شبیه‌سازی عملکرد گندم (Triticum aestivum L.) آبی رقم پیشتاز با استفاده از داده‌های AgMERRA و مدل DSSAT در استان خراسان رضوی

پژوهشهای زراعی ایران

مقاله 2، دوره 23، شماره 3 - شماره پیاپی 79، مهر 1404، صفحه 257-270   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jcesc.2024.89213.1344

نویسندگان

سعیده کمالی¹؛ نوذر قهرمان^{* 1}؛ محمد بنایان اول²

¹گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

²گروه اگروتکنولوژی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

هدف از این مطالعه، شبیه‌سازی عملکرد گندم آبی (رقم پیشتاز) در هفت شهرستان استان خراسان رضوی با استفاده از داده‌های باز تحلیل AgMERRA و مدل گیاهی DSSAT است. بدین منظور از داده‌های آماری هفت ایستگاه هواشناسی شامل مشهد، کاشمر، نیشابور، گناباد، تربت‌جام، تربت‌حیدریه و سبزوار و داده‌های عملکرد واقعی دریافتی از وزارت جهاد کشاورزی برای شهرستان‌های مذکور در طی دوره آماری 1388-1368 استفاده شد. همچنین داده‌های باز تحلیل AgMERRA در همین دوره برای هفت ایستگاه مورد مطالعه دریافت شد و شبیه‌سازی عملکرد گندم رقم پیشتاز توسط مدل DSSAT انجام گردید. نتایج بررسی کیفیت داده‌های باز تحلیل AgMERRA نشان داد که همبستگی و توافق خوبی بین داده‌های مشاهداتی و داده‌های AgMERRA در هر هفت ایستگاه مطالعاتی وجود دارد (ضریب همبستگی از 67/0 تا 98/0) به‌طوری‌که بیشترین همبستگی مربوط به داده‌های دما می‌باشد. همچنین در ایستگاه‌های مطالعاتی، شاخص‌های خطای این مجموعه داده دارای مقادیر MAE از 3.87 تا 4.11، RMSE از 4.93 تا 7.67 هستند. بررسی نتایج شاخص‌های آماری NRMSE ، RMSE و R² حاصل از مقایسه عملکرد شبیه‌سازی‌شده توسط مدل DSSAT با استفاده از داده‌های AgMERRA و داده‌های مشاهداتی با عملکرد واقعی نشان داد که عملکرد شبیه‌سازی‌شده با استفاده از داده‌های مشاهداتی و داده‌های AgMERRA روند تغییراتی مشابه داده‌های عملکرد واقعی دارند و به‌خوبی توانستند تخمین مناسبی از عملکرد گندم بزنند. همچنین دو مجموعه داده دارای مقادیر خطای کمّی (NRMSE داده‌های AgMERRA از 9.21 تا 11.89 و NRMSE داده‌های مشاهداتی از 6.53 تا 10.12) بودند. لذا کاربست مدل با استفاده از این پایگاه داده‌‌های اقلیمی در شرایط کمبود داده‌های مشاهداتی معتبر قابل توصیه است.

کلیدواژه‌ها

تخمین عملکرد؛ داده‌های بازتحلیل؛ شاخص خطا؛ مدل‌های گیاهی

مراجع

1. Arun, G., & Ghimire, K. (2019). Estimating post-harvest loss at the farm level to enhance food security: A case of Nepal. International Journal of Agriculture, Environment and Food Sciences, 3(September), 127-136. https://doi.org/10.31015/jaefs.2019.3.3
2. Aslani, P., Davari, M., Mahmoodi, M. A., Hosseinpanahi, F., & Khaleghpanah, N. (2021). Effect of zeolite and nitrogen on some basic soil properties and wheat yield in potato-wheat rotation. Agricultural Engineering, 44(1), 97-119. (in Persien with English abstract). https://doi.org/22055/agen.2021.37397.1603
3. Badescu, V. (2008). Modeling solar radiation at the earth’s surface. SpringerVerlag, Berlin/Heidelberg.
4. Bahroloum, R., Ramezani Etedali, H., Azizian, A., & Ababaei, B. (2020). Use of gridded weather datasets in simulation of wheat yield and irrigated requirement (Case study: Iran’s Qazvin plain). Iranian Journal of Ecohydrology, 7(3), 691-706. (in Persien with English abstract). https://doi.org/22059/ije.2020.303567.1339
5. Bannayan, M., Sanjani, S., Alizadeh, A., Lotfabadi, S. S., & Mohamadian, A. (2010). Association between climate indices, aridity index, and rainfed crop yield in northeast of Iran. Field Crops Research, 118(2), 105-114. https://doi.org/10.1016/j.fcr.2010.04.011
6. Dahmardeh, A., Shahriari, A., Pahlavan Rad, M. R., Shabani, A., & Ghoebani, M. (2021). Modeling wheat yield using some soil properties at the field scale (Case study: Sistan dam research farm, university of Zabol). Agricultural Engineering, 44(1), 81-95. (in Persien with English abstract). https://org/10.22055/agen.2021.35343.1588
7. Eyshi Rezaei, E., & Lashkari, A. (2019). The consequences of change in management practices on maize yield under climate warming in Iran. Theoretical and Applied Climatology, 137, 1001-1013. https://doi.org/10.1007/s00704-018-2637-8
8. Fallah, M. H., Nezami, A., Khazaie, H. R., & Nassiri Mahallati, M. (2020). Evaluation of DSSAT-Nwheat model across a wide range of climate conditions in Iran. Journal of Agroecology, 12(4), 561-580. (in Persien with English abstract). https://org/10.22067/jag.v12i4.77250
9. Farhadi, M., Jahan, M., & Bannayan Aval, M. (2021). Investigation of validity and possibility of using AgMERRA networked dataset in North Khorasan province. Iranian Journal of Field Crops Research, 19(2), 201-217. (in Persien with English abstract). https://org/10.22067/jcesc.2021.69532.1044
10. Folberth, C., Gaiser, T., Abbaspour, K. C., Schulin, R., & Yang, H. (2012). Regionalization of a large-scale crop growth model for sub-Saharan Africa: Model setup, evaluation, and estimation of maize yields. Agriculture, Ecosystems & Environment, 151, 21-33. https://doi.org/10.1016/j.agee.2012.01.026
11. Folberth, C., Yang, H., Gaiser, T., Abbaspour, K. C., & Schulin, R. (2013). Modeling maize yield responses to improvement in nutrient, irrigated and cultivar inputs in sub-Saharan Africa. Agricultural Systems, 119, 22-34. https://doi.org/10.1016/j.agsy.2013.04.002
12. Jahan, M., Farhadi, M., Bannayan Aval, M., Fallah, M. H., & Yaghoubi, F. (2023). Study of changes in long-term wheat production trend and factors affecting it in North Khorasan province: I- irrigated wheat. Iranian Journal of Field Crops Research, 21(3), 265-284. (in Persien with English abstract). https://org/10.22067/jcesc.2022.78172.1192
13. Javanshiri, Z., Asadi Oskouei, E., Flamarzi, Y., & Abasi, F. (2023). Accuracy assessment of CFS-v2, MERRA-2, ERA-5 temperature over the different regions of Iran. Iranian Journal of Geophysics, 17(4), 1-24. (in Persien with English abstract). https://org/10.30499/ijg.2022.360882.1452
14. Jowkar, L., Panahi, F., Sadatinejad, S. J., & Shakiba, A. (2021). Precipitation extremes variability trend in Bakhtegan Catchment using AgMERRA and stations data. Irrigation and Irrigated Engineering, 12(1), 364-381. (in Persien with English abstract). https://org/10.22125/iwe.2021.138351
15. Lashkari, A., Bannayan Aval, M., Koocheki, A., Alizadeh, A., Choi, Y. S., & Park, S. (2016). Applicability of AgMERRA forcing dataset forgap-filling of in-situ meteorological observation, case study: Mashhad plain. Irrigated and Soil, 29(6), 1749-1758. (in Persien with English abstract). https://org/10.22067/jsw.v29i6.41686
16. lotfi, M., Kamali, G., Meshkatee, A., Varshavian, V. (2021). Evaluation of yield changes and length of dryland wheat phenological stages under RCP scenario using DSSAT and AquaCrop models in Western Iran. Iranian Journal of Soil and Irrigated Research, 52(10), 2665-2677. (in Persien). https://doi.org/10.22059/ijswr.2021.321307.668925
17. Moriasi, D. N., Arnold, J. G., Van Liew, M. W., Bingner, R. L., Harmel, R. D., & Veith, T. L. (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE, 50(3), 885-900.
18. Ozili, P. K. (2023). The acceptable R-square in empirical modelling for social science research. In social research methodology and publishing results: A guide to non-native english speakers. pp. 134-143. IGI global.
19. Ramezani Etedali, H., Gorgin, F., & Kakvand, P. (2022). Study of the performance of two meteorological datasets in estimating the maize irrigated footprint, a case study: Qazvin Plain. Iranian Journal of Irrigation & Drainage, 15(6), 1394-1403. (in Persien with English abstract). https://dor.isc.ac/dor/20.1001.1.20087942.1400.15.6.1.1
20. Raymundo, R., Asseng, S., Robertson, R., Petsakos, A., Hoogenboom, G., Quiroz, R., Hareau, G., & Wolf, J. (2018). Climate change impact on global potato production. European Journal of Agronomy, 100(November 2016), 87-98. https://doi.org/10.1016/j.eja.2017.11.008
21. Razavi, A. R., Nassiri Mahallati, M., Koocheki, A., & Beheshti, A. (2018). Applicability of AgMERRA for gap-filling of Afghanistan in-situ temperature and precipitation data. Irrigated and Soil, 32(3), 601-616. (in Persien with English abstract). https://org/10.22067/jsw.v32i3.68501
22. Salehnia, N., Alizadeh, A., Sanaeinejad, H., Bannayan, M., Zarrin, A., & Hoogenboom, G. (2017). Estimation of meteorological drought indices based on AgMERRA precipitation data and station-observed precipitation data. Journal of Arid Land, 9, 797-809.
23. Van Wart, J., Grassini, P., Yang, H., Claessens, L., Jarvis, A., & Cassman, K. G. (2015). Creating long-term weather data from thin air for crop simulation modeling. Agricultural and Forest Meteorology, 209, 49-58. https://doi.org/10.1016/j.agrformet.2015.02.020
24. Yaghoubi, F., Bannayan Aval, M., & Asadi, G. A. (2018). Evaluation of grided AgMERRA weather data for simulation of irrigated requirement and yield of rainfed wheat in Khorasan Razavi province. Irrigated and Soil, 32(2), 415-431. (in Persien with English abstract). https://org/10.22067/jsw.v32i2.68948
25. Zandi, R. (2016). Climate classification of Khorasan-Razavi province by the Dumartin method using geographic information system. Geographical Sciences, Architecture and Urban Planning Research Quarterly, 1(10). (in Persien with English abstract).