ارزیابی مدلی برای شبیه سازی رشد و نمو گندم (Triticum aestivum L.) تحت شرایط تنش خشکی

پژوهشهای زراعی ایران

مقاله 4، دوره 12، شماره 3 - شماره پیاپی 35، مهر 1393، صفحه 387-402   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/gsc.v12i3.42215

نویسندگان

فرزاد حسین پناهی^{* 1}؛ محمد کافی²؛ مهدی پارسا³؛ مهدی نصیری محلاتی²؛ محمد بنایان اول³

¹دانشگاه کردستان

²دانشگاه فردوسی مشهد

³فردوسی مشهد

چکیده

مدلسازی یکی از ابزارهای تجزیه و تحلیل کمّی سیستم‌های بیولوژیک است که کمک زیادی در شناخت اساس فیزیولوژیکی رشد و نمو گیاهان زراعی به ویژه تحت شرایط محدودیت عوامل موثر بر رشد از جمله آب می کند. در این مطالعه ابتدا مدلی با تکیه بر روش پنمن-مونتیث فائو جهت شبیه سازی تبخیر و تعرق و سایر اجزای موازنة آب خاک ساخته شد و این مدل با مدل رشد گندم، که با استفاده از مدل های پایة SUCROS و LINTUL ساخته شد تلفیق گردید. سپس آزمایشی مزرعه ای در سال زراعی 90-1389 جهت تعیین اعتبار مدل در مزرعه تحقیقاتی دانشکده کشاورزی دانشگاه فردوسی مشهد به اجرا در آمد. آزمایش در قالب طرح کرت های خرد شده با سه تکرار اجرا شد. برای کرت های اصلی 5 تیمار آبیاری شامل آبیاری به میزان نیاز کامل آبیاری گیاه (FI)، بدون آبیاری در فصل بهار (NI)، آبیاری به میزان 75درصد نیاز آبی گیاه (FI 75درصد)، آبیاری به میزان 50 درصد نیاز آبی گیاه (FI 50درصد) و آبیاری به میزان 25درصد نیاز آبی گیاه (FI 25درصد) در نظر گرفته شد و کرت های فرعی شامل ارقام مقاوم (پیشگام، یک رقم ریشک‌دار) و حساس (گاسکوژن، بدون ریشک) به خشکی گندم بودند. نیاز آبی گیاه بر اساس روش پنمن-مونتیث فائو محاسبه شد. سپس نتایج شبیه سازی با دو روش برازش رگرسیون خطی بین مشاهدات و داده های شبیه سازی شده و مقایسه آن با خط 1:1 و همچنین روش جذر میانگین مربعات خطا RMSE%)) تعیین اعتبار گردید. نتایج نشان داد که مدل روند شاخص سطح برگ رقم حساس را در شرایط بدون تنش (تیمار FI) عالی شبیه سازی کرد اما در شرایط تنش شدید (تیمارهای NI و FI25درصد) دقت شبیه سازی متوسط ارزیابی شد. در سایر سطوح آبیاری نیز دقت شبیه سازی برای رقم حساس خوب بود. شبیه سازی روند شاخص سطح برگ رقم مقاوم نیز در تمام سطوح آبیاری در درجه کیفی خوب قرار گرفت. همچنین توانایی مدل از نظر شبیه سازی حداکثر میزان شاخص سطح برگ (LAImax) و روز رسیدن به آن در هر دو رقم عالی ارزیابی شد. مدل تولید ماده خشک رقم حساس را فقط در تیمار FI عالی شبیه سازی کرد و در سایر تیمارها دقت شبیه سازی برای رقم حساس خوب بود. اما قدرت مدل در شبیه سازی تولید ماده خشک رقم مقاوم در تمام سطوح آبیاری عالی به دست آمد. همچنین قدرت مدل در شبیه سازی عملکرد هر دو رقم عالی ارزیابی شد. مدل عملکرد تیمارهای NI، FI 25%، FI 50%، FI 75% و FI را به ترتیب 1285، 3031، 4697، 6137 و 7649 کیلوگرم در هکتار شبیه سازی کرد. در شرایط آزمایشی نیز عملکرد رقم گاسکوژن در سطوح آبیاری مذکور به ترتیب 1615، 2954، 4483، 5952 و 8132 کیلوگرم و برای رقم پیشگام به ترتیب 1758، 3652، 5071، 6064 و 7548 کیلوگرم در هکتار بدست آمد. در مجموع نتایج حاکی از کارآمدی مدل ارائه شده در پیش بینی تغییرات رشد و نمو گندم تحت مقادیر متفاوت فراهمی آب می باشد. اما جهت حصول نتایج بهتر مدل موجود باید با آزمایشات گوناگون تعیین اعتبار گردد.

کلیدواژه‌ها

تبخیر و تعرق؛ مدل پنمن-مونتیث فائو؛ مدلسازی؛ مدل سوکروز؛ مدل لینتول

مراجع

1- حسین پناهی، ف. 1391. بهره گیری از رهیافت مدل سازی در طراحی تیپ ایده آل گندم برای شرایط تنش خشکی در شرایط آب و هوایی مشهد. پایان نامه دکتری، دانشکده کشاورزی، دانشگاه فردوسی مشهد.

2- علیزاده، ا.، و غ. کمالی. 1387. نیاز آبی گیاهان در ایران. چاپ دوم. انتشارات آستان قدس رضوی، مشهد، 227 صفحه.

3- نصیری محلاتی، م. 1387. مدلسازی. در کتاب زراعت نوین. گردآورندگان: کوچکی، ع.، و خواجه حسینی، م. انتشارات جهاد دانشگاهی مشهد، مشهد، 704 صفحه.

4- Allen, R. G., L. S. Pereira, D. Raes, and M. Smith. 1998. Crop evapotranspiration: Guidelines for computing crop requirements. Irrigation and Drainage Paper 56. FAO, Rome.

5- Araus, J. L., G. A. Slafer, M. P. Reynolds, and C. Roya. 2002. Plant breeding and drought in C3 cereals: what should we breed for?. Annals of Botany, 89: 925-940.

6- Arora, V. K., and P. R. Gajri. 1998. Evaluation of a crop growth-water balance model for analyzing wheat responses to climate- and water-limited environments. Field Crops Research, 59: 213-224.

7- Arora, V. K., and P. R. Gajri. 2000. Assessment of a crop growth-water balance model for predicting maize growth and yield in a subtropical environment. Agricultural Water Management, 46: 157-166.

8- Asseng, S., B. A. Keating, I. R. P. Fillery, P. J. Gregory, J. W. Bowden, N. C. Turner, J. A. Palta, and D. G. Abrecht. 1998. Performance of the APSIM-wheat model in Western Australia. Field Crops Research, 57: 163-179.

9- Bannayan, M., and N. M. J. Crout. 1999. A stochastic modelling approach for real –time forecasting of winter wheat yield. Field Crops Research, 62: 85-95.

10- Behera, S. K., and R. K. Panda. 2009. Integrated management of irrigation water and fertilizers for wheat crop using field experiments and simulation modeling. Agricultural Water Management, 96: 1532–1540.

11- Bergjord, A. K., H. Bonesmo, and A. O. Skjelvag. 2008. Modelling the course of frost tolerance in winter wheat I. Model development. European Journal of Agronomy, 28: 321–330.

12- Biernath, C., S. Gayler, S. Bittner, C. Klein, P. Högy, A. Fangmeier, and E. Priesack. 2011. Evaluating the ability of four crop models to predict different environmental impacts on spring wheat grown in open-top chambers. European Journal of Agronomy, 35: 71–82.

13- Boote, K. J., M. J. Kropff, and P. S. Bindraban. 2001. Physiology and modelling of traits in crop plants: implications for genetic improvement. Agricultural Systems, 70: 395–420.

14- Chipanshi, A. C., E. A. Ripley, and R. G. Lawford. 1999. Large-scale simulation of wheat yields in a semi-arid environment using a crop-growth model. Agricultural Systems, 59: 57-66.

15- Eitzinger, J., M. Stastna, Z. Zalud, and M. Dubrovsky. 2003. A simulation study of the effect of soil water balance and water stress on winter wheat production under different climate change scenarios. Agricultural Water Management, 61: 195–217.

16- Eitzinger, J., M. Trnka, J. Hösch, Z. Žalud, and M. Dubrovský. 2004. Comparison of CERES, WOFOST and SWAP models in simulating soil water content during growing season under different soil conditions. Ecological Modelling, 171: 223–246.

17- Faramarzi, M., H. Yang, R. Schulin, and K. C. Abbaspoura, 2010. Modeling wheat yield and crop water productivity in Iran: Implications of agricultural water management for wheat production. Agricultural Water Management, 97: 1861–1875.

18- Farshi, A.A., Feyen, J., Belmans, C., and Wijngaert, K. 1987. Modeling of yield of winter wheat as a function of soil water availability. Agricultural Water Management, 12: 323-339.

19- Foulkes, M. J., R. S. Bradley, R. Weightman, and J. W. Snape. 2007. Identifying physiological traits associated with improved drought resistance in winter wheat. Field Crops Research, 103: 11–24.

20- Goudriaan, J., and H. H. Van Laar. 1994. Modelling potential crop growth processes. Textbook with exercises. Kluwer Academic Publishers, Dordrecht, The Netherlands, 274 pp.

21- Hammer, G. L., M. J. Kropff, T. R. Sinclair, and J. R. Porter. 2002. Future contributions of crop modelling*/from heuristics and supporting decision making to understanding genetic regulation and aiding crop improvement. European Journal of Agronomy, 18: 15-31.

22- Hanks, R. J., and V. P. Rassmussen. 1982. Predicting crop production as related to plant water stress. Advances in Agronomy, 35: 193-215.

23- Hunt, L. A., M. P. Reynolds, K. D. Sayre, S. Rajaram, J. W. White, and W. Yan. 2003. Crop modeling and the identification of stable coefficients that may reflect significant groups of genes. Agronomy Journal, 95: 20-31.

24- Jackson, P., M. Robertson, M. Copper, and G. L. Hammer. 1996. The role of physiological understanding in plant breeding: from a breeding perspective. Field Crops Research, 49: 11–37.

25- Jamieson, P. D., R. J. Martin, and G. S. Francis. 1995. Drought influences on grain yield of barley, wheat and maize. New Zealand Journal of Crop and Horticulture Science. 23: 55-66.

26- Jamieson, P. D., J. R. Porter, J. Gouadriaan, J. T. Ritchie, H. Van Keulen, and W. Stol. 1998a. A comparison of the models ARECWHEAT, CERES-wheat, Sirius, SUCROS2 and SWHEAT with measurement from wheat grown under drought. Field Crops Research, 55: 23-44.

27- Jamieson, P. D., M. A. Semenov, I. R. Brooking, and G. S. Francis. 1998b. Sirius: a mechanistic model of wheat response to environmental, variation. European Journal of Agronomy, 8: 161–179.

28- Jensen, M. E., J. L. Wright, and B. J. Pratt. 1971. Estimating soil moisture depletion from climate, crop and soil data. Trans. ASAE, 14: 954-959.

29- Landau, S., R. A. C. Mitchell, V. Barnett, J. J. Colls, J. Craigon, and R. W. Payne. 2000. A parsimonious, multiple-regression model of wheat yield response to environment. Agricultural and Forest Meteorology, 101: 151–166.

30- Loggini, B., A. Scartazza, E. Brugnoli, and F. Navari-Izzo. 1999. Antioxidant defense system, pigment composition, and photosynthetic efficiency in two wheat cultivars subjected to drought. Plant Physiology, 119: 1091–1099.

31- Maraux, F., F. Lafolie, and L. Bruckler. 1998. Comparison between mechanistic and functional models for estimating soil water balance: deterministic and stochastic approaches. Agricultural Water Management, 38: 1-20.

32- Porter, J. R., and M. Gawith. 1999. Temperatures and the growth and development of wheat: a review. European Journal of Agronomy, 10: 23–36.

33- Semenov, M. A., P. Martre, and P. D. Jamieson. 2009. Quantifying effects of simple wheat traits on yield in water-limited environments using a modeling approach. Agricultural and Forest Meteorology, 149: 1095–1104.

34- Shibu, M. E., P. A. Leffelaar, H. Van Keulen, and P. K. Aggarwal. 2010. LINTUL3, a simulation model for nitrogen limited situations: Application to rice. European Journal of Agronomy, 32: 255-271.

35- Simane, B., H. Van Keulen, W. Stol, and P. C. Struik. 1994. Application of a Crop Growth Model (SUCROS-87) to Assess the Effect of Moisture Stress on Yield Potential of Durum Wheat in Ethiopia. Agricultural Systems, 44: 337-353.

36- Spitters, C. J. T., and A. H. C. M. Schapendonk. 1990. Evaluation of breeding strategies for drought tolerance in potato by means of crop growth simulation. Plant and Soil, 123: 193-203.

37- Timsina, J., D. Godwin, E. Humphreys, Y. Singh, B. Singh, S. S. Kukal, and D. Smith. 2008. Evaluation of options for increasing yield and water productivity of wheat in Punjab, India using the DSSAT-CSM-CERES-Wheat model. agricultural water management, 95: 1099-1110.

38- Turner, N. C. 2004. Agronomic options for improving rainfall-use efficiency of crops in dryland farming systems. Journal of Experimental Botany, 55: 2413–2427.

39- Van Ittersum, M. K., P. A. Leffelaar, H. Van Keulen, M. J. Kropff, L. Bastiaans, and J. Goudriaan. 2003. On approaches and applications of the Wageningen crop models. European Journal of Agronomy, 18: 201-234.

40- Van Laar, H. H., J. Goudriaan, and H. Van Keulen. 1997. SUCROS97: Simulation of crop growth for potential and water-limited production situations. C.T. de Wit Graduate School for Production Ecology and Resource Conservation, Wageningen, The Netherlands, pp.52.

41- Villegas, D., J. Casadesus, S. G. Atienza, V. Martos, F. Maalouf, F. Karam, I. Aranjuelo, and S. Nogues. 2010. Tritordeum, wheat and triticale yield components under multi-local mediterranean drought conditions. Field Crops Research, 116: 68–74.

42- Whitmore, A. P., and W. R. Whalley. 2009. Physical effects of soil drying on roots and crop growth. Journal of Experimental Botany, 60: 2845–2857.

43- Zhang, L., W. Van DerWerf, W. Cao, B. Li, X. Pan, and J. H. J. Spiertz. 2008. Development and validation of SUCROS-Cotton: a potential crop growth simulation model for cotton. NJAS (Wageningen Journal of Life Sciences), 56: 59-83.

44- Zhang, Y., Q. Yu, C. Liu, J. Jiang, and X. Zhang. 2004. Estimation of winter wheat evapotranspiration under water stress with two semiempirical approaches. Agronomy Journal, 96: 159-168.

45- Zhu, X. G., G. L. Zhang, D. Tholen, Y. Wang, C. P. Xin, and Q. F. Song. 2011. The next generation models for crops and agro-ecosystems. Science China Information Science, 54: 589–597.

46- Ziaei, A. N., and A. R. Sepaskhah. 2003. Model for simulation of winter wheat yield under dryland and irrigated conditions. Agricultural Water Management, 58: 1-17.