ارزیابی مدل‌های گیاهی AquaCrop و ORYZA2000 در شبیه‌سازی عملکرد برنج تحت مدیریت‌های زراعی در شهر رشت

پژوهشهای زراعی ایران

مقاله 3، دوره 18، شماره 4 - شماره پیاپی 60، دی 1399، صفحه 401-412   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/gsc.v18i4.86749

نویسندگان

پویا اعلایی بازکیایی¹؛ بهنام کامکار²؛ ابراهیم امیری^{* 3}؛ حسین کاظمی¹؛ مجتبی رضایی⁴

¹گروه زراعت، دانشکده تولید گیاهی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

²گروه اگروتکنولوژی، دانشکده کشاورزی، دانشگاه فردوسی مشهد

³گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان

⁴موسسه تحقیقات برنج کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، رشت

چکیده

به‌منظور ارزیابی مدل‌های AquaCrop و ORYZA2000در تولید برنج تحت شرایط مدیریت آبیاری و تاریخ کاشت، آزمایشی به‌صورت کرت‌های خردشده با طرح پایه بلوک‌های کامل تصادفی در سه تکرار بر روی رقم محلی (هاشمی) در دو سال زراعی ۱۳۹۵ و ۱۳۹۶ در موسسه تحقیقات برنج ایران، رشت انجام گردید. دور آبیاری به‌عنوان عامل اصلی در چهار سطح غرقاب دائمی، دور آبیاری ۵، ۱۰ و ۱۵ روز و تاریخ کاشت به‌عنوان عامل فرعی در سه سطح (اول اردیبهشت، بیستم اردیبهشت و دهم خرداد) در نظر گرفته شدند. ارزیابی مقادیر شبیه‌سازی و اندازه‌گیری شده عملکرد دانه و عملکرد زیستی با استفاده از مؤلفه‌های ضریب تبیین، آزمون t و ریشه میانگین مربعات خطا (RMSE)، کارایی مدل (EF) و ریشه میانگین مربعات خطای نرمال شده (NRMSE) انجام گرفت. نتایج تحقیق نشان داد که ریشه میانگین مربعات خطای نرمال شده عملکرد دانه و عملکرد زیستی به‌ترتیب ۹ و ۵ درصد در مدل AquaCrop و معادل 7 و 6 درصد در مدل ORYZA2000 تعیین گردید. طبق نتایج هر دو مدل دقت بالایی در شبیه‌سازی عملکرد دانه و زیست‌توده در سطوح آبیاری و تاریخ کاشت داشتند. نتایج نشان داد مدل AquaCrop جهت اجرا در شرایط دسترسی به داده اندازه‌گیری‌ شده کم‌تر، مطلوب‌تر است؛ اما اگر بخواهیم بررسی با دقت بالاتری انجام دهیم استفاده از مدل ORYZA2000 پیشنهاد می‌شود.

کلیدواژه‌ها

آبیاری؛ تاریخ کاشت؛ مدل ORYZA2000؛ مدل AquaCrop

مراجع

1. Abdul-Ganiyu, S., Kyei-Baffour, N., Agyare, W. A., and Dogbe, W. 2018. Evaluating the Effect of Irrigation on Paddy Rice Yield by Applying the AquaCrop Model in Northern Ghana. In Strategies for Building Resilience against Climate and Ecosystem Changes in Sub-Saharan Africa (pp. 93-116). Springer, Singapore.
2. Agricultural Statistics. 2017. Volume I: Crop products. 2015-16. Office of Statistics and Information -Technology, Deputy Director of Planning and Economic Affairs. Ministry of Agricultural Jihad. 90 p. (in Persian).
3. Amiri Larijani, B., Tahmasebi, S. Z., and Nematzade, G. A. 2013. Simulation of leaf area index, biomass and grain yield of rice cultivars at different seedling ages using ORYZA2000 model. Seed and Plant Production 29: 3. 283-302.
4. Amiri, E., and Rezaei, M. 2010. Evaluation of water–nitrogen schemes for rice in Iran, using ORYZA2000 model. Communications in Soil Science and Plant Analysis 41: 2459-2477.
5. Amiri, E., Kavosi, M., and Kaveh, F. 2009. Evaluation of ORYZA2000, SWAP and WOFOST plant models in different irrigation management. Agricultural Engineering Research 10 (3): 13-28. (in Persian with English abstract).
6. Amiri, E., Razavipour, T., Farid, A., and Bannayan, M. 2011. Effects of crop density and irrigation management on water productivity of rice production in Northern Iran: Field and Modeling Approach. Communications in Soil Science and Plant Analysis 42 (17): 2085-2099.
7. Amiri, E., Rezaei, M., Rezaei, E. E., and Bannayan, M. 2014. Evaluation of Ceres-Rice, Aquacrop and Oryza 2000 models in simulation of rice yield response to different irrigation and nitrogen management strategies. Journal of Plant Nutrition 37 (11): 1749-1769.
8. Bouman, B. A. M., and Van Laar, H. H. 2006. Description and evaluation of the rice growth model ORYZA2000 under nitrogen-limited conditions. Agricultural Systems (87): 249-273.
9. Bouman, B. A. M., Kropff, M. J., Tuong, T. P., Wopereis, M. C. S., Ten Berge, H. F. M., and Van Laar H. H. 2001. ORYZA2000: modeling lowland rice. International Rice Research Institute, Los Banos.
10. FAO. 2020. Food and Agricultural Organization of the United Nations (sited in: http://www,fao.org/index_en.htm/, 1/1/2020.
11. Guo, D., Zhao, R., Xing, X., and Ma, X. 2019. Global sensitivity and uncertainty analysis of the AquaCrop model for maize under different irrigation and fertilizer management conditions. Archives of Agronomy and Soil Science 1-19.
12. IRRI. 2013. Standard Evaluation System (SES) for Rice.
13. Jin, X., Li, Z., Nie, C., Xu, X., Feng, H., Guo, W., and Wang, J. 2018. Parameter sensitivity analysis of the AquaCrop model based on extended fourier amplitude sensitivity under different agro-meteorological conditions and application. Field Crops Research 226: 1-15.
14. Leng, G. 2017. Recent changes in county-level corn yield variability in the United States from observations and crop models. Science of The Total Environment 607: 683-690.
15. Li, T., Angeles, O., Marcaida III, M., Manalo, E., Manalili, M. P., Radanielson, A., and Mohanty, S. 2017. From ORYZA2000 to ORYZA (v3): An improved simulation model for rice in drought and nitrogen-deficient environments. Agricultural and Forest Meteorology 237: 246-256.
16. Matthews, R. B., Rivington, M., Muhammed, S., Newton, A. C., and Hallett, P. D. 2013. Adapting crops and cropping systems to future climates to ensure food security: The role of crop modelling. Global Food Security 2 (1): 24-28.
17. Mueller, N. D., Gerber, J. S., Johnston, M., Ray, D. K., Ramankutty, N., and Foley, J. A. 2012. Closing yield gaps through nutrient and water management. Nature 490 (7419): 254-257.
18. Nash, J. E., and Sutcliffe, J. V. 1970. River flow forecasting through conceptual models. PartI: A discussion of principles. Journal of Hydrology 10: 282-290.
19. Neumann, K., Verburg, P. H., Stehfest, E., and Müller, C. 2010. The yield gap of global grain production: A spatial analysis. Agricultural Systems 103 (5): 316-326.
20. Nisar, S., and Arora, V. K. 2018. Analysing Dry-Seeded Rice Responses to Planting Time and Irrigation Regimes in a Subtropical Environment Using ORYZA2000 Model. Agricultural Research 7 (4): 424-431.
21. Pazoki, A. R. Karimi Nejad, M. and Foladi Toroghi, A. R. 2010.  Effect of planting dates on yield of ecotypes of saffron (Crocus sativus L.) in Natanz region. Crop Physiology 8 (2): 3-12. (in Persian).
22. Raes, D., Steduto, P., Hsiao, T. C., and Fereres, E. 2012. Reference manual AquaCrop, FAO, Land and Water Division, Rome, Italy.
23. Rinaldi, M., Losavio, N., and Flagella. Z. 2003. Evaluation of OIL CROP-SUN model for sun flower in southern Italy. Agricultural Systems 78:17-30.
24. Rosegrant, M. W., and Cline, S. A. 2003. Global food security: challenges and policies. Science 302 (5652): 1917-1919.
25. Tari, D. B., Amiri, E., and Daneshian, J. 2017. Simulating the Impact of Nitrogen Management on Rice Yield and Nitrogen Uptake in Irrigated Lowland by ORYZA2000 Model. Communications in Soil Science and Plant Analysis 48 (2): 201-213.
26. Van Oort, P. A. J., Balde, A., Diagne, M., Dingkuhn, M., Manneh, B., Muller, B., Sow, A., and Stuerz, S. 2016. Intensification of an irrigated rice system in Senegal: Crop rotations, climate risks, sowing dates and varietal adaptation options. European Journal of Agronomy 80: 168-181.
27. Wopereis, M. C. S. 1993. Quantifying the impact of soil and climate variability on rainfed rice production. PhD thesis. Wageningen (Netherlands): Wageningen Agricultural University. 188 p.
28. Xu, J., Bai, W., Li, Y., Wang, H., Yang, S., and Wei, Z. 2019. Modeling rice development and field water balance using AquaCrop model under drying-wetting cycle condition in eastern China. Agricultural Water Management 213: 289-297.
29. Zhai, B., Fu, Q., Li, T., Liu, D., Ji, Y., Li, M., and Cui, S. 2019. Rice Irrigation Schedule Optimization Based on the AquaCrop Model: Study of the Longtouqiao Irrigation District. Water 11 (9): 1799.