مدل‌سازی عملکرد گندم و جو دیم بر اساس شاخص‌های خشکسالی و متغیرهای هواشناسی

آب و خاک

مقاله 11، دوره 29، شماره 3، شهریور 1394، صفحه 730-749   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.36894

نویسندگان

ابوالفضل مساعدی^{* 1}؛ سمانه محمدی مقدم¹؛ محمد قبائی سوق²

¹دانشگاه فردوسی مشهد

²دانشگاه بوعلی سینا، همدان

چکیده

نوسانات عوامل آب‌ و هوایی و تنش‌های حاصل از آن‌ها نقش مهمی در مقدار تولید محصولات کشاورزی به‌ویژه در شرایط دیم دارند. در این تحقیق ارتباط بین عملکرد محصولات گندم و جو دیم با متغیرهای آب و هوائی شامل: دمای حداقل، دمای میانگین، دمای حداکثر، بارندگی، تبخیروتعرق و شاخص‌های خشکسالی شامل: شاخص بارش استاندارد شده (SPI) و شاخص شناسائی خشکسالی (RDI) در ایستگاه‌های بجنورد، مشهد و بیرجند بررسی و مدل‌سازی گردید. با استفاده از روش تجزیه به مؤلفه‌های اصلی (PCA) دوره‌های موثر بر تنش‌‌های آب‌ و هوایی و خشکی از میان 34 دوره‌ شامل 1، 2، 3، 4، 6 و 9 ماهه و دورة مرطوب انتخاب شده برای هر یک از متغیر‌ها تعیین گردیدند. نتایج نشان داد که در ایستگاه بجنورد برای برآورد عملکرد محصولات گندم و جو مدل‌های ساخته ‌شده بر اساس متغیرهای شاخص SPI، در ایستگاه مشهد مدل‌های ترکیبی و در ایستگاه بیرجند برای گندم مدل ترکیبی و برای جو مدل ساخته شده بر اساس شاخص RDI دارای بیش‌‌‌ترین دقت و صحت می‌باشند. بر اساس معادلات استخراج شده، در بجنورد تنش‌های ناشی از خشکسالی در دوره 4 ماهه منتهی به فروردین، مشهد 2 ماهه مهر و آبان و بیرجند 2 ماهه منتهی به اسفند و ماه خرداد بیش‌ترین تاثیر را بر عملکرد دارند. تنش‌های ناشی از حداقل و حداکثر دما در بجنورد در دوره‌های 9 ماهه منتهی به خرداد، مشهد 6 ماهه منتهی به خرداد و بیرجند 6 ماهه منتهی به اسفند بیش‌ترین تاثیر را بر عملکرد دارند.

کلیدواژه‌ها

تحلیل مولفه‌های اصلی (PCA)؛ تنش دمایی؛ رگرسیون چند متغیره؛ شاخص شناسائی خشکسالی (RDI‌)؛ عوامل آب و هوایی

مراجع

1- Allen R.G., Pereira L.S., Raes D., and Smith M. 1998. Crop evapotranspiration: guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper No. 56, Rome, Italy.

2- Azizi Gh., and Yarahmadi D. 2003. The relationship between wheat yield and climatic parameters using a regression model (Case study: Plain Silakhor). Geographical Research Quarterly, 44: 23–29. (in Persian)

3- Bannayan M., Sanjani S., Alizadeh A., Sadeghi Lotfabadi S., and Mohamadian A. 2010. Association between climate indices, aridity index, and rainfed crop yield in northeast of Iran. Field Crops Research, 118: 105–114.

4- Bazgeer S., and Kamali Gh.A. 2008. Wheat yield prediction using agro meteorological indices for some regions of the Western of the country. Journal of Agricultural Science and Naturural Resoures, 15(2): 113–121. (in Persian with English abstract)

5- Elshorbagy, A., Corzo G., Srinivasulu S., and Solomatine D. 2009. Experimental investigation of the predictive capabilities of soft computing techniques in hydrology. Centre for Advanced Numerical Simulation (CANSIM). Department of Civil & Geological Engineering, University of Saskatchewan, Saskatoon, SK, CANADA. 49 p.

6- Farajzadeh Asl M., Kashki A., and Shayan S. 2009. Analysis of rain-fed wheat yield product variability using climate change approach (Case study area: Khorasan Razavi province). Journal of modares, 13(3): 227–256. (in Persian)

7- Feizi Asl V., Jafarzadeh J., Abdolrahmani B., Mosavi S.B., and Karimi E. 2010. Studies on the effects of climatic factors on dryland wheat grain yield in maragheh region. Journal of Iranian Field Crop Research, 8(1): 1–11. (in Persian with English abstract)

8- Ghorbani Kh., Khalili A., and Iran Nejad P. 2008. Regional estimation of rainfed wheat yield based on precipitation data. J of agriculture research, 8(1), 89–101. (in Persian with English abstract)

9- Hlavinka P., Trnka M., Semer adova D., Dubrovsky M., Zalud Z., and Mozny M. 2009. Effect of drought on yield variability of key crops in Czech Republic. Agricultural and Forest Meteorology, 149: 431–442.

10- Hosseini M.T., Siosemarde A, Fathi P., and Siosemarde M. 2007. Application of artificial neural network (ANN) and multiplue regression for estimating the performance of dry farming wheat yield in Ghorveh region, Kurdistant province. Agriculture Research, 7(1): 54–41.

11- IPCC, 2007. Synthesis Report 2007: AR4, Cambridge University Press, Cambridge, United Kingdomand New York, USA.

12- Jayanthi H., Gregory J., Husak Funk C., Magadzire T., Chavula, A., and Verdin J.P. 2013. Modelin g rain-fed maize vulnerability to droughts using the standardized precipitation index from satellite estimated rainfall-Southern Malawi case study. International Journal of Disaster Risk Reduction, 4: 71–81.

13- Jongrungklanga N., Toomsana B., Vorasoota N., Jogloya S., Booteb K.J., Hoogenboomc G., and Patanothaia A. 2013. Drought tolerance mechanisms for yield responses to pre-flowering drought stress of peanut genotypes with different drought tolerant levels, Field Crops Research, 144: 34–42.

14- Lamasson T. 1947. The development in range management: the influence of rainfall on the prosperity of eastern Montana. Mimegraphed Rep,7, Regioni, U.S, forest service:1878–1946.

15- Landau S., Mitchell R.A.C., Barnett V., Colls J.J., Craigon J., Moore K.L., and Payne R.W. 1998. Testing winter wheat simulation models predictions against observed UK grain yields. Agricultural and Forest Meteorology, 89: 85–99.

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

17- Lloyd-Hughes B., and Saunders M.A. 2002. A drought climatology for Europe. International Journal of Climatology, 22: 1571–1592.

18- Meyer S.J., Hubbard K.G., and Wilhite D.A. 1991. The relationship of climatic indices and variables to corn (maize) yields: a principal components analysis. Agriculture and Forest Meteorology, 55: 59–84.

19- Mishra A., and Singh V. 2010. A review of drought concepts. Journal of Hydrology, 391: 202–216.

20- Quiring S.R., Papakryiakou J. 2003. An evaluation of agricultural drought indices for the Canadian prairies. Agriculture and Forest Meteorology, 118: 49– 62.

21- Mohammadi Moghaddam S., Mosaedi A., Jankju M., and Mesdaghi M. 2013. Modeling plants yield based on climatic factors and drought indices in selected sites of the provinces of Central and Qom in Iran. Journal water & soil, 27(6): 1190 –1206. (in Persian with English abstract)

22- Mosaedi A., and Kahe M., 2008. The Assessing Precipitation Effects on Yield Productions of Wheat and Barley in Golestan Province. Journal Agricultural Scince Natural Resoures, 15(4): 206–218. (in Persian with English abstract)

23- Rahmani A., Khalili A., and liyaghat A. 2009. Quantitative survey of drought effects on barley yield in East Azerbaijan multiple regression method. Journal of Science and Technology of Agriculture and Natural Resources, 12(44): 25–36. (in Persian with English abstract)

24- Sabziparvar A.A., Torkaman M., and Maryanaji Z. 2012. Investigating the Effect of Agroclimatic Indices and Variables on Optimum Wheat Performance (Case study: Hamedan Province). Journal of Water and Soil, 26(6): 1554–1567.

25- Scian B.V., and Bouza M.E. 2005. Environmental variables related to wheat yields in the semi-arid pampa region of Argentina. Journal of arid Environments, 61: 669–679.

26- Sharatt B.S., Knight C.W., and Wooding, F. 2003. Climatic impact on small grain production in the Subarctic Region of the United States. Arctic, 56(3): 219–226.

27- Smart A., Dunn B., Johnson P., Xu L., and Gates R. 2007. Using Weather Data to Explain Herbage Yeild on Three Greate Plain Plant Communities. Rangland Ecology and Management, 60 (2): 146–153.

28- Stern N. 2006. Review on the economics of climate change. HM Treasury, London.

29- Talliee A., and Bahramy N. 2003. The effects of rainfall and temperature on the yeild of dryland wheat in Kermanshah province. Water and Soil Sciences, 17(1): 106–113.

30- Tatari M. 2008. Dryland wheat yield prediction in Khorasan using climte and edaphic data by applying neural networks. Ph.D Dissertation, Faculty of Agriculture, Ferdowsi University of Mashhad, Iran. (in Persian with English abstract)

31- Torell L., McDaniel K., and Koren V. 2011. Estimating grass yield on blue grama range from seasonal rainfall and soil moisture measurements. Rangeland Ecology and Management 64(1): 56–66.

32- Tsakiris G., Pangalou D., and Vangelis H. 2007. Regional drought as selectssment base lectd on the Reconnaissance Drought Index (RDI). Water Resource Management, 21: 821–833.

33- Vangelis H., Tigkas D., and Tsakiris G. 2013. The effect of PET method on Reconnaissance Drought Index (RDI) calculation. Journal of Arid Environments, 88: 130–140.

34- Wu D., Yu Q., Lu C., and Hengsdijik H. 2006. Quantifying production potentials of winter wheat in the North Chian Plain. Europ. Journal of Agronomy, 24: 266–235.

35- Xiao G., Zhang Q., Li Y., Wang R., Yao Y., Zhao H., and Bai H. 2010. Impact of temperature increase on the yield of winter wheat low and high altitudes in semiarid northwestern china. Agricultural Water Management, 97: 1360–1364.

36- Yamoah C.F., Varvel G.E., Francis A., and Waltman W.J. 1998. Weather and management impact on crop yield variability in rotation. Journal of Production Agriculture, 11(2): 161–225.

37- Yazdan Panah H. 2010. Determining the effect of climatic elements on the yield of dry farmed wheat in east Azarbaijan province by using intelligent neural network. Geography and development. 8(20): 133–144. (in Persian)