آب با مدل WOFOST (B) برنج در سطح شهرستان
از مقایسه نقشهها اینگونه استنباط میشود در مناطقی که مدل تولید بیش از 5000 کیلوگرم در هکتار را برآورد کرده، تا حدودی عملکرد واقعی نیز بیشتر است. در سطوحی از عملکرد دانه، که مقدار شبیهسازی شده بیش از مقدار مشاهده شده است، عمدتاً مربوط به تاریخ کشتهای تأخیری است. این تاریخها خارج از محدوده تاریخ کاشت مطلوب در منطقه بوده و غیر معمول هستند. طایی و همکاران (2013) در مطالعات پهنهبندی عملکرد گندم روش درونیابی Spline را برای تخمین عملکرد بهکار بردند. پژوهشهای محمدی احمد محمودی و همکاران (2015) و سیدجلالی و همکاران (2016) جهت درونیابی عملکرد گندم از روشهای کریجینگ همراه با متغیر کمکی انجام شد. بر پایه پژوهشهای صدوقی و همکاران (2017)، کومی بوتنگ و یاکوبو (2010) و وو و همکاران (2006) مدل IDW جهت درونیابی دادههای عملکرد محصول رضایت بخش بودهاست. همچنین سوزو و همکاران (2016) با ارزیابی روشهای وزندهی معکوس فاصله بیان کردند، استفاده از تعداد بهینه نقاط همسایگی، مقدار خطای پیشبینی را به حداقل میرساند. در مطالعاتی که در مقیاس بزرگ انجام میگیرد، تنوع و تغییرات مکانی عوامل موثر بر عملکرد مانند مدیریت زراعی و نوع خاک میتواند در خطای برآورد عملکرد تاثیر داشته باشد، مطلبی که در تحقیق رضایی و همکاران (2015) نیز به آن اشاره شده است. چنانچه از بررسی نقشههای بالا و وضعیت فیزیوگرافی منطقه میتوان دریافت، کاستیهای عملکرد واقعی در مقایسه با آنچه مدل WOFOST برآورد نمودهاست، ناشی از بارندگیهای خارج از فصل و آبگرفتگی اراضی در انتهای فصل زراعی بوده، که میتواند بر افت عملکرد تاثیرگذار باشد. در حالی که صدوقی و همکاران (2017) مقدار کم برآورد مدل را به کاهش بارندگی و زیادی تشعشع ورودی نسبت دادند، در تحقیقات وو و همکاران (2006) از بارندگی به عنوان عامل محدودیت در تولید نام برده شدهاست. با توجه به تاثیر عوامل زمان آبیاری، مقدار آبیاری، دما، بارندگی، و تعداد روزهای آفتابی در کشت برنج میتوان گفت که عوامل مذکور در مناطق خاصی محدودیت ایجاد کرده و در مناطقی دیگر فرصت توسعه را فراهم ساختهاست. نظر به اینکه دوره رویش گیاه برنج در فصل گرم میباشد، بارندگی بهاره میتواند مقدار آب دوره جوانهزنی و نشاکاری را تامین کند، اما در دوره پنجهزنی، خوشه زنی و گلدهی نیاز به آبیاری وجود دارد (فرج زاده و پورنصیر 2010 ). علاوه بر این، کاظم نژاد و همکاران (2017) در مناطق جلگهای گیلان، نقش عوامل غیر اقلیمی مانند خاک، کود و نهادههای کشاورزی را بر میزان عملکرد برنج بیش ازعوامل اقلیمی میدانند. با توجه به خصوصیات خاکهای محدوده مطالعاتی به خصوص اراضی واقع درحاشیه رودخانهها که از رسوبات بسیار جوان شکل گرفتهاند، نیاز به عناصرحاصلخیزکننده وجود دارد. علیرغم کشت و کار شالیزارها طی سالیان متمادی که فقط عمق معینی از خاک را گلخراب و آماده کشت برنج میکنند، استفاده از کودهای شیمیایی معین موجب کمبود عناصر کم مصرف گردیدهاست. این مشکل ناشی از وسعت کم سطح زیر کشت و عدم توجیه اقتصادی آزمون خاک از نظر کشاورزان میباشد (شکری واحد و همکاران 2018). اگرچه در این پژوهش تأثیر محدودیت آب بر عملکرد پتانسیل مدل در نظر گرفته شد، اما این نکته را باید در نظر گرفت که خاک مزارع شالیزاری ممکن است شرایط بهینه از نظر حفظ رطوبت و عمق مناسب مانند آن چه که در مدل وارد شده است، را نداشته باشد و از نقطه ای به نقطه دیگر متغیر باشد. در پژوهشهای مزرعهای با وسعت کم، عملکرد واقعی به عملکرد شبیهسازی نزدیکتر است، ولی در مقیاس بزرگ (شالیزارهای یک شهرستان) تفاوت بین مقادیر مشاهده شده و شبیهسازی شده عملکرد محصول، ناشی از خطاهای اندازهگیری، ناهمگنی مکانی دادههای اندازهگیری شده و اختلاف در مدیریت زراعی، عدم دقت مدل در شرایط خشکی و نوع خاک است. افزون براین، برخی عوامل موثر بر عملکرد تولید از جمله بیماریها، آفات و کمبود مواد مغذی در مدل در نظر گرفته نشدهاست.
نتیجهگیری بطورکلی پیشبینی عملکرد محصول دورنمایی از شرایط تولید در اختیار کشاورزان و مدیران قرار میدهد. یافتههای تحقیق حاضر حاکی از عدم وجود اختلاف معنیدار بین مقادیر مشاهده شده عملکرد دانه برنج با مقادیر شبیهسازی مدل WOFOST میباشد. شاخصهای آماری نشان میدهد مدل در برآورد عملکرد شالیزارهای با ارقام محلی از خطای کمتری نسبت به ارقام پرمحصول برخوردار است. همچنین نتایج حاصل از اجرای مدل در قالب نقشه در محیط GIS از نظر توزیع مکانی دارای شدت و نوساناتی در سطح محدوده مورد مطالعه بوده است، که میتواند در پاسخ به مقادیر مختلف نهادهها، تاخیر در تاریخ کاشت، بارندگیهای خارج از فصل و تنوع در خاک و وضعیت فیزیوگرافی اراضی باشد. امروزه کمبود آب زراعی از مشکلات کشت برنج در استان گیلان، میباشد. لذا بکارگیری مدلهای شبیهسازی در دستیابی به تولید پایدار برنج و صرفهجویی اقتصادی نهادههای کشاورزی در منطقه میتواند کارگشا باشد. لازم است در آینده برای افزایش اعتماد به مدلهای گیاهی تحقیقات طی سالهای متوالی انجام گیرد و کارایی مدل در واکنش به دیگر تیمارهای مدیریتی و کاشت سایر ارقام پرمحصول ارزیابی گردد.
سپاسگزاری بدین وسیله از همکاری کارشناسان جهاد کشاورزی شهرستان شفت و استان گیلان در اجرای این طرح تشکر و قدردانی به عمل میآید. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مراجع | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Aghaeipour N, Pirdashti H, Zavare M, Asadi H and Bahmanyar MA. 2018. Yield gap analysis of rice in relation to soil properties in Foumanat plain. Journal of Crop Production, 10(4): 159-172. (In Persian).
Ahmadi M, Farhadi Bansouleh B and Ghobadi M. 2014. Spatial and Temporal Variations of Barley Yield under Deficit Irrigation Management (Case study: Kermanshah province, Mahidasht region). Water and Soil Science, 23(4): 19-32. (In Persian).
Alizadeh M, afrasiab P, Yazdani M, Liaghat A and Delbari M. 2016. The Effect of Depth and Space Subsurface Drainage on Paddy Field Drainage Intensity (Case Study: Fields of Rice Research Institute of Iran). Journal of Water and Soil Conservation, 23(4), 219-233. (In Persian).
Allahgholipour M, Farshadfar E, Rabiei B. 2014. Morphological and Physico-Chemical Diversity in Different Rice Cultivars by Factor and Cluster Analysis. Cereal Research, 4(4): 293-307. (In Persian).
Amiri E, Rezaei M, Motammed K and Emami S. 2011. Evaluation of the crop growth model WOFOST under irrigation management. Applied field crops research (Pazhohesh & Sazandegi), 24(1): 9-17. (In Persian).
Bafkar A, Boroumandnasab S, Behzad M and Farhadi Bansouleh B. 2012. Estimation of Potential Yield of Grain Maize in Mahidasht, Kermanshah Using WOFOST, a Crop Growth Simulation Model. Iranian Journal of Field Crop Science, 42(4): 799-808. (In Persian).
Baghitabar Firozjaii S, Abbasi R and Mousavi Toghani SY. 2019. Comparison of Irrigation Regimes and Seedling Age Effects on Yield and Yield Components of Rice (Oryza sativa L. var. Tarom Hashemi). Journal of Agricultural Science and Sustainable Production, 29(2): 67-78. (In Persian).
Baruth B, Genovese G, and Leo O, 2007. CGMS version 9.2 User manual and technical documentation. European Commission Joint Research Centre Institute for the Protection and Security of the Citizen, Italy.
Boogaard H, Wolf J, Supit I, Niemeyer S and Van Ittersum M. 2013. A regional implementation of WOFOST for calculating yield gaps of autumnsown wheat across the European Union. Field Crops Research, 143: 130-142.
Boogaard HL, Van Diepen CA, Roller RP, Cabrera JM and Van Laar HH. 1998. User’s guide for the WOFOST 7.1 crop growth simulation model and WOFOST Control Center 1.5. Technical document 52, DLO Winand Staring Centre, Wageningen, Netherlands.
Ceglar A, Van der Wijngaart R, de Wit A, Lecert R, Boogaard H, Seguini L, Van den Berg M, Toreti A, Zampieri M, Fumagalli D and Baruth B. 2019. Improving WOFOST model to simulate winter wheat phenology in Europe: Evaluation and effects on yield. Agricultural Systems, 168: 168-180.
De Wit A, Boogaard H, Fumagalli D, Janssen S, Knapen R, van Kraalingen D, Supit I, van der Wijngaart R, van Diepen K. 2019. 25 years of the WOFOST cropping systems model. Agricultural Systems, 168, 154–167.
Fao. 2018. Food and Agriculture Organization of the United Nations.
Farajzadeh M and Pournasir F. 2010. Feasibility of rice cultivation in the Lorestan using geographic information system. Journal of GIS & RS Application in Planning, 1(1): 33-39. (In Persian).
Jamieson PD, Porter JR and Wilson DR. 1991. A test of the computer simulationmodel ARC-WHEAT1 on wheat crops grown in New Zealand. Field Crop. Res. 27: 337–350.
Johnston K, Ver Hoef JM, Krivoruchko K and Lucas N. 2001. Using arcGIS geostatistical analyst. ESRI, Redlands, CA.
Kazemnezhad Z, Farajzade Asl M and Borna R. 2017. Variable analysis of rice crop yield with climate change approach (Case study: Guilan province). Journal of Physical Geography, 10(38): 45-64. (In Persian).
Kumi-Boateng B and Yakubu I. 2010. Predicting the yield of crops using Gis/Gps integration- A case study at Benso oil palm plantation limited. Eur. J. Sci. Res. 42(2): 314- 325.
Mohammadi ahmad mahmoudi E, Kamkar B, Abdi O. 2015. Comparison of geostatistical- and remote sensing data-based methods in wheat yield predication in some of growing stages (A case study: Nemooneh filed, Golestan province). Journal of Crop Production: 8(2), 51-76. (In Persian).
Mokhtari S, Pirmoradian N, Vazifehdoost M, Davatgar N. 2013. Increasing accuracy of regional rice yield estimation by improvement of spatial resolution of leaf area index maps in VSM vegetative model. Cereal Research, 2(3): 209-221. (In Persian).
Moosavi SGh, Mohamadi O, Seghatolesami and Amiri E. 2015. Effect of Nitrogen Fertilizer Rates on Morphological Traits, Yield and Yield Components of Three Cultivars of Rice. 13(1): 146-152. (In Persian).
Resop JP, Fleisher DH, Wang Q, Timlin DJ and Reddy VR. 2012. Combining explanatory crop models with geospatial data for regional analyses of crop yield using field-scale modeling unit. Computers and Electronics in Agriculture, 89:51-61.
Rezaei M, Shahnazari A, Raeini Sarjaz M and Vazifedoust M. 2015. Large-scale Simulation of Rice yield and Water Productivity Using CERES-Rice Model. Iranian Journal of Irrigation & Drainage, 9(2): 283-291. (In Persian).
Saadati Z, Pirmoradian N, Amiri E and Rezaei M. 2012. Assessment of WOFOST Model in Simulating Yields of Two Rice Varieties under Different Irrigation Regimes. Journal of Water Research in Agriculture, 26(3): 323-337. (In Persian).
Sadooghi L, Homaee M, Noroozi A, Asadi Kapourchal S. 2017. Estimating rice yield using VSM model and satellite images in Guilan province. Cereal Research, 6(3): 397-410. (In Persian).
Sargordi F, Farhadi Bansouleh B, Sharifi MA and Van Keulen H. 2013. Spatio-temporal variation of wheat and silage maize water requirement using CGMS model. International Journal of Plant Production, 7(2): 207-223.
Seyed Jalali SA, Sarmadian F, Shorafa M and Mohamadesmaeil Z. 2016. Application of Kriging and Cokriging in Predicting Wheat Yield using Principle Component Analysis. Journal of Crop Production, 9(2): 213-224. (In Persian).
Shahin rokhsar P, Amiri E, Raeesi S and Asadi M. 2016. Response Simulation of Two Soybean Cultivars Response to Deficit Irrigation by WOFOST Model. Journal of Water Research in Agriculture, 30(1): 13-24. (In Persian).
Shokri Vahed H, Davatgar N, Kavoosi M and Babazade Sh. 2018. Evaluation of Rice Plant Response to Nitrogen, Phosphours and Potassium Based on Site-Specific Nutrient Management (SSNM). Journal of Agricultural science and sustainable production, 28(1): 235-248. (In Persian).
Souza EG, Bazzi CL, Khosla R, Uribe-Opazo MA and Reich RM. 2016. Interpolation type and data computation of crop yield maps is important for precision crop production. Journal of Plant Nutrition, 39(4):531-538.
Taei Semiromi J, Ghanbari A, Amiri E, Ghaffari A, Siahsar B and Ayobi Sh. 2013. Agroecological Zoning of Wheat in the Borujen Watershed: Rianfed and Irrigated Wheat Cropping System Evaluation. 22(4): 1-12. (In Persian).
Todorovice M, Albrizio R, Zivotic L and Saab MT. 2009. Assessment of AquaCrop, CropSyst, and WOFOST Models in the simulation of sunflower growth under different water regimws. Agronomy Journal, 101 (3): 509-521.
Vahdati-Rad A, Esfahani M, Mohsenabadi G, Sabouri A and Aalami A. 2016. Effect of Transplanting Times on Rate and Duration of Grain Filling, Final Grain Weight and Grain Yield of Rice Cultivars. Journal of Crop Production and Processing, 6 (19):137-149. (In Persian)
Van Diepen K, Boogaard HL, Supit I, Lazar C, Orlandi S, Van der Goot E and Schapendonk, AHCM. 2004. Methodology of the MARS crop yield forecasting system. Vol. 2: Agro meteorological data collection, processing and analysis. European Commission (EC), Luxembourg, Luxembourg.
Wen-xia X, Li-jiao Y and Guang-huo W. 2006. Simulation and validation of potential growth process in Zhejiang province of China by utilizing WOFOST model. Rice Science, 13(2): 125-130.
Wu D, Yu Q, Lu C and Hengsdijk H. 2006. Quantifying production potentials of winter wheat in the North China Plain. Agronomy, 24: 226-235. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
آمار تعداد مشاهده مقاله: 1,206 تعداد دریافت فایل اصل مقاله: 506 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||