تهیه نقشه‌های پراکنش سطح زیرکشت گیاهان باغی و زراعی در سطح کشوری برای ایران

بوم شناسی کشاورزی

مقاله 5، دوره 15، شماره 1 - شماره پیاپی 55، فروردین 1402، صفحه 75-88   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/agry.2021.69619.1033

نویسندگان

سید مجید عالیمقام¹؛ افشین سلطانی^{* 1}؛ امیر دادرسی²؛ علیرضا نه بندانی³

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

²گروه زراعت، دانشگاه ولیعصر رفسنجان، رفسنجان، ایران

³گروه زراعت، دانشکده تولید گیاهی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.

چکیده

وجود پراکنش اراضی زیرکشت، می‏تواند اهمیت زیادی در مطالعات و تصمیمات کلان کشوری در زمینه‏های مختلف مانند برنامه­ریزی و توسعه کشاورزی، ارزیابی اثرات تغییر اقلیم، بررسی خلأ عملکرد و امنیت غذایی، مدیریت سیستم‏های تولید دام، خدمات اکوسیستم‏ها، مدیریت مصرف کود، تعیین الگوی کشت و سایر مطالعات در بخش‏های کشاورزی، جنگل‌داری و مرتع‌داری داشته باشد. یکی از کاربردهای مهم این نقشه­ها استفاده از آن­ها در ترکیب با نقشه­های پهنه­بندی اقلیمی و نقشه­های خاک برای انتخاب ایستگاه هواشناسی در مطالعات شبیه­سازی تولید گیاهی است. منبع اصلی این نقشه‏ها در سطح دنیا، پروژه SPAM مؤسسه IFPRI می‏باشد. نقشه‏های SPAM در مقیاس استانی برای کشور تهیه شده‏اند. بنابراین، در سطح استانی و بالاتر از دقت خوبی برخوردارند، ولی در مقیاس کوچک‌تر ممکن است همراه خطا باشند. پروژه SPAM فاقد نقشه پراکنش برای بسیاری از گیاهان است. در این مطالعه با استفاده از روش ساده شده SPAM به تولید نقشه‏های پراکنش 33 گیاه مهم زراعی و باغبانی کشور اقدام شد. نقشه­های حاصل در این مطالعه در مقایسه با نقشه­های اصلی SPAM دقت بالاتری داشتند. مزایای نقشه‏های تولید شده در این مطالعه نسبت به نقشه‏های SPAM به این شرح می‏باشند: (1) به‌روزتر بودن اطلاعات سطح زیرکشت مورد استفاده برای تولید نقشه‏ها (2) استفاده از داده سطح زیرکشت با مقیاس کوچک‌تر (در سطح شهرستان)، (3) توجه به کاربری کنونی اراضی مختص کشور در تولید نقشه‏های پراکنش در مطالعه حاضر (4) تولید نقشه پراکنش برای همه گیاهان مهم در کشور بر مبنای روش ارایه شده در مطالعه حاضر.
 

کلیدواژه‌ها

باغبانی؛ بانک داده؛ زراعت؛ نقشه کاربری اراضی؛ نقشه SPAM

مراجع

Alimagham, S.M. (2018). Determination of desired plant traits for wheat and chickpea under current and future climates of Iran. Ph.D. Thesis, Gorgan University of Agricultural Sciences and Natural, Iran. (In Persian with English Summary)

Cai, Y., Guan, K., Lobell, D., Potgieter, A.B., Wang, S., Peng, J., Xu, T., Asseng, S., Zhang, Y., You, L., & Peng, B. (2019). Integrating satellite and climate data to predict wheat yield in Australia using machine learning approaches. Agricultural and Forest Meteorology,  274, 144-159. https://doi.org/10.1016/j.agrformet.2019.03.010

FAO. (1981). Report of the agro-ecological zones project. World Soil Resources Report 48(1-4). Rome: FAO.

Hertel, T. (2011). The global supply and demand for land in 2050: A perfect storm? American Journal of Agricultural Economics, 93(2), 259–275. https://doi.org/10.1093/ajae/aaq189

http://mapspam.info/

http://www.yieldgap.org/

https://www.mapspam.info/data/

Joglekar, A.K., Wood-Sichra, U., & Pardey, P.G. (2019). Pixelating crop production: Consequences of methodological choices. PloS One, 14(2), 1-16. https://doi.org/10.1371/journal.pone.0212281

Liu, J., You, L., Amini, M., Obersteiner, M., Herrero, M., Zehnder, A., & Yang, H. (2010). A high-resolution assessment of global nitrogen flows in cropland. Proceedings of the National Academy of Sciences, 107, 8035–8040. http://doi.org/10.1073/pnas.0913658107

Lobell, D.B., Burke, M.B., Tebaldi, C., Mastrandrea, M.D., Falcon, W.P., & Naylor, R.L. (2008). Prioritizing climate change adaptation needs for food security in 2030. Science, 319(5863), 607–610. https://doi.org/10.1371/ 10.1126/science.1152339

Mobasheri, M.R., Rezaei, Y., & Valadan Zoej, M.J. (2007). A method in extracting vegetation quality parameters using hyperion images, with application to precision farming. World Applied Sciences Journal, 2(5), 476-483.

Nelson, E., Wood, S., Koo, J., & Polasky, S. (2011). Provisioning and regulatory ecosystem service values in agriculture. In: P. Kareiva, H. Tallis, T. Ricketts, G. Daily, and S. Polasky (Eds.). Natural Capital: Theory and Practice of Mapping Ecosystem Services. Oxford University Press, Oxford, pp. 150–167 (Chapter 9).

Nelson, G.C. (2002). Introduction to the special issue on spatial analysis for agricultural economists. Agricultural Economics, 27(3),197-200. https://doi.org/10.1111/j.1574-0862.2002.tb00116.x

Nelson, G.C., Rosegrant, M., Palazzo, A., Gray, I., Ingersoll, C., Robertson, R., Tokgoz, S., Zhu, T., Sulser, T., Ringler, C., Msangi, S., & You, L. (2010). Food Security, Farming, and Climate Change to 2050. IFPRI Research Monograph. International Food Policy Research Institute (IFPRI), Washington, USA. http://dx.doi.org/10.2499/9780896291867

Robinson, T.P., Thornton P.K., Franceschini, G., Kruska, R.L., Chiozza, F., Notenbaert, A., Cecchi, G., Herrero, M., Epprecht, M., Fritz, S., You, L., Conchedda, G., & See, L. (2011). Global livestock production systems. Rome, Food and Agriculture Organization of the United Nations (FAO) and International Livestock Research Institute (ILRI), 152.

Wood‐Sichra, U., Joglekar, A.B., & You, L. (2016). Spatial Production Allocation Model (SPAM) 2005: Technical Documentation. HarvestChoice Working Paper. Washington, D.C.: HarvestChoice, International Food Policy Research Institute (IFPRI).

You, L., & Wood, S. (2004). Assessing the spatial distribution of crop production using a cross-entropy method. Intl Food Policy Res Inst.

You, L., & Wood, S. (2006). An entropy approach to spatial disaggregation of agricultural production. Agricultural Systems, 90(1-3), 329-347. https://doi.org/10.1016/j.agsy.2006.01.008

You, L., Wood, S., Wood-Sichra, U., & Wu, W. (2014). Generating global crop distribution maps: From census to grid. Agricultural Systems. 127, 53-60. https://doi.org/10.1016/j.agsy.2014.01.002

Yu, Q., Wu, W., You, L., Zhu, T., Van Vliet, J., Verburg, P.H., Liu, Z., Li, Z., Yang, P., Zhou, Q., & Tang, H. (2017). Assessing the harvested area gap in China. Agricultural Systems, 153, 212-220. https://doi.org/10.1016/j.agsy.2017.02.003

Ziari, K. (2002). Urban land use planning (Case study: Minab). Geographical Research, 17, 63-78. (In Persian with English Summary)